logo
Lumi

Die KI-Modelle hinter Lumi

Lumi arbeitet mit führenden KI-Modellen von Anthropic, OpenAI und Google. Statt jede Anfrage an dasselbe Modell zu schicken, wählt Smart Routing das Modell, das zu Ihrer Anfrage und zum aktuellen Stand Ihres Projekts passt, und nutzt dabei den Modell-Cache so weit wie möglich wieder. So erledigt jedes Modell die Aufgaben, die es am besten kann, und Sie sparen Chat-Guthaben.

So funktioniert Smart Routing

Versteht Ihre Anfrage

Vor jeder Antwort ermittelt Lumi, worum es geht: eine kleine Text- oder Stiländerung, eine neue Funktion, ein großes Refactoring oder die Planung von etwas Neuem.

Wählt das passende Modell

Anhand der Aufgabe und des aktuellen Kontexts, etwa angehängter Bilder, des Plan-Modus oder eines noch ungelösten Problems, wählt Lumi das Modell, das am besten dafür geeignet ist.

Nutzt den Modell-Cache wieder

Wenn Sie am selben Projekt weiterarbeiten, bleibt Lumi möglichst bei dem Modell, das Ihr Projekt bereits im Cache hat, und muss nicht alles erneut lesen. Antworten kommen schneller und verbrauchen weniger Chat-Guthaben. Ist ein Modell nicht erreichbar, wechselt Lumi automatisch zu einem Ersatzmodell.

Modelle, mit denen Lumi arbeitet

Stand: November 2026.

Anthropic

Claude Fable 5.1

Das leistungsstärkste Modell von Anthropic, gemacht für das schwierigste logische Denken und lange, mehrstufige Programmieraufgaben.

Claude Opus 5.5

Stark bei komplexer Frontend-Arbeit und mehrstufigen Änderungen in großen Codebasen.

Claude Sonnet 5.5

Ausgewogen und zuverlässig im Umgang mit Werkzeugen, gut geeignet für komplexe Funktionen und größere Refactorings.

OpenAI

GPT-6 Astra

Das leistungsstärkste Modell von OpenAI, ausgelegt auf tiefes logisches Denken bei schwierigen Problemen.

GPT-6.1 Sol

Stark beim logischen Denken, Planen und bei schwieriger Fehlersuche und damit gut geeignet für den Plan-Modus.

GPT-6.1 Terra

Schnelles logisches Denken mit großem Kontextfenster und Bildverständnis.

Google

Gemini 4 Argon

Das leistungsstärkste Modell von Google, mit großem Kontextfenster und starkem multimodalem Verständnis.

Die Modelle im Vergleich

Wofür sich jedes Modell am besten eignet. Alle Modelle können rund 1 Million Token Kontext auf einmal verarbeiten. Kimi K3.1 Pro und Gemini 4 Carbon sind nur zum Vergleich aufgeführt.

ModellAnbieterAm besten fürIn Lumi
Claude Fable 5.1AnthropicDas schwierigste logische Denken und lange, mehrstufige ProgrammieraufgabenJa
Claude Opus 5.5AnthropicKomplexe Frontend-Arbeit und große CodebasenJa
Claude Sonnet 5.5AnthropicZuverlässiger Umgang mit Werkzeugen für komplexe Funktionen und RefactoringsJa
GPT-6 AstraOpenAITiefes logisches Denken bei schwierigen ProblemenJa
GPT-6.1 SolOpenAIPlanung und schwierige FehlersucheJa
GPT-6.1 TerraOpenAISchnelles logisches Denken und BildverständnisJa
Gemini 4 ArgonGoogleGroßes Kontextfenster und multimodales VerständnisJa
Kimi K3.1 ProMoonshot AIModell mit offenen Gewichten, stark beim Programmieren und 3D-ModellierenZum Vergleich
Gemini 4 CarbonGoogleLang laufende Aufgaben und Cybersicherheit, wird schrittweise freigegebenZum Vergleich

Häufig gestellte Fragen

Kann ich das Modell selbst wählen?

Das ist nicht nötig. Lumi wählt für jede Anfrage automatisch das passende Modell, sodass Sie sich ganz darauf konzentrieren können, was Sie bauen möchten.

Welches KI-Modell ist am besten zum Programmieren?

Das hängt von der Aufgabe ab. Claude Opus 5.5 und Claude Fable 5.1 sind stark bei Frontend-Arbeit und großen Codebasen, GPT-6.1 Sol beim Planen und bei der Fehlersuche und Gemini 4 Argon bei großem Kontext und Bildern. Bei Lumi müssen Sie nicht selbst wählen: Smart Routing wählt für jede Anfrage das passende Modell.

Wie spart Lumi mein Chat-Guthaben?

Der Verbrauch hängt vom Modell und vom Aufwand einer Anfrage ab. Lumi nutzt den Modell-Cache so weit wie möglich wieder. Projektinhalte, die ein Modell bereits gelesen hat, werden nicht erneut verarbeitet, und weitere Anfragen im selben Projekt verbrauchen weniger Guthaben.

Warum nutzt Lumi nicht ein Modell für alles?

Jedes Modell hat andere Stärken bei Programmierung, logischem Denken, Bildverständnis und Geschwindigkeit. Wer das Modell an die Aufgabe anpasst, erzielt bessere Ergebnisse als mit einem einzelnen Modell.