Das Modell erst denken, dann antworten lassen

„Was ist größer, 9.11 oder 9.9?“ – das kann jedes Grundschulkind, ein Sprachmodell liegt aber oft falsch. Im Experiment des letzten Moduls antwortete deepseek-flash mit ausgeschaltetem Denken 9.11.

Dasselbe Modell antwortet mit einer anderen Fragestellung richtig: Lass es zuerst den Denkweg aufschreiben und dann die Antwort geben. Diese Lektion misst, wie viel das bringt, was es kostet und wie es mit dem „Denkmodus“ zusammenhängt.

Warum es hilft, den Weg zuerst aufzuschreiben

Erinnere dich an Modul 01, Lektion 2: Das Modell erzeugt immer nur ein Token, und jedes Token beruht auf allem vorher.

Verlangst du „nur die Antwort“, muss das Modell schon beim ersten Token entscheiden. Beim Vergleich von 9.11 und 9.9 hat es keinen Platz zum „Rechnen“ und kann nur der Intuition folgen. Und diese Intuition ist womöglich von den vielen Versionsnummern in den Trainingsdaten fehlgeleitet: Bei Softwareversionen ist 9.11 tatsächlich neuer als 9.9.

Lässt du es zuerst den Weg aufschreiben, etwa „9.9 lässt sich als 9.90 schreiben, vergleiche die erste Nachkommastelle: 9 ist größer als 1 …“, werden diese Denkschritte zur Eingabe der folgenden Tokens. Wenn es das Ergebnis schreibt, stützt es sich auf das bereits Geschriebene, statt aus dem Nichts zu raten.

„Erst denken, dann antworten“ heißt also im Kern: dem Modell einen Platz für einen Entwurf geben. Wie viel es „denken“ kann, hängt davon ab, wie viel es aufschreibt.

Experiment: drei Vorgehensweisen im Vergleich

Ich habe sechs fehleranfällige Fragen gewählt: die schon bekannten Aufgaben Dezimalzahlen vergleichen, Zeichen zählen, Quadratfläche und Buchstaben zählen, dazu zwei neue:

• Ein Seil wird dreimal gefaltet und dann genau in der Mitte einmal durchgeschnitten. Wie viele Stücke entstehen? (Antwort 9: dreimal gefaltet sind 8 Lagen, ein Schnitt in der Mitte erzeugt 16 Schnittstellen, zusammen mit den zwei ursprünglichen Enden sind das 9 Stücke)
• Ich habe 3 Äpfel, esse 1, kaufe 2 dazu und gebe dann die Hälfte einem Freund. Wie viele bleiben? (Antwort 2)

Drei Vorgehensweisen, alle mit deepseek-flash:

DIRECT = "只回答最终答案，一个数，不要任何解释。"
STEP_BY_STEP = "先一步一步写出推理过程，最后单独一行写“答案：”加上一个数。"

METHODS = [
    ("直接回答", DIRECT, False),        # 关掉思考
    ("先推理再回答", STEP_BY_STEP, False),  # 关掉思考，但要求在回答里写推理过程
    ("开启思考", DIRECT, True),         # 打开思考模式，回答里只要答案
]

Jede Frage wird mit jeder Vorgehensweise fünfmal gestellt; aus der Antwort wird die Zahl hinter „答案：“ (Antwort:) genommen und mit der Musterlösung verglichen (vollständiger Code in code/02-prompting/reasoning.py). Mein Ergebnis:

直接回答：21/30 正确，平均输出 1 词元，共 0.0003 美元
    9.11 和 9.9 哪个大？（正确答案 9.9）→ ['9.11', '9.11', '9.11', '9.9', '9.9']
    “秋天的叶子一片片落下”这句话有几个字？（正确答案 10）→ ['11', '11', '11', '11', '12']
    单词 raspberry 里有几个字母 r？（正确答案 3）→ ['3', '2', '3', '3', '3']
先推理再回答：29/30 正确，平均输出 244 词元，共 0.0091 美元
    9.11 和 9.9 哪个大？（正确答案 9.9）→ ['9.11', '9.9', '9.9', '9.9', '9.9']
开启思考：30/30 正确，平均输出 431 词元，共 0.0160 美元

Das Ergebnis lesen

Direkt geantwortet: 9 Fehler. Die Zeichenzählaufgabe war fünfmal falsch, und zwar unterschiedlich, mal 11, mal 12. Die Dezimalaufgabe war dreimal von fünf falsch. Interessant: Die komplexer wirkenden Aufgaben mit Seil und Äpfeln waren direkt geantwortet immer richtig, vielleicht weil solche Aufgaben in den Trainingsdaten häufig sind.

Mit aufgeschriebenem Denkweg sinken die Fehler von 9 auf 1. Dafür kam nur ein Satz in den Prompt: „Schreib zuerst Schritt für Schritt den Denkweg auf.“ Der verbleibende Fehler ist wieder die 9.11-Frage; auch ein aufgeschriebener Weg ist also nicht narrensicher. Geht schon der erste Denkschritt schief (etwa „11 ist größer als 9“), folgt der Rest nur diesem Fehler.

Denkmodus: alles richtig. Der Denkmodus macht eigentlich dasselbe, nur gründlicher: Das Modell denkt zuerst in reasoning_content nach; dieser Teil ist speziell trainiert, prüft sich selbst und fängt neu an, wenn es auf Widersprüche stößt. Im abschließenden content steht nur die Antwort, was die Weiterverarbeitung einfach macht.

Der Preis sind Tokens. Direkt geantwortet gibt es im Schnitt nur 1 Ausgabe-Token, mit Denkweg 244, mit Denkmodus 431. Die Kosten für 30 Durchläufe steigen von 0,0003 auf 0,016 Dollar, über 50-mal so viel. Auch die Antwortzeit wird entsprechend länger.

Denkweg von Hand oder Denkmodus

Stand September 2026 unterstützen die Hauptmodelle von DeepSeek alle den Denkmodus; meist genügt es also, ihn einzuschalten, statt im Prompt „denk Schritt für Schritt“ zu verlangen.

Den Denkweg von Hand zu verlangen, ist in diesen Fällen trotzdem nützlich:

• Dein Modell hat keinen Denkmodus.
• Der Nutzer soll den Denkweg sehen, etwa bei Nachhilfe oder um eine Einschätzung zu begründen. Der reasoning_content des Denkmodus ist ein Entwurf für Entwickler; Inhalt und Format kannst du nicht steuern, und man zeigt ihn Nutzern meist nicht direkt.
• Du willst die Art des Denkens vorgeben, etwa „erst die bekannten Größen auflisten, dann die gesuchten, dann Schritt für Schritt rechnen“.

Bei der Variante von Hand gibt es eines zu beachten: Das Modell muss zuerst den Weg und dann die Antwort schreiben. Verlangt der Prompt „erst die Antwort, dann die Begründung“, gibt das Modell zuerst aus dem Bauch eine Antwort und erfindet dann Gründe dafür; dann war der Denkweg umsonst.

Wann es sich lohnt, das Modell denken zu lassen

„Erst denken, dann antworten“ ist nicht umsonst. In diesem Experiment hat das Denken die Kosten über 50-mal erhöht.

Lohnt sich: mehrschrittige Rechnungen, logisches Schließen, Aufgaben mit genauem Abgleich, Programmieren, komplexe Planung. Hier kostet eine falsche Antwort meist viel mehr als die paar zusätzlichen Cent.

Lohnt sich nicht: einfaches Klassifizieren, Übersetzen, Umformulieren, ein Feld aus einem Text extrahieren, Plaudern. Solche Aufgaben erledigt das Modell aus dem „Bauch“ gut; Denken erhöht nur Latenz und Kosten. Die Beitragsklassifikation der letzten Lektion lag mit ausgeschaltetem Denken bei 20/20.

Im Zweifel nutzt du die Methode aus Modul 01, Lektion 6: deine echte Aufgabe einmal mit und einmal ohne Denken laufen lassen und Trefferquote und Kosten vergleichen.

Übungen

1. Füg in reasoning.py drei Fragen hinzu, bei denen du Modelle für fehleranfällig hältst (etwa „welcher Wochentag ist in einer Woche“ oder „wie viele Minuten liegen zwischen zwei Uhrzeiten“), und schau, welche der drei Vorgehensweisen am besten abschneidet.
2. Ändere STEP_BY_STEP in „gib zuerst die Antwort und erkläre dann deine Begründung“, die letzte Zeile bleibt „答案：“. Lass es laufen; wie ändert sich die Trefferquote?
3. Druck bei eingeschaltetem Denken reasoning_content aus und schau, wie das Modell über die 9.11-Frage nachdenkt. Ändert es unterwegs seine Meinung?

Selbsttest

1. Warum erhöht es die Trefferquote, das Modell „erst den Denkweg und dann die Antwort“ schreiben zu lassen?

Das Modell erzeugt immer ein Token nach dem anderen, und der spätere Inhalt baut auf dem bereits Geschriebenen auf. Wird direkt eine Antwort verlangt, muss es beim ersten Token entscheiden und kann nur der Intuition folgen. Schreibt es zuerst den Denkweg, werden diese Schritte zur Eingabe der weiteren Erzeugung, und das Ergebnis entsteht auf Grundlage des Denkwegs. Man gibt dem Modell sozusagen einen Platz für einen Entwurf.

2. Welches Problem entsteht, wenn der Prompt „erst die Antwort, dann die Begründung“ verlangt?

Das Modell schreibt zuerst aus dem Bauch eine Antwort, und die „Begründung“ danach sucht nur Belege für diese Antwort, statt sie zu korrigieren. Nur ein Denkweg, der vor der Antwort steht, hilft beim Finden der Antwort.

3. Deine Anwendung soll Nutzerbewertungen in „positiv“ und „negativ“ einteilen, 100.000 pro Tag. Denkmodus einschalten?

In der Regel nicht. Stimmungsklassifikation ist eine einfache Aufgabe, die ohne Denken meist schon sehr gut klappt; mit Denken vervielfachen sich die Kosten, und die Latenz steigt. Test es mit einer kleinen Stichprobe echter Bewertungen einmal mit und einmal ohne; ist der Unterschied in der Trefferquote gering, bleibt das Denken aus.