Code Models

Die Preisgestaltung bei Code-Generierung folgt demselben Per-Token-Modell wie allgemeiner Text. Flagship-Code-Modelle (GPT-5 Codex, Claude 4.6 Sonnet, Codestral) kosten 1–10 € pro Million Input-Tokens; Budget-Stufen (Codestral Mamba, DeepSeek Coder, Qwen Coder) kosten 0,05–0,50 € pro Million. Eine einzelne IDE-Autocomplete-Anfrage läuft selten über wenige Tausend Input-Tokens, der Aufruf-Preis liegt also bei Bruchteilen eines Cents. Die Rechnungen wachsen, wenn du Agenten ausspielst, die sich pro Aufgabe Dutzende Male selbst neu prompten.

Das Trade-off-Dreieck heißt Korrektheit, Geschwindigkeit und Kontext. Flagships lösen schwierigere Probleme und folgen Projektkonventionen zuverlässiger, antworten aber mit 30–80 Tokens/Sekunde — innerhalb einer engen Autocomplete-Schleife fühlt sich das langsam an. Schnelle Budget-Modelle (Codestral Mamba, GPT-5 Mini) streamen mit 200+ Tokens/Sekunde und fühlen sich im Editor nativ an. Für Batch-Aufgaben (refactor ein ganzes Repo, generiere Tests für fünfzig Dateien) gewinnt Flagship-Korrektheit. Für enge Autocomplete-Schleifen gewinnt die schnelle Stufe.

Achte auf datei-übergreifenden Kontext: Die meisten Autocomplete-Schleifen senden nur die aktuelle Datei. Für echtes codebasis-bewusstes Refactoring brauchst du eine Retrieval-Schicht, die verwandte Dateien in den Prompt zieht. Tools wie Cursor und Continue machen das automatisch; wenn du es selbst baust, embedde zuerst die Codebase und hol pro Anfrage die fünf bis zehn relevantesten Dateien.

Achte auf Lizenzkontamination: Einige Open-Weights-Code-Modelle wurden ausschließlich auf permissiv lizenziertem Code trainiert, andere haben GPL-Code mit unklaren Weiterverbreitungs-Bedingungen mitgenommen. Wenn du generierten Code in einem Closed-Source-Produkt ausspielst, bevorzuge kommerzielle Modelle mit expliziten Lizenz-Garantien für den Code.

Die Top-Picks oben decken das Korrektheits-Flagship, das günstigste Arbeitspferd, das Long-Context-Modell und die schnellste Autocomplete-Option ab.