Ergänzende Informationen für Zielgruppen
RAI unterstützt vor allem bei textbasierten Aufgaben, zum Beispiel beim Formulieren, Umstrukturieren, Zusammenfassen, Übersetzen oder beim Entwickeln von Ideen. RAI ist nur im Uni-Netz oder über VPN erreichbar.
RAI wird je nach Modell entweder bei der GWDG in Göttingen oder über Azure in einem anderen EU-Land betrieben. Eingaben werden nicht zum Training der KI genutzt. In Lehrveranstaltungen kann RAI – wo didaktisch sinnvoll – auch verpflichtend eingesetzt werden. Außerdem steht eine Gruppenchat-Funktion zur Verfügung.
Beispiel-Prompts für den Einstieg
RAI kann Sie im Arbeitsalltag unterstützen – als Sprachassistenz, Übersetzungshilfe oder beim schnellen Erfassen langer Dokumente. Die folgenden Beispiel-Prompts zeigen konkrete Einsatzmöglichkeiten für verschiedene Zielgruppen. Wichtig: Prüfen Sie KI-generierte Ergebnisse immer kritisch auf Richtigkeit. KI-Modelle können plausibel klingende, aber fehlerhafte Inhalte erzeugen (sog. Halluzinationen). Achten Sie außerdem vor jeder Eingabe auf die Vertraulichkeitsklasse Ihrer Daten (C1–C4).
„Überarbeite den folgenden Text sprachlich: Verbessere Grammatik, Satzbau und Verständlichkeit, ohne den Inhalt, meine Argumentation oder die Tonalität zu verändern. Markiere die Stellen, die du geändert hast. [Eigenen Text einfügen]"
Warum sinnvoll: Der Inhalt bleibt Ihrer – RAI hilft nur beim Feinschliff. Das ist vergleichbar mit einem Lektorat und einer der unkritischsten und gleichzeitig nützlichsten Einsatzfälle für KI.
Modellempfehlung: Für öffentliche oder interne Texte (C1–C2) eignet sich GPT-5 Mini über Azure. Enthält der Text vertrauliche Inhalte (C3, z. B. Gremienbeschlüsse, Personaldaten), nutzen Sie Mistral Large 2 oder GPT-OSS 120B über die GWDG. Für streng vertrauliche Informationen (C4) ist RAI nicht geeignet.
„Übersetze den folgenden deutschen Text in akademisches Englisch. Behalte Fachbegriffe bei und markiere Stellen, bei denen du unsicher bist, ob der Fachbegriff korrekt übersetzt ist. [Eigenen Text einfügen]"
Warum sinnvoll: Wissenschaftliche Übersetzungen sind zeitaufwändig und DeepL stößt bei Fachsprache an Grenzen. RAI kann einen soliden Erstentwurf liefern, der dann von Ihnen fachlich geprüft wird.
Modellempfehlung: Für öffentliche oder interne Texte (C1–C2): GPT-5 Mini über Azure (sehr gutes Englisch). Für vertrauliche Texte (C3, z. B. unveröffentlichte Forschungstexte): Gemma 3 27B über die GWDG (unterstützt über 140 Sprachen). Für streng vertrauliche Informationen (C4) ist RAI nicht geeignet.
„Fasse das folgende Dokument in maximal 10 Sätzen zusammen. Konzentriere dich auf: Kernaussagen, beschlossene Maßnahmen und offene Punkte. [Dokument einfügen]"
Warum sinnvoll: Im Arbeitsalltag müssen lange Protokolle, Richtlinien oder Berichte schnell erfasst werden. RAI spart Zeit bei der Erstorientierung – die Zusammenfassung sollte aber immer gegen das Original geprüft werden.
Modellempfehlung: Für öffentliche oder interne Dokumente (C1–C2): GPT-4.1 Mini über Azure (besonders schnell, gute Instruktionsbefolgung). Für vertrauliche Dokumente (C3, z. B. Gremiensitzungen, Personalthemen): GPT-OSS 120B oder Mistral Large 2 über die GWDG. Für streng vertrauliche Informationen (C4) ist RAI nicht geeignet.
„Formuliere den folgenden Entwurf einer E-Mail an [Zielgruppe, z. B. Studierende / internationale Partner] so um, dass der Ton freundlich und klar ist, aber alle Sachinformationen erhalten bleiben. [Eigenen Entwurf einfügen]"
Warum sinnvoll: Die Nachricht stammt von Ihnen – RAI hilft lediglich, sie zielgruppengerecht und verständlich zu formulieren. Besonders hilfreich bei mehrsprachiger Kommunikation oder wenn der richtige Ton schwer zu treffen ist.
Modellempfehlung: Enthält die E-Mail nur öffentliche Informationen (C1): jedes Modell geeignet. Enthält sie interne Inhalte ohne sensible Personenbezüge (C2): GPT-5 Mini über Azure. Enthält sie Namen mit persönlichem Feedback oder sensible Personalthemen (C3): Mistral Large 2 über die GWDG. Für streng vertrauliche Informationen (C4) ist RAI nicht geeignet.
„Ich erhalte folgenden Fehler beim Ausführen meines Python-Skripts: [Fehlermeldung einfügen]. Hier ist der relevante Codeabschnitt: [Code einfügen]. Erkläre mir, was den Fehler verursacht und wie ich ihn beheben kann."
Warum sinnvoll: Fehlermeldungen zu verstehen ist ein konkretes, abgrenzbares Problem, bei dem KI nachweislich gut helfen kann. Der Lerneffekt bleibt erhalten, weil die Erklärung das Verständnis fördert, statt die Lösung vorzukauen.
Modellempfehlung: Quellcode ist in der Regel öffentlich oder intern (C1–C2): GPT-4.1 Mini über Azure (speziell auf Coding optimiert, sehr schnell) oder O4 Mini für komplexere Probleme. Enthält der Code vertrauliche Forschungslogik (C3): R1 Reasoning LLM oder GPT-OSS 120B über die GWDG (sehr stark bei technischen Problemen). Für streng vertrauliche Informationen (C4) ist RAI nicht geeignet.
„Erstelle eine Version des folgenden Textes in einfacher Sprache (Sprachniveau B1), damit er auch für internationale Studierende oder Nicht-Muttersprachler gut verständlich ist. Der Inhalt muss vollständig erhalten bleiben. [Text einfügen]"
Warum sinnvoll: Barrierefreiheit und Verständlichkeit sind an einer internationalen Universität zentral. RAI kann helfen, bestehende Texte zugänglicher zu machen – ein klarer Mehrwert, der niemandem schadet.
Modellempfehlung: Für öffentliche Texte (C1, z. B. Webseitentexte): GPT-5 Mini über Azure. Für interne Dokumente (C2): ebenfalls Azure-Modelle geeignet. Für vertrauliche Texte (C3, z. B. Prüfungsordnungen): Gemma 3 27B oder Mistral Large 2 über die GWDG. Für streng vertrauliche Informationen (C4) ist RAI nicht geeignet.
Hintergrund: HAWKI und GWDG
HAWKI ist eine Open-Source-Plattform für generative KI, die an vielen Hochschulen eingesetzt wird. Entwickelt wurde HAWKI mit dem Ziel, Hochschulangehörigen einen niedrigschwelligen, didaktisch unterstützten Zugang zu generativer KI zu ermöglichen und den Austausch über sinnvolle Einsatzformen zu fördern. RAI nutzt eine HAWKI-2-Benutzeroberfläche.
In RAI werden zwei Modell-Backends angeboten: OpenAI-Modelle über Microsoft Azure in der EU sowie Open-Weight-Modelle, die auf Servern der Gesellschaft für wissenschaftliche Datenverarbeitung mbH Göttingen (GWDG) betrieben werden.
Modelle in RAI und Auswahlhilfe
In RAI stehen mehrere KI-Modelle zur Verfügung. Die Modelle unterscheiden sich in Leistung, zulässigem Datenumfang und Hosting.
- Azure (EU): OpenAI-Modelle, betrieben auf EU-Servern von Microsoft Azure (zulässig für Datenklassen C1–C2). Eingabedaten werden bei Microsoft für 30 Tage gespeichert.
- GWDG (Göttingen): Open-Weight-Modelle, betrieben auf Servern der GWDG (zulässig für Datenklassen C1–C3; für C3 ist eine dokumentierte Freigabe erforderlich).
Welche Informationen in welches System eingegeben werden dürfen, richtet sich nach Vertraulichkeitsklasse und Systemtyp. Bei Unsicherheit gilt der Restriktivfall: Bis zur Klärung nur öffentliche Inhalte (C1) verwenden. Für streng vertrauliche Informationen (C4) sind die im Portfolio verfügbaren KI-Systeme in der Regel nicht geeignet.
Die folgende Übersicht hilft Ihnen bei der Auswahl des für Ihren Anwendungsfall passenden Modells.
GPT-5.4 ist eine neuere Variante der GPT-5-Generation von OpenAI und wird über Azure (EU-Region) bereitgestellt. GPT-5.4 stellt eine weitere Verfeinerung der Fähigkeiten großer Sprachmodelle dar, wobei der Fokus auf verbessertem logischem Denken, multimodalem Verständnis und einer zuverlässigeren Verarbeitung langer Kontexte liegt. Es baut auf früheren GPT-5-Iterationen auf, indem es die faktische Konsistenz erhöht, Halluzinationen reduziert und eine bessere Tool-Integration für komplexe Arbeitsabläufe wie Codierung, Datenanalyse und agentenbasierte Systeme bietet. Dank effizienterer Inferenz und stärkerer Alignement-Mechanismen ist GPT-5.4 so konzipiert, dass es sowohl fortschrittliche Forschungsanwendungen als auch skalierbare, praxisnahe Implementierungen unterstützt.
Details:
- Entwickler / Land: OpenAI / USA
- Betrieb: Azure (EU)
- Datenklassen: Zulässig: C1–C2, nicht zulässig: C3–C4
- Kontext: 1M Eingabe, 128k Ausgabe
- Leistung Text: 2 – hoch
- Leistung Programmieren: 2 – hoch
- Leistung Bilder verstehen (Vision): aktuell nicht unterstützt (2 – hoch)
GPT-5 Mini ist eine kompakte Variante der GPT-5-Generation von OpenAI und wird über Azure (EU-Region) bereitgestellt. Das Modell bietet im Vergleich zu früheren GPT-4-Modellen deutlich verbesserte Argumentations-, Coding- und Textfähigkeiten bei geringeren Kosten und höherer Geschwindigkeit als das große GPT-5. Es eignet sich als Standard-Allrounder für längere Texte, Zusammenfassungen, Programmieraufgaben, Literaturarbeit und allgemeine Studien- oder Verwaltungsthemen in sehr gutem Englisch und sehr solidem Deutsch.
Details
- Entwickler / Land: OpenAI / USA
- Betrieb: Azure (EU)
- Datenklassen: Zulässig: C1–C2, nicht zulässig: C3–C4
- Kontext: 128 k Tokens (≈ 96 000 Wörter ≈ 320 Seiten)
- Leistung Text: 2 – hoch
- Leistung Programmieren: 2 – hoch
- Leistung Bilder verstehen (Vision): aktuell nicht unterstützt (2 – hoch)
O4 Mini ist ein dediziertes Reasoning-Modell von OpenAI, das besonders für Aufgaben mit vielen Rechenschritten entworfen wurde. Es ist kleiner und günstiger als frühere o-Modelle, erreicht aber in Mathematik, Programmierung und wissenschaftlichen Fragestellungen ein sehr hohes Leistungsniveau und nutzt intern ausführlichere Schritt-für-Schritt-Überlegungen. Damit eignet sich O4 Mini vor allem für komplexe Rechen- oder Logikaufgaben, Gutachtenentwürfe oder technische Analysen; für einfache Chats ist GPT-5 Mini meist schneller.
Details
- Entwickler / Land: OpenAI / USA
- Betrieb: Azure (EU)
- Datenklassen: Zulässig: C1–C2, nicht zulässig: C3–C4
- Kontext: 128 k Tokens (≈ 96 000 Wörter ≈ 320 Seiten)
- Leistung Text: 2 – hoch
- Leistung Programmieren: 2 – hoch
- Leistung Bilder verstehen (Vision): aktuell nicht unterstützt (2 – hoch)
GPT-OSS 120B ist ein offenes „open-weight“ Modell von OpenAI. Es ist auf starke Reasoning-Fähigkeiten und Agenten-Szenarien ausgelegt und erreicht auf vielen Benchmarks ein Niveau ähnlich zu O4 Mini, bleibt dabei aber vollständig lokal betreibbar. In dieser Plattform läuft GPT-OSS 120B auf Servern der GWDG in Göttingen, sodass alle Daten deren Infrastruktur nicht verlassen. Es ist besonders geeignet für rechenintensive Analysen, Planungs- und Coding-Aufgaben sowie Forschungsprojekte, bei denen Transparenz und Datensouveränität wichtig sind.
Details
- Entwickler / Land: OpenAI / USA
- Betrieb: GWDG
- Datenklassen: Zulässig: C1–C3, nicht zulässig: C4
- Kontext: 128 k Tokens (≈ 96 000 Wörter ≈ 320 Seiten)
- Leistung Text: 2 – hoch
- Leistung Programmieren: 2 – hoch
- Leistung Bilder verstehen (Vision): nicht unterstützt
Gemma 4 31B Instruct ist ein offenes Modell von Google, das auf der Gemini-Technologie basiert und Text- und Bildeingaben verarbeiten kann. Es verfügt über großes Kontextfenster und unterstützt über 140 Sprachen, wodurch es sich besonders für mehrsprachige Szenarien und die Kombination aus längeren Dokumenten und Abbildungen eignet. Beim tiefen mathematischen Reasoning liegen Modelle wie R1 oder GPT-OSS allerdings meist vorn.
Details
- Entwickler / Land: Google / USA
- Betrieb: GWDG
- Datenklassen: Zulässig: C1–C3, nicht zulässig: C4
- Kontext: 256 k Tokens
- Leistung Text: 2 – hoch
- Leistung Programmieren: 2 – hoch
- Leistung Bilder verstehen (Vision): 2 - hoch
Llama 3.1 8B ist ein kompaktes Sprachmodell von Meta, das als effizientes Modell für viele Standardaufgaben dient. Es ist für Dialoganwendungen und allgemeine Textverarbeitung optimiert, bietet ein großes Kontextfenster und sehr geringe Latenz, bleibt aber in komplexem Reasoning und anspruchsvollem Coding deutlich hinter größeren Modellen wie Mistral Large 2 oder GPT-OSS zurück. Aufgrund seiner Effizienz eignet es sich insbesondere für einfache Auskünfte, kurze Zusammenfassungen, erste Entwürfe oder Lehr-/Übungsszenarien mit vielen parallelen Anfragen.
Details
- Entwickler / Land: Meta / USA
- Betrieb: GWDG
- Datenklassen: Zulässig: C1–C3, nicht zulässig: C4
- Kontext: 128 k Tokens (≈ 96 000 Wörter ≈ 320 Seiten)
- Leistung Text: 1 – solide
- Leistung Programmieren: 0 – gering
- Leistung Bilder verstehen (Vision): nicht unterstützt
Mistral Large 2 ist das große Flaggschiff-Modell des französischen Unternehmens Mistral AI und wurde speziell für starke mehrsprachige Text-, Coding- und Reasoning-Fähigkeiten entwickelt. Es eignet sich für komplexe Analysen, längere wissenschaftliche Texte und anspruchsvolle Programmier-Tasks. Im direkten Vergleich liegt Mistral Large 2 meist zwischen den kleineren Modellen (Llama 3.1 8B) und den spezialisierten Reasoning-Modellen (R1, GPT-OSS) – mit einem guten Kompromiss aus Qualität und Geschwindigkeit.
Details
- Entwickler / Land: Mistral / Frankreich
- Betrieb: GWDG
- Datenklassen: Zulässig: C1–C3, nicht zulässig: C4
- Kontext: 128 k Tokens (≈ 96 000 Wörter ≈ 320 Seiten)
- Leistung Text: 1 – solide
- Leistung Programmieren: 1 – solide
- Leistung Bilder verstehen (Vision): nicht unterstützt
Dieses Modell von dem chinesischen Unternehmen DeepSeek ist speziell auf komplexes logisches Denken sowie mathematische und technische Aufgaben ausgelegt. In Benchmarks erreicht es sehr hohe Leistungen in Mathematik, Programmierung und Problemlösung. Es arbeitet am zuverlässigsten in Englisch und Chinesisch, Deutsch wird gut unterstützt, kann stilistisch aber schwächer ausfallen. R1 ist deutlich langsamer als die meisten anderen Modelle und kann bei politisch sensiblen Themen inhaltliche Voreingenommenheiten zeigen; es eignet sich daher vor allem für technisch-wissenschaftliche Fragestellungen mit hohem Reasoning-Anspruch.
Details
- Entwickler / Land: DeepSeek / China
- Betrieb: GWDG
- Datenklassen: Zulässig: C1–C3, nicht zulässig: C4
- Kontext: 32 k Tokens (≈ 24 000 Wörter ≈ 80 Seiten)
- Leistung Text: 3 – sehr hoch
- Leistung Programmieren: 3 – sehr hoch
- Leistung Bilder verstehen (Vision): nicht unterstützt
Hinweise für eine verantwortungsvolle Nutzung
- Vertraulichkeit
-
Vertraulichkeitsklasse prüfen und die passende Hosting-Variante wählen (Azure: C1–C2; GWDG: C1–C3, C3 nur mit dokumentierter Freigabe).
- Kennzeichnung
-
KI-Unterstützung kennzeichnen, wenn ein KI-System Inhalte in größerem Umfang mitgestaltet oder Inhalte ohne weitere Bearbeitung und Qualitätssicherung veröffentlicht werden (z. B. Webseite, offizielles Schreiben, Mail an Externe).
- Schulungen
-
Vor der dienstlichen Nutzung Schulungen absolvieren. Sie sensibilisieren für Bias, Diskriminierung und Halluzinationen sowie nachhaltige, digital-souveräne Nutzung.
- Fehlgriffe melden
-
Bei einem Fehlgriff (falsches System oder falsche Daten eingegeben) den Vorfall zeitnah an Datenschutz und Informationssicherheit melden.
Schulungen, Tutorials und Videos
Im Lernportal KI in ILIAS stehen Video-Tutorials und Schulungsangebote bereit. Vor der dienstlichen Nutzung sind Schulungen verpflichtend; nach Bestehen wird ein Zertifikat ausgestellt, das vor der dienstlichen Nutzung bei der oder dem Vorgesetzten vorzulegen ist.
Häufige Fragen zu RAI
Ja. RAI ist nur im Uni-Netz oder über VPN erreichbar. Wenn Sie sich außerhalb des Campus befinden, müssen Sie zunächst eine VPN-Verbindung herstellen. Den VPN-Client können Sie unter herunterladen. Eine Anleitung finden Sie auf der Webseite des TIK.
Das Eingabefeld für den Data Key in RAI (bzw. HAWKI 2) blockiert das Einfügen aus der Zwischenablage. Der Schlüssel muss daher manuell eingetippt werden – auch wenn Sie einen Passwortmanager verwenden. Wählen Sie deshalb einen Schlüssel, den Sie sich gut merken und auf verschiedenen Geräten leicht eintippen können. Bewahren Sie ihn zusätzlich in einem Passwortmanager auf, damit er nicht verloren geht. Eine Anpassung, die das Einfügen per Copy-and-Paste ermöglicht, ist vorgesehen und wird in einem kommenden Update ausgerollt.
Nach dem Login in das Eingabefenster klicken. Rechts wird das aktuell verwendete Modell angezeigt. Über den kleinen Pfeil neben dem Modellnamen lässt sich die Modellliste öffnen. GWDG-Modelle sind entsprechend gekennzeichnet (alle Bezeichnungen beginnen mit „GWDG"), Azure-Modelle mit „Microsoft Azure". Eine visuelle Darstellung finden Sie in den RAI Tutorials.
Das hängt von Ihrem Anwendungsfall und der Vertraulichkeit Ihrer Daten ab. Für sensible Daten (bis C3) nutzen Sie die GWDG-Modelle. Für allgemeine Aufgaben mit öffentlichen oder internen Daten (C1–C2) bieten die Azure/OpenAI-Modelle oft eine höhere Qualität und Geschwindigkeit. Einen detaillierten Überblick finden Sie im Abschnitt „Modellvergleich" auf dieser Seite.
Nein, die Nutzung ist für alle Universitätsangehörigen kostenfrei. Allerdings entstehen der Universität je nach Modell Kosten pro Nutzungseinheit. Bitte nutzen Sie RAI daher ressourcenschonend im Sinne des Fair-Use-Gedankens.
Das hängt von der Vertraulichkeitsklasse ab. Azure (EU) ist für C1–C2 vorgesehen. Die GWDG-Variante ist für C1–C3 vorgesehen; für C3 ist eine dokumentierte Freigabe erforderlich. Für C4 sind die im Portfolio verfügbaren KI-Systeme in der Regel nicht geeignet. Übersicht der Vertraulichkeitsklassen
Nein. Eingaben werden in RAI nicht zum Training genutzt – weder bei den GWDG-Modellen noch bei den Azure/OpenAI-Modellen.
In der Azure-(EU)-Variante werden Eingabedaten bei Microsoft für 30 Tage gespeichert. Bei den GWDG-gestützten Modellen erfolgt der Betrieb auf Servern der GWDG. Prompts und Chat-Inhalte werden dort nicht gespeichert.
Prüfen Sie zunächst, welche Art von Daten betroffen ist. Wurden personenbezogene oder vertrauliche Daten (C2 oder höher) in ein ungeeignetes System eingegeben, informieren Sie zeitnah Ihre vorgesetzte Person und melden Sie den Vorfall an den Datenschutzbeauftragten sowie an die Stabsstelle Informationssicherheit. Eine schnelle Meldung hilft, Risiken zu begrenzen und den Vorfall korrekt zu behandeln. Bei rein öffentlichen Inhalten (C1) ist in der Regel keine Meldung erforderlich.
Ihre Chats in RAI werden clientseitig verschlüsselt gespeichert. Beim ersten Login legen Sie einen persönlichen Schlüssel fest. Wählen Sie einen leicht zu merkenden Schlüssel, da dieser auf anderen Geräten oder im privaten Browsermodus manuell eingegeben werden muss. Ein Zurücksetzen des Schlüssels ist möglich, führt aber zum Verlust aller gespeicherten Chats.
Ja, wenn ein KI-System Inhalte in größerem Umfang mitgestaltet (z. B. Textentwurf) oder wenn KI-generierte Inhalte ohne weitere Bearbeitung veröffentlicht werden (z. B. Webseite, offizielles Schreiben, Mail an Externe).
Bei sehr geringem Einsatz (z. B. einzelne Formulierungsvorschläge) ist keine Kennzeichnung erforderlich. Bei Antworten an Studierende oder Externe muss die Nutzung eines KI-Systems erkennbar sein. Diese Regelung gilt für alle KI-Systeme, nicht nur RAI. Details finden Sie in der KI-Richtlinie.
Ja. Für die dienstliche Nutzung von KI-Systemen – und damit auch von RAI – ist eine Pflichtschulung vorgesehen. Sie vermittelt Grundlagen zu Vertraulichkeitsklassen, Systemtypen und der KI-Richtlinie der Universität und sensibilisiert unter anderem für Bias, Diskriminierung und Halluzinationen. Nach Bestehen wird ein Zertifikat ausgestellt, das vor der dienstlichen Nutzung bei der oder dem Vorgesetzten vorzulegen ist. Die Schulungsangebote finden Sie im Lernportal KI in ILIAS. Hintergrund ist unter anderem die EU-KI-Verordnung (Art. 4), die Mindeststandards in KI-Kompetenz für alle Beschäftigten vorsieht, die mit KI-Systemen arbeiten.
RAI unterstützt in ausgewählten Modellen das Verstehen und Analysieren von Bildern und PDFs (Vision). Bildgenerierung ist in RAI derzeit nicht verfügbar. Für Bildgenerierung oder andere spezialisierte Aufgaben können Sie auf weitere freigegebene Tools aus der Whitelist zurückgreifen.
Ja, RAI bietet eine Exportfunktion für Chats. Beim PDF-Export können derzeit vereinzelt Formatierungsprobleme auftreten (z. B. abgeschnittene Zeilen). An einer Lösung wird gearbeitet.
Derzeit ist kein persönlicher API-Zugang verfügbar. Die Kapazitäten der Plattform sind begrenzt und eine individuelle Anbindung (z. B. an VS Code oder eigene Anwendungen) ist aktuell nicht möglich. Uns ist bewusst, dass ein API-Zugang sehr gefragt ist – das Thema hat hohe Priorität und es wird aktiv daran gearbeitet. Sobald ein API-Zugang verfügbar ist, wird dies bekannt gegeben.
RAI funktioniert am besten in Chrome und Firefox. Bei Safari kann es gelegentlich zu Darstellungsproblemen kommen. Ein Neuladen der Seite (Page-Reload) hilft oft als Workaround. Falls Probleme bestehen bleiben, versuchen Sie es mit einem anderen Browser.
Insbesondere Reasoning-Modelle (z. B. O4 Mini, R1) benötigen mehr Rechenzeit und können bei komplexen Anfragen Timeouts verursachen. Versuchen Sie in diesem Fall, den Prompt kürzer oder weniger komplex zu formulieren, oder wechseln Sie zu einem Allround-Modell wie GPT-5 Mini. Falls das Problem wiederholt auftritt, wenden Sie sich an den Support.
Das ist ein bekanntes Problem. Wenn eine Anfrage noch läuft und parallel ein neuer Chat geöffnet wird, können Antworten im falschen Chat erscheinen oder Darstellungsfehler auftreten. Schließen Sie in diesem Fall den Chat und starten Sie einen neuen.