Warum ich mich geweigert habe, Nutzer an ein einziges Modell zu binden
Viele KI-Code-Builder wählen ein Modell für dich aus und lassen dich dabei. Du bekommst, worauf sich der Anbieter festgelegt hat, und musst um dessen Schwächen herumarbeiten. Das Problem ist simpel: Kein einzelnes Modell ist in allem am besten. Ein Modell, das saubere React-Komponenten schreibt, erstellt vielleicht schlampige Datenbankschemas. Ein Modell, das komplexe Backend-Logik beherrscht, generiert möglicherweise überladene, überentwickelte Frontends.
Deshalb hat VULK 24 Modelle, von Anthropic, OpenAI, Google, DeepSeek, Moonshot (Kimi) und Z.ai (GLM). Du wählst das Modell pro Generierung oder pro Nachricht. Das ist kein Gimmick – es ist ein praktisches Werkzeug, das Qualität, Geschwindigkeit und Kosten dessen, was du baust, direkt beeinflusst.
Es macht dich außerdem unabhängig von einem einzelnen Anbieter. Erscheint ein neues Modell, kann es in den Katalog aufgenommen werden. Fällt ein Anbieter aus, wechselst du zu einem anderen Modell und arbeitest weiter. Die KI-Landschaft entwickelt sich zu schnell, um alles auf ein einziges Unternehmen zu setzen.
Die 24 Modelle, nach Aufgabe gruppiert
Jedes Modell in der Auswahl trägt eine kurze Notiz, wofür es gedacht ist. Hier ist der ganze Katalog, nach diesen Notizen gruppiert.
Premium-Reasoning für anspruchsvolle Projekte und 3D – GPT-6.1 Sol, GPT-6.1 Sol Pro und GPT-6 Astra (OpenAI), dazu GPT-6 Astra Pro mit Reasoning auf Pro-Niveau für komplexe Projekte. Zu dieser Gruppe greife ich, wenn ein Projekt groß ist, viele bewegliche Teile hat oder um eine 3D-Szene herum gebaut ist.
Spitzenqualität für produktive Apps – Claude Opus 5.5 und Claude Opus 5 (Anthropic). Wenn eine App an echte Nutzer geht und ich den sorgfältigsten Durchgang will, nehme ich diese.
Premium- und tiefes Reasoning – Claude Fable 5.1 für anspruchsvolle Projekte und Claude Fable 5 für die schwierigsten Builds (Anthropic). Sie sind für Probleme, die durchdacht werden müssen: ein subtiler Fehler, ein verworrenes State-Modell, ein Refactoring, das alles berührt.
Hohe Codequalität für komplexe Apps – Claude Sonnet 5 und Claude Sonnet 5.5 (Anthropic). Mein üblicher Startpunkt für eine Full-Stack-App mit echter Geschäftslogik, Authentifizierung und Datenbank.
Schlussfolgern und Refactoring mit langem Kontext – Kimi K3 (Moonshot) und GLM 5.3 Prime (Z.ai). Für den Moment, in dem das Projekt gewachsen ist und eine Änderung viel vorhandenen Code lesen muss, bevor sie etwas anfasst.
Programmieren im Alltag – GPT-5.6 Sol, das Standardmodell für vollständige Projekte; GPT-5.6 Terra Pro für solide Alltagsprogrammierung zum mittleren Preis; und GPT-5.6 Sol Pro für mehrstufige Builds (OpenAI).
Schnelle Iterationen mit großem Kontext – Gemini 3.8 Flash und Gemini 3.7 Flash (Google) sowie GLM 5.3 FlashX (Z.ai). Kurze Wartezeiten, während du Ideen ausprobierst.
Offene Gewichte, guter Preis, 1-Mio.-Kontext – DeepSeek V4.1 Flash und DeepSeek V4 Pro. Modelle mit offenen Gewichten, viel Platz für Code im Kontext und niedrigen Kosten.
Schnell und günstig für gezielte Änderungen – GPT-6 Luna, GPT-6 Luna Pro und GPT-5.6 Luna (OpenAI) sowie Claude Haiku 5.5 (Anthropic). Für die kleinen Änderungen: ein Label, eine Farbe, ein Abstand. Dafür gibt es keinen Grund, ein Premium-Modell einzusetzen.
Wenn du nicht selbst wählen willst, lass die Auswahl auf „Automatisch“, und VULK wählt ein Modell für deinen Prompt.
Welche Modelle zu welchem Plan gehören
Jeder Plan enthält den ganzen Katalog, GPT-6 Astra und Claude Fable 5.1 eingeschlossen. Auf Builder (25 €/Monat) laufen die Modelle mit geringerem Reasoning-Aufwand; Pro (50 €/Monat) und höher lassen jedes Modell mit vollem Reasoning-Aufwand laufen.
Wie sich die Modellwahl in deinem Code bemerkbar macht
Die Unterschiede sind nicht abstrakt. Sie zeigen sich in dem, was generiert wird, und genau darauf achte ich, wenn ich zwei Modelle mit demselben Prompt vergleiche:
Architektur und Struktur. Liegen Hilfsfunktionen, Typen und Hooks in eigenen Dateien, oder steckt alles in wenigen großen? Beides funktioniert, aber das eine braucht deutlich weniger Refactoring, wenn das Projekt wächst.
Fehlerbehandlung. Hat die erste Generierung schon Ladezustände, Error Boundaries und Edge Cases, oder nur den Happy Path?
Visuelles Design. Gute Abstände, Typografie und Farbbeziehungen von Anfang an, oder zuerst Funktion und der Feinschliff in einem weiteren Prompt?
Backend-Code. Eine password_hash-Spalte (nicht password), parametrisierte SQL-Abfragen, Validierung bei jedem Schreibzugriff und Auth-Middleware. Abkürzungen bei der Sicherheit kosten hier später am meisten.
Kosten. Ein Max-Modell für jede Nachricht summiert sich. Ein schnelles, günstiges Modell für kleine Änderungen hebt deine Credits für die Arbeit auf, die sie braucht.
Weil du pro Nachricht wechseln kannst, findest du es für dein Projekt am schnellsten durch Ausprobieren heraus: Lass denselben Prompt auf zwei Modellen laufen und vergleiche, was zurückkommt.
Meine praktischen Empfehlungen
Hier ist das Entscheidungsframework, das ich tatsächlich verwende:
„Ich brauche eine Full-Stack-App in Produktionsqualität.“ Starte mit Claude Sonnet 5.5, dem Standard auf Builder. Claude Opus 5.5, ebenfalls auf Builder, ist genau dafür gebaut: Spitzenqualität für produktive Apps.
„Ich baue etwas Anspruchsvolles oder etwas in 3D.“ Verwende GPT-6.1 Sol oder GPT-6 Astra. Beide sind für Premium-Reasoning bei anspruchsvollen Projekten und 3D da.
„Ich iteriere schnell an kleinen Änderungen.“ Verwende GPT-6 Luna oder Claude Haiku 5.5. Sie sind schnell und günstig, und genau das brauchen gezielte Änderungen.
„Ich probiere schnell Ideen aus.“ Verwende Gemini 3.8 Flash. Schnelle Iterationen, mit einem großen Kontext, der das ganze Projekt im Blick behält.
„Mein Projekt ist gewachsen und braucht ein Refactoring.“ Verwende Kimi K3 oder GLM 5.3 Prime für Reasoning mit langem Kontext, oder DeepSeek V4 Pro, wenn du einen 1-Mio.-Kontext zu niedrigen Kosten willst.
„Ich hänge am schwierigsten Teil fest.“ Verwende Claude Fable 5.1 oder Claude Fable 5. Tiefes Reasoning ist genau ihr Zweck, und auf Pro und höher laufen sie mit vollem Reasoning-Aufwand.
„Ich baue etwas Einfaches oder lerne gerade.“ Verwende GPT-5.6 Sol oder DeepSeek V4.1 Flash. Sie schaffen vollständige Projekte zu moderaten Kosten, und deine Credits reichen länger.
„Ich baue ein Spiel.“ Starte die erste Generierung mit GPT-6.1 Sol (Three.js-Spiele haben viele miteinander verbundene Systeme) und wechsle dann für schnelle Anpassungen zu einem schnellen Modell wie GPT-6 Luna.
Modelle mitten im Projekt wechseln
Das ist ein Workflow, dessen Möglichkeit die meisten nicht kennen, und eine der nützlichsten Funktionen in VULK.
- Generiere die erste App mit Claude Sonnet 5.5 (hohe Codequalität).
- Wechsle für schnelle UI-Iterationen zu Gemini 3.8 Flash (schnell, großer Kontext).
- Wechsle für kleine Anpassungen zu GPT-6 Luna (schnell und günstig).
- Wechsle für Backend und Authentifizierung zurück zu Claude Sonnet 5.5 oder zu Claude Opus 5.5.
Jede Nachricht ist unabhängig. Das Modell liest den vorhandenen Code und deinen neuen Prompt und generiert anschließend die Änderungen. Es muss nicht dasselbe Modell sein, das den ursprünglichen Code geschrieben hat. Setze die Premium-Modelle dort ein, wo Qualität zählt, und die günstigen dort, wo sie keine große Rolle spielt.
Modellauswahl und dein Prompt
Dein Prompt zählt bei jedem Modell. Die Grundlagen gelten: Sei spezifisch, beschreibe das Layout, liste die Features auf und gib das Datenmodell an. Das Modell bestimmt die Qualitätsobergrenze, aber dein Prompt entscheidet darüber, wie nahe du an sie herankommst.
Teurer bedeutet für deine konkrete Aufgabe nicht immer besser. Claude Opus 5.5 gehört zur Max-Stufe, aber für eine einfache Landingpage liefert GPT-6 Luna zu einem Bruchteil der Kosten vollkommen gute Ergebnisse. Stimme das Modell auf die Aufgabe ab, nicht auf deine Wünsche.
Warum das langfristig wichtig ist
Die Modelllandschaft verändert sich schnell. Ständig erscheinen neue Modelle, bestehende werden besser und die Preise verschieben sich. Der Katalog von VULK bewegt sich mit: Die 24 Modelle darin sind alle neuer als die, über die ich geschrieben habe, als dieser Beitrag zum ersten Mal erschien. Der Multi-Modell-Ansatz bedeutet, dass du nie an ein Modell gebunden bist, das veraltet – du wechselst zum nächsten, ohne die Plattform zu wechseln.
Deshalb habe ich die Modellauswahl als Kernfunktion und nicht als nachträglichen Zusatz entwickelt. Das richtige Modell für dein Projekt heute ist vielleicht in sechs Monaten nicht mehr das richtige. Du solltest niemals die Plattform wechseln müssen, um an bessere KI zu kommen. Alle 24 Modelle findest du auf vulk.dev.
