Wer kann das tun: Teammitglieder
Welche Preispläne: Free, Starter, Business, Enterprise
Welche Plattformen: Browser, Desktop, Mobil
Wenn du KI-Aktionen mit Miro Flows und KI-Kollegen ausführst, ermöglicht dir Eigenes Modell auswählen (Beta), das für die Aufgabe am besten geeignete Large-Language-Model (LLM) auszuwählen.
Zum Beispiel kannst du bei der Bildgenerierung entscheiden, ob du Stable Diffusion 3.5 Large oder Gemini 2.5 Flash Image (Nano Banana) verwenden möchtest.
Deine Wahl kann vom Detaillierungsgrad oder der Komplexität deiner Aufgabe abhängen.
💡 Miro Flows und KI-Kollegen haben für jede Aufgabe ein voreingestelltes LLM. Wenn du nicht sicher bist, welches Modell du wählen sollst, ist das voreingestellte Modell ein guter Anfang. Das voreingestellte Modell ist mit dem Label „Empfohlen“ gekennzeichnet.
Der Modellwähler ist nur als Teil von Miro Flows und KI-Kollegen in den folgenden Bereichen verfügbar:
- Dokumente und Bildformate in KI-Kollegen und Miro Flows
- Hauptlogik der KI-Kollegen
- Anweisungsblock in Miro Flows
Dieser Artikel erklärt, wie du in Miro Flows und KI-Kollegen ein eigenes Modell auswählst und enthält Informationen, die dir bei der Auswahl eines LLM für gängige Aufgaben helfen.
Eigenes Modell auswählen
Flows
Docs, Bilder und Anweisungsblöcke in einem Flow haben jeweils ein Prompt-Feld, in dem du dein eigenes Modell auswählen kannst.
Gehe dazu wie folgt vor:
- Füge ein Doc, ein Bild oder einen Anweisungsblock zum Canvas hinzu.
- Um die Liste der verfügbaren Modelle aufzurufen, klicke oben rechts im Prompt-Feld auf den Namen des Standardmodells. Zum Beispiel
AWS | Claude 3.5. - Wähle ein Modell aus.
Mehr dazu, wie du Flows und die Flows UX erstellst, findest du unter Flows.
KI-Kollegen
Beim Erstellen oder Bearbeiten von KI-Kollegen siehst du den Abschnitt Model (advanced), und du kannst auswählen, welches Modell du für die Verarbeitung durch KI-Kollegen, die Bilderzeugung und die Doc-Erstellung verwenden möchtest.
Weitere Informationen zu KI-Kollegen findest du in der Dokumentation zu KI-Kollegen.
Wie sich Modelle unterscheiden
Ein großes Sprachmodell (LLM) gehört normalerweise zu einer Modellfamilie, die leistungsfähige, aber ressourcenintensive Modelle, optimale Modelle und die schnellsten, aber weniger leistungsfähigen Modelle umfasst.
Zum Beispiel umfasst die GPT-5-Familie GPT-5, GPT-5-mini und GPT-5-nano.
Die schnellsten, aber am wenigsten leistungsfähigen Modelle sind ideal, wenn geringe Latenz erforderlich ist.
Reasoning und non-reasoning
Ein Hauptunterscheidungsmerkmal zwischen LLMs ist, ob es sich um Reasoning- oder Non-Reasoning-Modelle handelt.
Reasoning bedeutet, dass das Modell mehr Zeit benötigt, um eine qualitativ hochwertigere Antwort zu liefern.
✏️ Reasoning bedeutet nicht immer das genaueste Ergebnis. Wenn du viele Iterationen der Ausgabe brauchst, ist ein hohes Reasoning möglicherweise nicht am effizientesten.
Bei komplexen Aufgaben, wie dem Erstellen kundenorientierter Dokumente, Priorisierung oder Aufgaben, die die Verarbeitung großer Informationsmengen erfordern, ist ein Reasoning-Modell die beste Wahl.
Bei einfachen Aufgaben wie Grammatikprüfung, Übersetzung oder Umformatierung von Text ist ein Non-Reasoning-Modell am effizientesten.
Die folgende Tabelle zeigt einige Reasoning- und Non-Reasoning-Modelle.
| Reasoning-Fähigkeit | Modelle |
|---|---|
| Reasoning | GPT-5, GPT-5-mini, GPT-5-nano, Claude Sonnet 4, Claude Sonnet 4.5, Gemini 2.5, Gemini 2.5 Flash, o3, o4-mini |
| Non-Reasoning | GPT 4o, GPT-4o-mini, GPT-4.1, GPT-4.1-mini, Claude Sonnet 3.7, Claude Sonnet 3.5, Gemini 2.5 Flash Lite |
Stil
Jedes LLM hat einen einzigartigen „Stil“. Wenn du verschiedene Modelle ausprobierst, stellst du vielleicht fest, dass ein bestimmter Ausgabestil deinen Anforderungen entspricht, sei es fürs Branding, die gewünschte Stimmung oder persönliche Vorlieben.
💡 Ältere Modelle haben einen markanteren Stil, besonders bei kreativen, unkonventionellen Ergebnissen.
KI-Modell nach Aufgabe auswählen
| Aufgabe | Modelle | Beschreibung |
|---|---|---|
| Brainstorming | GPT-4o, o3, o4-mini, Sonnet 3.7 | Ideal für divergentes Denken, kreative Ideenblitze für Features, spielerischer Ton und "kreativer Vorsprung." Nutze es, um Text zu erstellen, z. B. alternative Überschriften und Microcopy-Varianten. |
| Priorisierung & Bewertung | GPT-5, Claude Sonnet 4.5, Gemini 2.5 | Die besten Reasoning-Modelle für konsistente Bewertungen und klare Begründungen. Zum Beispiel RICE/MoSCoW im Backlog, Abwägungsdokumente und Roadmap-Stufen. |
| Synthese & Research | GPT-5, GPT-5-mini, Claude Sonnet 4.5, GPT-4.1, Claude Sonnet 3.7, Gemini 2.5 Flash | Für mittel- bis sehr komplexe Aufgaben. Zum Beispiel Personas aus Notizen erstellen und Erkenntnisse aus Daten und Wissensdatenbanken ableiten. |
| Schema & Transformation | GPT-5-mini, GPT-5-nano, GPT-4.1, Sonnet 3.7, Gemini 2.5 Flash, Gemini 2.5 Flash Lite | Formatänderungen erfordern meist kein komplexes Reasoning, daher liefern optimierte Versionen schneller Ergebnisse, aber bleib bei neueren Modellfamilien, um Konsistenz bei großen Kontexten zu gewährleisten. Notizen → Dokumente, Dokument → datable, Spezifikation → Diagramm) |
| Schnelle Textbearbeitungen | GPT-4o-mini, Gemini 2.5 Flash Lite, GPT-5-nano, Claude 3.7 | Die schnellsten Optionen. Am besten für einfache Textbearbeitungen wie Grammatik, Übersetzung und Umformulierungen zur Klarheit. |
Modelle für die Bildgenerierung auswählen
Alle großen Sprachmodelle (LLM), die Miro unterstützt, können Text und Bilder verarbeiten. Die meisten können jedoch keine Bilder erstellen.
Für die Bildgenerierung ist Gemini 2.5 Flash Image (Nano Banana) außerordentlich gut darin, deine allgemeinen Anweisungen in ein Bild umzusetzen.
Die meisten LLMs erwarten eine Bildbeschreibung, keine spezifischen Anweisungen. Zum Beispiel „a painting of a dog in a funny hat“ als Beschreibung versus „create a funny image of dog“ als Anweisung. Nano Banana kann Bilder auf Basis konkreter Anweisungen erstellen.
✏️ Nutze Nano Banana für gezielte Bearbeitungen an einem vorhandenen Bild. Andere Modelle können ein vorhandenes Bild als Stilvorlage verwenden.
Was Geschwindigkeit oder Ausgabequalität angeht, unterscheiden sich LLMs kaum. Wie bei jedem Anwendungsbeispiel kannst du mit verschiedenen Modellen experimentieren, um herauszufinden, welches am besten zu deinen Vorlieben passt.