Gemini 3 Deep Think: Denkaufgaben verlässlich prüfen
Gemini3 Team · 7. August 2026 · 4 min read
Eine schwierige Aufgabe kann von zusätzlichem Reasoning profitieren. Der Name eines Modus beweist jedoch weder seine konkrete Konfiguration noch die Richtigkeit der Antwort. Klären Sie zuerst, welches Produkt und Modell Sie verwenden und wie das Ergebnis überprüft werden kann.
Dieser Leitfaden setzt weder einen Deep-Think-Schalter in MidassAI Chat voraus noch erklärt er Googles gleichnamiges Produktangebot und die API-Einstellung thinking_level für gleichwertig.
Produkt, Einstellung und Werkzeug unterscheiden
Die Dokumentation zum Gemini-Reasoning beschreibt modellabhängige API-Steuerungen. Daraus folgt nicht, dass eine fremde Chatoberfläche dieselben Funktionen anbietet. Auch ein ähnlich benannter Menüpunkt belegt keine identische API-Konfiguration.
Notieren Sie sichtbaren Modellnamen, dokumentierten Modus und Datum. Ohne genaue Angaben können Sie die Oberfläche als Ganzes bewerten, aber keinen kontrollierten Vergleich von Reasoning-Budgets behaupten. Ebenso ist das Besprechen von Code etwas anderes als dessen Ausführung; eine vorgeschlagene Recherche ist noch keine tatsächlich durchgeführte Suche.
Eine überprüfbare Aufgabe vorbereiten
Geeignet sind Aufgaben mit beobachtbaren Erfolgskriterien: eine Funktion mit einem fehlschlagenden Test, ein Quellenvergleich oder ein Plan mit klaren Kapazitätsgrenzen. Legen Sie die Prüfung vor dem ersten Prompt fest.
Halten Sie notwendige Belege, unerlaubte Annahmen, Ausgabeformat und fehlende Informationen fest. Eine überzeugend formulierte Antwort ist kein Ersatz dafür. Bei fachlichen Entscheidungen sollte das Modell Material und Fragen strukturieren; ausführliches Reasoning bestätigt weder rechtliche Gültigkeit noch finanzielle Eignung.
Ein reproduzierbares Code-Review durchführen
Stellen Sie den kleinsten relevanten Codeausschnitt, die Fehlermeldung und benötigte Umgebungsinformationen bereit. Entfernen Sie Zugangsdaten. Beschreiben Sie beobachtetes und erwartetes Verhalten, damit der Vorschlag nicht auf einer erfundenen Anforderung beruht.
Prüfe diese Funktion anhand der folgenden Kriterien. Schlage die kleinste notwendige Änderung vor. Erkläre kurz das geänderte Verhalten und nenne einen Test, der den Vorschlag widerlegen könnte. Behaupte keine Codeausführung. Frage nach fehlendem Kontext, bevor du andere Teile veränderst.
Vergleichen Sie den Patch mit dem Original und führen Sie geeignete Tests in Ihrer Umgebung aus. Prüfen Sie auch bisher funktionierendes Verhalten. Modellgenerierte Tests können dieselbe falsche Annahme wie der generierte Code enthalten.
Aussagen an Quellen überprüfen
Kennzeichnen Sie Dokumente mit stabilen Namen und behalten Sie Seitenzahlen oder Abschnittstitel bei. Verlangen Sie eine Trennung zwischen direktem Beleg und Schlussfolgerung.
Verwende nur Dokument A und B. Liste widersprüchliche Aussagen mit Quellenname, auffindbarer Stelle und kurzer Erläuterung auf. Schreibe „nicht angegeben“, wenn eine Quelle den Punkt nicht behandelt. Trenne Empfehlungen von extrahierten Informationen.
Öffnen Sie die genannten Stellen. Eine erfundene Fundstelle macht das Ergebnis unzuverlässig, auch wenn die Erklärung plausibel klingt. Ist ein Upload nicht lesbar, verwenden Sie einen gekennzeichneten Auszug. Das Hochladen allein beweist nicht, dass ein Dokument korrekt verarbeitet wurde.
Ausgangswert und Alternative vergleichen
Beginnen Sie mit der dokumentierten Vorgabe. Ändern Sie anschließend nur den verfügbaren Reasoning-Regler. Quellen, Prompt, Werkzeuge und Erfolgskriterien bleiben unverändert. Wiederholen Sie schwierige Fälle, bevor Sie Aussagen über Konsistenz machen.
Erfassen Sie Modell und Einstellung, Prüfergebnis, kontrollierte Belege, Wartezeit, Korrekturaufwand und Fehlerursache. Diese Felder sind ein Versuchsprotokoll, keine Benchmarkdaten. Eine bestimmte Antwortdauer beweist nicht, wie tief ein Modell gedacht hat.
Den zusätzlichen Aufwand begründen
Mehr Reasoning ist interessant, wenn die Ausgangskonfiguration wiederholt Wechselwirkungen übersieht oder Quellen nicht sauber abgleicht. Prüfen Sie vorher, ob Eingaben vollständig und lesbar sind. Ein anderer Modus repariert keine fehlende Information.
Für einfache Überarbeitung oder Extraktion reicht möglicherweise eine weniger aufwendige Einstellung. Entscheiden Sie anhand beobachteter Fehler und des gesamten Arbeitsaufwands. Wortreichtum, Selbstsicherheit und eine angezeigte Begründung sind keine Richtigkeitsnachweise.
Speichern Sie Aufgabenbeschreibung, Prüfliste und typische Fehler. Stellen Sie diesen Kontext in neuen Sitzungen erneut bereit, statt dauerhafte Erinnerung vorauszusetzen. Nutzen Sie in MidassAI nur tatsächlich verfügbare Modelle und Werkzeuge; Ergebnisse lassen sich bei Bedarf manuell in eigene Notizen übernehmen. Wiederholen Sie den Vergleich nach einem Modell- oder Produktwechsel.