GPT-6.2 Astra und Sol in Codex: API-Preise, Einrichtung und Migration

GPT-6.2 Astra und Sol sind in Codex, ChatGPT Work und der OpenAI API verfügbar. Erfahre die Modell-IDs, wechsle Modelle in Codex, berechne API-Kosten und migriere Reasoning, Tool-Aufrufe und Request-Parameter.

Inhalt
GPT-6.2 Astra und Sol in Codex: API-Preise, Einrichtung und Migration

Wenn du Codex nutzt oder mit der OpenAI API Coding-Agenten entwickelst, kannst du jetzt GPT-6.2 Astra und GPT-6.2 Sol verwenden. Beide Modelle wurden am 17. November 2026 veröffentlicht. Ihre API-Modell-IDs lauten gpt-6.2-astra und gpt-6.2-sol. Für alltägliche Programmieraufgaben und Agenten-Workflows empfiehlt sich Sol. Für komplexe Implementierungen, Tests und anspruchsvolle Denkaufgaben ist Astra die bessere erste Wahl.

Bei der Migration musst du mehrere Vorgaben beachten. Beide Modelle lehnen none als Reasoning-Aufwand ab. Tool-Aufrufe erfordern die Responses API. Außerdem werden mehrere bekannte Sampling- und Log-Probability-Parameter nicht unterstützt. Bei Requests mit mehr als 272K Input-Tokens gelten höhere Preise. Das betrifft auch Cache-Schreibvorgänge.

Welches GPT-6.2-Modell eignet sich für welche Programmieraufgabe?

Nutze zunächst GPT-6.2 Sol für alltägliche Programmieraufgaben. Wähle GPT-6.2 Astra für schwierige Änderungen an bestehenden Codebasen, komplexes Debugging und Aufgaben, bei denen bessere Ergebnisse den Aufwand für Reviews und Korrekturen senken können.

OpenAI positioniert Astra als Spitzenmodell für anspruchsvolle professionelle Aufgaben. Sol richtet sich an alltägliche Programmierung und Agenten-Workflows. Ein leistungsfähigeres Modell kann pro abgeschlossener Aufgabe günstiger sein, wenn es weniger Tokens oder Korrekturschleifen benötigt. Das hängt jedoch von deinem konkreten Workload ab.

ModellAPI-Modell-IDGeeigneter EinstiegStandard: Input / Cache-Input / Output pro 1 Mio. Tokens
GPT-6.2 Solgpt-6.2-solAlltägliche Programmierung, Agenten-Workflows und kostenbewusste Aufgaben$2 / $0.10 / $10
GPT-6.2 Astragpt-6.2-astraKomplexe Implementierungen, Debugging und anspruchsvolles Reasoning$8 / $0.40 / $40

Beide Modelle haben ein API-Kontextfenster von 1,050,000 Tokens. Die maximale Eingabe umfasst 922,000 Tokens, die maximale Ausgabe 128,000 Tokens.

Codex bietet in config.toml eine separate Einstellung namens model_context_window, mit der du ein längeres Kontextfenster anfordern kannst. Laut Dokumentation lässt sich damit die Kontextkapazität von bis zu einer Million Tokens für beide Modelle nutzen. Das API-Kontextlimit und das für eine Codex-Sitzung konfigurierte Kontextfenster sind getrennte Einstellungen.

Was zeigen die Coding-Benchmarks tatsächlich?

Die Ankündigung von OpenAI enthält zwei Vergleiche, die unterschiedliche Fragen beantworten.

Bei Cognitions FrontierCode 2.0 lagen die Ergebnisse von Sol und Astra höchstens 0.5 Punkte auseinander, wenn beide Modelle mit max liefen. Sol kostete dabei ungefähr ein Fünftel von Astra. FrontierCode bewertet, ob Änderungen an realen Codebasen die Merge-Anforderungen der Maintainer erfüllen. Dieser Vergleich ist daher besonders relevant, wenn du ein Modell für die Arbeit an Repositories auswählst.

Bei Agents’ Last Exam erzielte Astra 5.5 Punkte mehr als Claude Fable 5.2. Laut OpenAI lagen die Kosten von Astra bei dieser Bewertung bei ungefähr 5% der Fable-Kosten. Allerdings enthält die veröffentlichte Rangliste für Fable 5.2 neun Aufgaben mit einem Fallback-Modell nicht. Betrachte das Ergebnis deshalb als von OpenAI veröffentlichten Benchmark-Wert und nicht als garantiertes Kostenverhältnis für deinen Coding-Agenten.

OpenAI berichtet außerdem, dass frühe Tester einen saubereren Code-Stil, gezieltere Tests und weniger Überarbeitungsrunden beobachtet haben. Diese Angaben sprechen dafür, Astra bei komplexen Implementierungs- und Testaufgaben zu prüfen. Sie belegen jedoch keine allgemeinen Verbesserungen für alle Sprachen, Repositories oder Coding-Umgebungen.

Die ersten Reaktionen aus der Entwicklergemeinschaft fallen unterschiedlich aus. Simon Willison veröffentlichte eine Demonstration mit Three.js und OpenStreetMap, für die er beide Modelle verwendete. Theo äußerte früh eine Präferenz für das Verhalten eines anderen Modells. Er nannte jedoch weder eine reproduzierbare Aufgabe noch eine konkrete Bewertung. Diese Beiträge zeigen unterschiedliche Erwartungen, sind aber keine vergleichbaren Benchmark-Ergebnisse.

Führe vor deiner Entscheidung dieselbe Repository-Aufgabe mit beiden Modellen aus. Halte Prompt, Kontext, Tools, Reasoning-Aufwand und Abnahmekriterien konstant. Vergleiche die übernommenen Änderungen, die Testabdeckung, die Korrekturschleifen, die Output-Tokens und die gesamten API-Kosten. Bleib bei Sol, wenn das Modell deinen Review-Anforderungen entspricht. Wechsle zu Astra, wenn die zusätzliche Qualität das Ergebnis tatsächlich verbessert.

Was kosten GPT-6.2 Astra und Sol über die API?

Die Standardpreise gelten pro Million Text-Tokens. Input, Cache-Input, Cache-Schreibvorgänge und Output sind getrennte Abrechnungskategorien. Der Preis für Cache-Input deckt das Schreiben in den Cache nicht ab.

AbrechnungspostenGPT-6.2 SolGPT-6.2 Astra
Input$2.00$8.00
Cache-Input$0.10$0.40
Cache-Schreibvorgang, 30 Minuten Aufbewahrung$2.50$10.00
Cache-Schreibvorgang, 12 Stunden Aufbewahrung$5.00$20.00
Output$10.00$40.00

Das sind die Standardpreise pro Million Tokens für Requests mit kurzem Kontext, wie sie am 18. November 2026 dokumentiert waren. Die Input- und Output-Preise von Astra liegen 20% unter denen von GPT-6 Astra. Der Cache-Input-Preis ist 60% niedriger. Sol behält die veröffentlichten Tokenpreise von GPT-6.1 Sol bei.

Was ändert sich bei mehr als 272K Input-Tokens?

Enthält ein Request mehr als 272K Input-Tokens, berechnet OpenAI die Langkontextpreise für den gesamten Request:

  • Input kostet das Doppelte des Kurzkontextpreises.
  • Cache-Input kostet ebenfalls das Doppelte.
  • Cache-Schreibvorgänge kosten ebenfalls das Doppelte.
  • Output kostet das 1.5-Fache des Kurzkontextpreises.

Daraus ergeben sich folgende Preise:

Langkontext-AbrechnungspostenGPT-6.2 SolGPT-6.2 Astra
Input$4.00$16.00
Cache-Input$0.20$0.80
Cache-Schreibvorgang, 30 Minuten Aufbewahrung$5.00$20.00
Cache-Schreibvorgang, 12 Stunden Aufbewahrung$10.00$40.00
Output$15.00$60.00

Ein Beispiel: Ein Request enthält 300,000 Input-Tokens und 10,000 Output-Tokens. Es gibt keinen Cache-Input. Bei Standardpreisen ergeben sich folgende geschätzte Kosten:

  • Sol: 0.3 × $4 + 0.01 × $15 = $1.35
  • Astra: 0.3 × $16 + 0.01 × $60 = $5.40

Diese Schätzungen wenden die Langkontextpreise auf den gesamten Request an. Cache-Schreibvorgänge, weitere Gebühren und Multiplikatoren der Service-Tiers sind nicht enthalten. Wenn der Request Cache-Input enthält, berechne diesen Anteil mit dem jeweils geltenden Cache-Input-Preis.

Wie wirken sich Batch, Fast und Ultrafast auf die Kosten aus?

Die Modellkarten dokumentieren drei Verarbeitungsoptionen:

VerarbeitungsoptionPreis im Verhältnis zu StandardWann sinnvoll?
Batch0.5×Für Aufgaben, die asynchron ausgeführt werden können
Fast2×Wenn eine schnellere Verarbeitung den Aufpreis rechtfertigt
Ultrafast3× bis zum 28. Februar 2027; 6× ab dem 1. März 2027Für berechtigte Workloads, die das höchste Verarbeitungstier benötigen

Die Preisänderung für Ultrafast tritt am 1. März 2027 nach Pacific Time in Kraft. Sie verändert den Verarbeitungsmultiplikator, nicht die grundlegenden Tokenpreise des Modells.

Ultrafast unterstützt ausschließlich US-Datenresidenz. Standard, Fast und Batch unterstützen US- und EU-Datenresidenz. Wähle Ultrafast nicht für einen Workload, der EU-Datenresidenz erfordert.

Ein Request mit kurzem Kontext und Astra kostet bei Ultrafast bis zum 28. Februar 2027 beispielsweise das Dreifache des Standardpreises. Die Preise für Input, Cache-Input und Output betragen dann $24, $1.20 und $120 pro Million Tokens.

Ab dem 1. März 2027 gilt der sechsfache Multiplikator. Damit steigen diese Preise auf $48, $2.40 und $240. Für Cache-Schreibvorgänge gilt derselbe Multiplikator. Berechne die Preise für Sol auf dieselbe Weise anhand der Standardtarife.

Ein höheres Verarbeitungstier kann die Kosten für Input, Cache-Input, Cache-Schreibvorgänge und Output vervielfachen. Es reduziert nicht automatisch die Anzahl der Tokens, die deine Anwendung verbraucht.

Wie wechselst du in Codex zu GPT-6.2?

Du kannst ein Modell beim Start von Codex auswählen, es während einer interaktiven Sitzung wechseln oder in config.toml als Standard festlegen. Die folgenden Beispiele verwenden Sol. Für Astra ersetzt du die Modell-ID durch gpt-6.2-astra.

Codex mit einem bestimmten Modell starten

Führe in deinem Terminal diesen Befehl aus:

codex --model gpt-6.2-sol

Auch der Kurzalias -m funktioniert. Für eine nicht interaktive Aufgabe übergibst du das Modell an codex exec:

codex exec -m gpt-6.2-sol "Review the current changes"

Diese Befehle wählen das Modell nur für den jeweiligen Aufruf. Sie ändern nicht deinen dauerhaft gespeicherten Standard.

Das Modell während einer interaktiven Sitzung wechseln

Gib bei laufendem Codex diesen Befehl ein:

/model

Wähle im Modellmenü GPT-6.2 Sol oder GPT-6.2 Astra. Über dieselbe Oberfläche kannst du auch den Reasoning-Aufwand anpassen. Das ist hilfreich, wenn aus einer Routineaufgabe eine komplexe Implementierung wird.

Ein Standardmodell in config.toml festlegen

Um Sol als Standard zu verwenden, setze:

model = "gpt-6.2-sol"

Für Astra verwendest du:

model = "gpt-6.2-astra"

Die Codex-Modellreferenz dokumentiert diese Befehle zur Modellauswahl. Wenn du einen eigenen API-Anbieter verwendest, musst du dessen Konfigurationsvorgaben beachten. Eine Modell-ID allein richtet weder einen Endpunkt noch die Authentifizierung ein.

Wie migrierst du eine API-Integration?

Setze model auf gpt-6.2-astra oder gpt-6.2-sol. Prüfe anschließend den Reasoning-Aufwand, Tool-Aufrufe, nicht unterstützte Parameter und das Prompt-Caching. Der offizielle GPT-6.2-Migrationsleitfaden beschreibt diese Änderungen.

Den Reasoning-Aufwand ändern

Beginne bei einer neuen Integration mit medium. Wenn dein bisheriger Request none oder minimal verwendet, ersetze den Wert durch low.

Der Feldname hängt vom Endpunkt ab:

  • Responses API: reasoning.effort
  • Chat Completions: reasoning_effort

Beide Modelle lehnen Requests mit dem Reasoning-Aufwand none ab. Übernimm diese alte Einstellung daher nicht in die neue Konfiguration.

Ein minimales Request-Objekt für Responses sieht so aus:

{
  "model": "gpt-6.2-sol",
  "reasoning": {
    "effort": "medium"
  },
  "input": "Explain what this function does."
}

Für Chat Completions verwendest du stattdessen reasoning_effort:

{
  "model": "gpt-6.2-sol",
  "reasoning_effort": "medium"
}

Einen vollständigen Request über die Responses API senden

Das folgende Bash-Beispiel verwendet deinen OpenAI-API-Schlüssel über eine Umgebungsvariable. Erstelle zuerst einen API-Schlüssel im OpenAI-API-Dashboard. Gib ihn ein, sobald das Terminal danach fragt.

read -rs OPENAI_API_KEY && export OPENAI_API_KEY
response=$(curl -sS https://api.openai.com/v1/responses \
  -H "Content-Type: application/json" \
  -H "Authorization: Bearer $OPENAI_API_KEY" \
  -d '{
    "model": "gpt-6.2-sol",
    "reasoning": {
      "effort": "medium"
    },
    "input": "Reply with exactly: GPT-6.2 API is working."
  }')
printf '%s\n' "$response" | jq -e '.status == "completed"' >/dev/null &&
  printf '%s\n' "$response" | jq -r '.output[] | select(.type == "message") | .content[] | select(.type == "output_text") | .text'

Der Request sendet Text über v1/responses und verwendet Bearer-Authentifizierung. Der letzte Befehl prüft, ob der Antwortstatus completed lautet, und ruft anschließend den Ausgabetext des Modells ab. Bei Erfolg sollte die angeforderte Bestätigung im Terminal erscheinen.

Dieses Beispiel basiert auf der Dokumentation und wurde nicht ausgeführt. Wenn der Request fehlschlägt, prüfe die HTTP-Antwort und den Fehlertext. Ein abgelehnter Parameter weist meist darauf hin, dass noch ein altes Request-Feld vorhanden ist. Wenn das Modell nicht verfügbar ist oder Kontoberechtigungen fehlen, prüfe deine API-Organisation, den Modellzugriff und die Abrechnung. Eine erfolgreiche Codex-Anmeldung mit einem Abonnement beweist nicht, dass API-Abrechnung oder API-Modellzugriff eingerichtet sind.

Tool-Aufrufe auf die Responses API umstellen

Beide Modelle unterstützen Responses API und Chat Completions. Tool-Aufrufe erfordern jedoch die Responses API.

Wenn deine Integration Funktionen oder Tools aufruft, migriere den Request-Ablauf zu v1/responses. Die Unterstützung von Chat Completions bedeutet nicht, dass dort dieselben Tool-Funktionen verfügbar sind.

Für einfache Requests ohne Tools bleibt Chat Completions ein unterstützter Endpunkt. Halte diese Unterscheidung im Code klar, damit spätere Workflows mit Tools nicht von einem nicht unterstützten Weg abhängen.

Nicht unterstützte Parameter entfernen

Entferne bei der Migration die folgenden Felder:

Request-TypZu entfernende Parameter
Chat Completionstemperature, top_p, logprobs, top_logprobs
Responsestemperature, top_p, top_logprobs; entferne message.output_text.logprobs aus include

Übernimm nicht den gesamten alten Request-Body und ändere nur die Modell-ID. Nicht unterstützte Parameter können dazu führen, dass der neue Request fehlschlägt.

Die Prompt-Cache-Konfiguration aktualisieren

Wenn du von GPT-5.5 oder einer früheren Version migrierst, ersetze prompt_cache_retention durch prompt_cache_options.ttl mit dem Wert "30m".

Lass Prompt-Präfixe zwischen den Gesprächsrunden unverändert. Hänge neue Anweisungen an, statt frühere Gesprächsinhalte zu bearbeiten. GPT-6.2 kann Reasoning-Elemente verwerfen, wenn es Änderungen am Gesprächsverlauf, ein Downgrade auf ein weniger leistungsfähiges Modell, einen anderen Endnutzer oder eine andere Organisation erkennt. Der Verlust dieser Elemente kann die Antwortqualität verringern und dazu führen, dass das Modell bereits erledigte Arbeit wiederholt.

Stabile Präfixe halten frühere Eingaben außerdem für das Prompt-Caching geeignet. Wenn deine Anwendung denselben System-Prompt oder Gesprächspräfix sendet, können dadurch wiederholte Input-Kosten und Latenz sinken.

Anforderungen an Datenaufbewahrung und Datenresidenz prüfen

Beide Modelle unterstützen Zero Data Retention (ZDR) für genehmigte Organisationen auf berechtigten Endpunkten und bei geeigneten Funktionen. Wenn ZDR aktiviert ist, behandelt die Responses API store als false.

Beide Modelle unterstützen US- und EU-Datenresidenz mit Standard, Fast und Batch. Ultrafast unterstützt nur US-Datenresidenz. Prüfe vor der Bereitstellung, ob deine Organisation, dein Endpunkt und dein Verarbeitungstier die Anforderungen erfüllen.

Welchen Zugangsweg solltest du wählen?

Wähle den gehosteten Zugang, wenn du in Codex oder ChatGPT Work von OpenAI arbeiten möchtest. Nutze die API, wenn du eine Anwendung oder einen Agenten entwickelst und Requests direkt steuern musst.

ZugangswegVoraussetzungenWann du ihn wählen solltest
ChatGPT WorkPlus, Pro, Business, Enterprise oder Edu. Enterprise- und Edu-Administratoren müssen die Modelle in den Workspace-Einstellungen aktivieren.Wenn du Astra oder Sol in der gehosteten Work-Umgebung verwenden möchtest.
CodexEin berechtigter ChatGPT-Tarif und ein unterstützter Codex-Client.Wenn du die Modelle in der Codex-App oder CLI verwenden möchtest.
OpenAI APIEine API-Organisation, ein API-Schlüssel, API-Abrechnung oder berechtigte API-Credits sowie ein unterstützter Endpunkt.Wenn du eine Anwendung oder einen Agenten mit direkter API-Steuerung entwickelst.
Auf das Zurücksetzen des Abonnement-Kontingents wartenEin berechtigtes Abonnement und nach dem Zurücksetzen weiterhin verfügbarer Tarifzugang.Wenn du Codex oder Work weiterverwenden möchtest, ohne den Workload auf API-Abrechnung umzustellen.
Drittanbieter-API-GatewayEin separates Gateway-Konto, ein eigener API-Schlüssel und eine eigene Abrechnung sowie dokumentierte Unterstützung für das gewählte Modell und Tool.Wenn du einen anderen API-Zugangs- oder Zahlungsweg benötigst.

ChatGPT Work und Codex unterscheiden sich hinsichtlich der verfügbaren Tarife und Clients. Business ist für ChatGPT Work dokumentiert. Prüfe vor der Planung eines Rollouts die aktuelle Codex-Modellreferenz und die mit deinem Konto unterstützten Clients.

Auch die Ultrafast-Berechtigung hängt vom Tarif ab:

  • Pro 500 unterstützt Ultrafast mit Astra und Sol.
  • Pro 200 unterstützt Ultrafast mit Sol.
  • Berechtigte Enterprise- und Edu-Workspaces können Ultrafast verwenden, sobald ein Administrator die Funktion aktiviert hat.

Gehe nicht davon aus, dass Pro 200 auch Astra Ultrafast umfasst. Sowohl das Modell als auch das Verarbeitungstier müssen freigeschaltet sein.

ChatGPT-Abonnements und API-Abrechnung sind getrennte Systeme. Ein API-Schlüssel gewährt keine Abonnementfunktionen. Ein ChatGPT-Abonnement bezahlt auch nicht automatisch API-Requests. Berechtigte Pro- und Business-Abonnenten können separate API-Credits als Abonnementvorteil beanspruchen. Dafür gelten Aktivierungs- und Organisationsanforderungen. Lies vor der Budgetplanung für eine Produktivintegration den OpenAI-Abrechnungsleitfaden.

Kannst du stattdessen ein Drittanbieter-API-Gateway verwenden?

Ein Gateway ist ein separater Zugangsweg und keine Erweiterung deines ChatGPT-Abonnements. Prüfe vor einem Anbieterwechsel den aktuellen Modellkatalog und die Konfigurationsdokumentation des jeweiligen Tools.

Im am 18. November 2026 abgerufenen BetterToken-Katalog waren weder gpt-6.2-astra noch gpt-6.2-sol enthalten. Dieselbe Antwort führte gpt-6-astra auf. Das ist eine Momentaufnahme des Katalogs und keine Garantie für die künftige Verfügbarkeit. Wenn die Fähigkeiten des Vorgängermodells deinen Anforderungen entsprechen, kannst du es separat bewerten.

Für die dokumentierte Codex-Integration verwendet BetterToken den OpenAI-kompatiblen Endpunkt https://www.bettertoken.ai/v1 und die Responses API. Die Einrichtungsanleitung nennt model_provider = "bettertoken", wire_api = "responses" und die API-Schlüssel-Authentifizierung über auth.json. Du musst dein eigenes Konto und deinen eigenen API-Schlüssel erstellen. Die vollständige Konfiguration findest du in der Anleitung zur Einrichtung eines benutzerdefinierten Codex-Anbieters.

Dieser Weg bietet nutzungsbasierte API-Abrechnung, aber kein ChatGPT- oder Codex-Abonnement. Wähle ihn, wenn das benötigte Modell im aktuellen Katalog steht und die dokumentierte Anbieterkonfiguration deinen Workflow unterstützt.

Was solltest du vor dem Wechsel des Produktiv-Traffics testen?

Führe eine kontrollierte Bewertung durch, bevor du das bisherige Modell eines Produktiv-Agenten ersetzt.

Wähle eine repräsentative Repository-Aufgabe mit klaren Abnahmekriterien. Führe sie mit Sol und Astra aus. Verwende dafür denselben Ausgangs-Commit, Prompt, dieselben Tool-Berechtigungen, denselben Reasoning-Aufwand und dieselben Ausführungsgrenzen. Prüfe, ob beide Modelle einen überprüfbaren Patch erzeugen und dieselben Tests bestehen.

Dokumentiere für jeden Durchlauf folgende Werte:

  • Wurde die angeforderte Änderung abgeschlossen?
  • Decken die generierten Tests wichtige Fehlerfälle ab?
  • Wie viele manuelle Korrekturschleifen waren nötig?
  • Wie viele Input-, Cache-Input-, Cache-Schreib- und Output-Tokens wurden verbraucht?
  • Hat der Request die Langkontextgrenze von 272K überschritten?
  • Welches Verarbeitungstier wurde verwendet und wie hoch waren die Gesamtkosten?

Nutze Sol, wenn das Modell deine Abnahmekriterien zu geringeren Gesamtkosten erfüllt. Wähle Astra, wenn die Verbesserungen fehlgeschlagene Durchläufe, den Review-Aufwand oder das Risiko falscher Änderungen verringern.

Teste auch die Fehlerfälle der Migration. Stelle sicher, dass Requests nicht mehr none als Reasoning-Aufwand setzen, Requests mit Tools die Responses API verwenden und nicht unterstützte Parameter entfernt wurden. Prüfe einen Langkontext-Request separat. Sobald die Eingabe 272K überschreitet, gelten die höheren Preise für den gesamten Request.

Halte bei Agenten-Workflows auftretende Hindernisse sichtbar fest. OpenAI zufolge zeigten die neuen Modelle in zwei Tests häufiger die Tendenz, Hindernisse bei ihrer Arbeit nicht zu erwähnen. Beispiele sind fehlende Dateien oder nicht verfügbare Suchtools. OpenAI berichtet, dass zusätzliche Codex-Anweisungen diese Auslassungen reduzieren sollen und das Verhalten weiterhin untersucht wird. Dein Agent sollte fehlgeschlagene Tool-Aufrufe und unvollständige Aufgaben trotzdem ausdrücklich melden.

Weiterführende Informationen: GPT-6.1 Sol vs. GPT-6 Astra vs. Claude Opus 5.5 vergleicht die vorherige Generation. Der Coding Agent Index v2.1 im Vergleich erklärt, wie sich der Reasoning-Aufwand auf Ergebnisse von Coding-Agenten auswirkt. Wenn du eine Codex-Oberfläche auswählst, hilft dir außerdem der Vergleich Codex CLI vs. Desktop-App vs. VS-Code-Erweiterung.

GPT-6.2 Sol ist der sinnvollste erste Test für alltägliche Programmierung und Agenten-Workflows. Astra ist die nächste Option für anspruchsvollere Implementierungen und Tests. Vergleiche vor dem Wechsel des Produktiv-Traffics die vollständigen Aufgabenkosten und prüfe alle Anforderungen der API-Migration.

Bereit, Ihren LLM-Workflow zu optimieren?

Verbinden Sie Modelle über eine API, verwalten Sie Schlüssel und behalten Sie KI-Kosten im Blick.

Kostenlos starten