Die besten Modelle für Pi Coding Agent hängen von der Aufgabe ab: Starten Sie mit Claude Sonnet 5.5 für alltägliches Coding oder mit GPT-6.1 Sol als OpenAI-Option. Probieren Sie Claude Opus 5.5 bei schwierigem Debugging, vergleichen Sie MiniMax M3 und DeepSeek V4.1 Flash für Routinearbeit, und testen Sie Qwen3.8 27B, wenn der Code auf Ihrem Rechner bleiben muss.

Pi ist ein erweiterbares Agent-Harness, das in Ihrem Terminal läuft. Das Harness verwaltet die Konversation und die Tools; das Modell entscheidet, welche Dateien gelesen, welche Befehle ausgeführt und was geändert wird. Mit Pi können Sie Modelle innerhalb dieses Workflows wechseln und sie auf demselben Repository vergleichen – statt sich an zusammenhangslosen Bestenlisten zu orientieren.

Modell-IDs und Verfügbarkeit wurden am 14. Oktober 2026 gegen den Haimaker-Katalog geprüft. Die Empfehlungen kombinieren aktuelle Provider-Informationen mit einer kleinen, unabhängigen Pi-Evaluation. Wir haben keinen neuen Haimaker-Benchmark dieser Modelle in Pi durchgeführt.

Mit welchem Modell sollten Sie in Pi starten?

Beginnen Sie mit Sonnet 5.5 oder GPT-6.1 Sol bei einer Aufgabe, die Sie bereits verifizieren können. Halten Sie den Tool-Zugriff und den Repository-Zustand konstant, und vergleichen Sie dann einen Kandidaten mit kleinem Budget bei derselben Aufgabe. Wechseln Sie zu Opus, wenn das günstigere Modell einen fehlgeschlagenen Ansatz wiederholt oder zu viel manuelle Korrektur erfordert.

Pi-WorkloadModell zum AusprobierenHaimaker-Modell-IDKompromiss
Alltägliche Änderungen, Tests und Repository-ArbeitClaude Sonnet 5.5anthropic/claude-sonnet-5-5Höhere Kosten pro Token als günstigere Optionen
Coding und Planung mit einem OpenAI-ModellGPT-6.1 Solopenai/gpt-6.1-solReasoning-Aufwand und Gesamt-Tokens vergleichen
Schwieriges Debugging oder unklare AnforderungenClaude Opus 5.5anthropic/claude-opus-5-5Höhere Token-Raten; benötigt möglicherweise weniger Versuche
Routinemäßiges Coding mit kleinem BudgetMiniMax M3minimax/minimax-m3Tool-Argumente und Wiederherstellung nach Fehlern testen
Günstige HintergrundaufgabenDeepSeek V4.1 Flashdeepseek/deepseek-v4.1-flashRetries und Latenz können niedrige Raten aufwiegen
Ein weiterer Vergleich mit kleinem BudgetGLM-5.3 Flashz-ai/glm-5.3-flashLange Ausgaben und gesamte Aufgabenzeit prüfen
Recherche und große DokumenteingabenGemini 3.8 Flashgoogle/gemini-3.8-flashGroße Eingabekapazität erfordert dennoch Antwortverifizierung
Schwierige Recherche und ReasoningGemini 4 Argongoogle/gemini-4-argonNeuer kostenpflichtiger Kandidat, fehlt in der Pi-Evaluation unten

Anthropics Modellübersicht beschreibt die aktuellen Claude-Stufen. OpenAIs Sol-Dokumentation behandelt die Coding- und Agent-Rolle, und Googles Modellliste deckt die Gemini-Optionen ab. Diese Beschreibungen helfen bei der Erstellung einer Shortlist; einen Gewinner für Ihre Codebasis ermitteln sie nicht.

Dies ist derselbe aufgabenbasierte Ansatz, den wir in unserem Hermes-Modell-Leitfaden verwenden. Pis Konfiguration, Modellwechsel und Thinking-Steuerung unterscheiden sich, verwenden Sie daher das Pi-Setup unten, anstatt eine Hermes-Konfiguration zu kopieren.

Was zeigen tatsächliche Pi-Coding-Vergleiche?

Eine kleine Pi-Evaluation stützt das Testen von Sonnet, Sol und Opus, bevor man annimmt, dass ein günstigeres Modell schneller oder günstiger abschließt. Sie zeigt auch, dass mehr Reasoning zusätzliche Prüfungen und Tool-Aufrufe hinzufügen kann, ohne die Abschlussrate bei einer einfachen Aufgabe zu verbessern. Der aussagekräftige Vergleich ist die abgeschlossene Arbeit – einschließlich fehlgeschlagener Versuche und Prüfzeit.

Ibragim Badertdinovs persönliche Coding-Evaluation verwendete 10 Aufgaben mit 3 Durchläufen pro Konfiguration. Die Ergebnisse vom 30. September lauten:

Modell und AufwandErfolgsrate im EinzeldurchlaufAngegebene Zeit pro Aufgabe
Sonnet 5.5, hoch100 %46 Sekunden
GPT-6.1 Sol, mittel100 %1 Minute 7 Sekunden
Opus 5.5, niedrig100 %37 Sekunden
DeepSeek V4.1 Flash, max93,3 %4 Minuten 30 Sekunden
GLM-5.3 Flash, max96,7 %7 Minuten 1 Sekunde

Dies sind die Ergebnisse des Autors, nicht unsere. Die Methodik beschreibt klar definierte Aufgaben aus der Arbeit des Autors, automatisierte Prüfungen und API-Zugang. Die Aufgaben bleiben privat, und die Ergebnisse verwendeten Pi 0.85.1, nicht die aktuelle Pi-1.x-Version. Gleiche Erfolgsquoten bedeuten auch nicht gleiche Codequalität.

Der Vergleich zeigt, dass es sich lohnt, sowohl den Reasoning-Aufwand als auch das Modell zu testen. Opus mit niedrigem Aufwand schloss diese kleine Suite schneller ab als die anderen gezeigten Konfigurationen. Das bedeutet nicht, dass niedriger Aufwand für eine schwierige Migration ausreicht. Führen Sie die Aufgabe unter ihren realen Bedingungen aus und prüfen Sie dann, ob zusätzliches Reasoning den Patch verändert oder nur wiederholte Prüfungen hinzufügt.

Für Ihren eigenen Vergleich protokollieren Sie erfolgreichen Abschluss, falsche Tool-Argumente, Retries, verstrichene Zeit und die finale Rechnung. Unser Coding-Agent-API-Kostenleitfaden erklärt, warum Token-Raten allein die falsche Antwort liefern können.

Wie verbinden Sie Pi mit diesen Modellen?

Verwenden Sie Haimaker Connect, um Pi zu verbinden, ohne die Provider-Konfiguration von Hand zu schreiben. Installieren Sie zuerst Pi, und führen Sie dann Connect aus, um die nativen Dateien zu konfigurieren und die Verbindung zu verifizieren.

Für eine Neuinstallation verwendet Pis Quickstart das aktuelle npm-Paket unten und erfordert Node.js 22.19 oder neuer:

npm install -g --ignore-scripts @earendil-works/pi-coding-agent
pi --version

Empfohlen: Haimaker Connect

Führen Sie den Setup-Assistenten aus und wählen Sie Pi:

npx -y @haimaker/connect

Für Pi mit der obigen Sonnet-Empfehlung wählen Sie beide explizit aus:

npx -y @haimaker/connect --pi --model anthropic/claude-sonnet-5-5
pi --provider haimaker --model anthropic/claude-sonnet-5-5

Connect öffnet eine Browser-Anmeldung oder verwendet ein vorhandenes HAIMAKER_API_KEY. Es schreibt den Haimaker-Provider in models.json, speichert den Schlüssel in Pis auth.json und verifiziert eine Anfrage. Pi sendet dann Anfragen direkt an Haimaker. Siehe die Connect-Paketdokumentation für Optionen.

Ohne --model konfiguriert Connect haimaker/auto. Verwenden Sie ein benanntes Modell für Vergleiche, damit das Routing das Modell zwischen Anfragen nicht ändert. Connect schreibt einen einzelnen Modelleintrag; verwenden Sie die manuelle Konfiguration unten, um mehrere Kandidaten in Pis Picker zu behalten. Es sichert vorhandene Dateien, schreibt aber models.json als JSON ohne Kommentare um.

Verwenden Sie Haimaker Connect, um Pi zu konfigurieren, und vergleichen Sie dann Modelle bei derselben Repository-Aufgabe.

PI MIT HAIMAKER VERBINDEN

Manuelle Konfiguration: Mehrere Modelle im Picker behalten

Setzen Sie Ihren Schlüssel in der Shell, die Pi startet:

export HAIMAKER_API_KEY=your-haimaker-key

Fügen Sie diesen Provider zu ~/.pi/agent/models.json hinzu. Fügen Sie ihn in ein vorhandenes providers-Objekt ein, falls bereits eines existiert:

{
  "$schema": "https://pi.dev/schemas/models.schema.json",
  "providers": {
    "haimaker": {
      "baseUrl": "https://api.haimaker.ai/v1",
      "api": "openai-completions",
      "apiKey": "${HAIMAKER_API_KEY}",
      "models": [
        {
          "id": "anthropic/claude-sonnet-5-5",
          "name": "Claude Sonnet 5.5",
          "reasoning": true,
          "input": ["text", "image"],
          "contextWindow": 1000000,
          "maxTokens": 128000
        },
        {
          "id": "openai/gpt-6.1-sol",
          "name": "GPT-6.1 Sol",
          "reasoning": true,
          "input": ["text", "image"],
          "contextWindow": 922000,
          "maxTokens": 128000
        },
        {
          "id": "minimax/minimax-m3",
          "name": "MiniMax M3",
          "reasoning": true,
          "input": ["text", "image"],
          "contextWindow": 1000000,
          "maxTokens": 128000
        }
      ]
    }
  }
}

Die obigen Limits beschreiben den geprüften Haimaker-Katalog, der sich von der direkten API eines Providers unterscheiden kann. Pi akzeptiert Umgebungsvariablen-Interpolation in Provider-Anmeldedaten; siehe den Modell-Konfigurationsleitfaden. Beginnen Sie mit einer begrenzten Aufgabe, bevor Sie einen großen Repository-Kontext senden.

Wählen Sie das Modell mit beiden Bezeichnern aus:

pi --provider haimaker --model anthropic/claude-sonnet-5-5

Öffnen Sie innerhalb von Pi /model, um ein anderes konfiguriertes Modell auszuwählen. Der Picker lädt models.json neu. Benutzerdefinierte Preis-Metadaten werden in diesem Beispiel weggelassen, da sich Raten ändern; prüfen Sie die Provider-Rechnung, anstatt eine nicht konfigurierte Session-Kostenanzeige als gemessenen Null-Kosten-Lauf zu behandeln.

Ein bereits vorhandenes Provider-Konto

Für einen integrierten Provider führen Sie /login aus und folgen Sie Pis Authentifizierungsablauf, dann wählen Sie ein Modell mit /model. Pis Provider-Referenz listet API-Schlüssel-Variablen und providerspezifische Optionen auf. Ein Abonnement und ein abgerechneter API-Schlüssel können unterschiedlichen Zugang und unterschiedliche Abrechnung haben – verwenden Sie daher die Verbindungsmethode, die Ihr Konto tatsächlich unterstützt.

Wie sollten Sie Denkstufen einstellen und Modelle wechseln?

Halten Sie Modellwahl und Denk-Aufwand als separate Variablen. Verwenden Sie für den ersten Vergleich einen moderaten Aufwand, sofern unterstützt, und erhöhen Sie ihn dann bei einer Aufgabe, die mehr Reasoning erfordert. Pi beschränkt Level auf die Fähigkeiten des gewählten Modells. Vergleichen Sie Token-Nutzung und Fertigstellung bei der Wahl des Aufwands; Provider interpretieren dasselbe Level unterschiedlich.

Pis CLI-Referenz unterstützt ein explizites Modell und Aufwand:

pi --provider haimaker --model openai/gpt-6.1-sol --thinking medium

In einer interaktiven Session ändert /thinking den Aufwand und /scoped-models wählt die Modelle, die Sie mit Ctrl+P durchwechseln. Beginnen Sie mit 2 Modellen in diesem Zyklus: einem Kandidaten für Routinearbeit und einer stärkeren Alternative. Fügen Sie ein weiteres nur hinzu, wenn es einen wiederkehrenden Fehler löst. Speichern Sie einen Start-Standard aus dem Modell-Picker mit Ctrl+S.

Werden Modelle manuell gewechselt, bleibt die Auswahl jederzeit nachvollziehbar. Haimakers haimaker/auto routet auf der API-Seite. Für Routing innerhalb von Pi verwenden Sie virtuelles Modell-Routing über Erweiterungen. Konfigurieren und testen Sie diese Erweiterung separat. Mehrere Einträge in models.json geben Ihnen auswählbare Modelle; die Liste wählt nicht zwischen ihnen.

Pi trennt auch Coding-Modelle von Classifier- und Bildmodellen. Die aktuelle Dokumentation listet GPT-6 Luna über die Decisions API als Classifier, der von Codemode verwendet wird – nicht den Haupt-Konversations-Picker. Prüfen Sie die API und Rolle des Modells, wenn Sie einer Community-Empfehlung folgen, besonders einer, die auf einer älteren Pi-Version basiert.

Welche lokalen Modelle lohnen sich mit Pi?

Vergleichen Sie Qwen3.8 27B, Muse Glimmer 30B und Qwen3 Coder 30B, wenn Sie Workstation-Speicher haben und lokale Inferenz möchten. Verwenden Sie Gemma 4 E4B oder Qwen3 8B auf kleineren Maschinen. Prüfen Sie, ob das lokale Modell Pis Tools korrekt verwendet und sich nach einem fehlgeschlagenen Befehl erholt.

Pi hat eine dokumentierte llama.cpp-Router-Integration für GGUF-Modelle. Wenn Sie bereits Ollama verwenden, konfigurieren Sie dessen separaten OpenAI-kompatiblen Endpunkt. Laden Sie ein Modell herunter, das auf Ihre Maschine passt, und fügen Sie dann dessen exakten Tag zu models.json hinzu:

ollama pull qwen3.8:27b

{
  "providers": {
    "ollama": {
      "baseUrl": "http://localhost:11434/v1",
      "api": "openai-completions",
      "apiKey": "ollama",
      "models": [
        {
          "id": "qwen3.8:27b",
          "name": "Qwen3.8 27B local",
          "reasoning": true,
          "input": ["text", "image"],
          "contextWindow": 32768,
          "maxTokens": 8192
        }
      ]
    }
  }
}

Der Platzhalter-Schlüssel lässt Pi die Authentifizierung für den lokalen Provider auflösen; Ollama ignoriert ihn. Fügen Sie diesen Provider neben jeder Cloud-Konfiguration hinzu und wählen Sie ihn dann aus:

pi --provider ollama --model qwen3.8:27b

Qwen3.8s Ollama-Listing zeigt einen Download von etwa 18 GB, vor Kontextzustand und Laufzeitpuffern. Eine 24-GB-GPU oder eine Maschine mit 32 GB+ Unified Memory ist ein Ausgangspunkt für eine begrenzte Session. Der 32K-Kontext in diesem Beispiel ist eine konservative Starteinstellung, keine Garantie für eine passende Größe. Für kleinere Maschinen und andere Kandidaten siehe unseren Ollama-Coding-Modell-Leitfaden.

Lokale Inferenz hält die Prompts des Modells auf Ihrem Rechner. Externe Tools können dennoch Daten an andere Orte senden, und ein Modell mit einem cloud-Tag verwendet gehostete Inferenz. Prüfen Sie sowohl den Endpunkt als auch die aktivierten Tools, wenn Sie Code privat halten wollen.

Häufig gestellte Fragen

Kann ich das Modell wechseln, ohne meine Pi-Session zu verlieren?

Ja. Verwenden Sie /model, um das Modell in einer bestehenden Pi-Session zu wechseln. Pi protokolliert Modell- und Denkstufenänderungen, und beim Fortsetzen werden diese wiederhergestellt. Verwenden Sie /scoped-models, um die Modelle festzulegen, die Sie mit Ctrl+P durchwechseln können.

Warum erscheint mein benutzerdefiniertes Modell nicht in Pi?

Prüfen Sie, ob Pi die Provider-Anmeldedaten auflösen kann und ob die Modell-ID in models.json enthalten ist. Eine Umgebungsvariable muss im Prozess vorhanden sein, der Pi startet. Classifier- und Bildmodelle verwenden separate Tools und erscheinen nicht im Hauptauswahlmenü von /model.

Unterstützt Pi Haimaker und lokale Ollama-Modelle?

Ja. Verwenden Sie npx -y @haimaker/connect —pi, um Haimaker über Pis native Dateien zu konfigurieren, oder fügen Sie den Provider manuell in ~/.pi/agent/models.json hinzu. Ollama verwendet einen separaten lokalen Provider unter http://localhost:11434/v1 mit dem exakten lokalen Modell-Tag.

Beginnen Sie mit einer verifizierten Repository-Aufgabe, halten Sie Pis Tools und Kontext konstant, und vergleichen Sie zwei Modelle. Behalten Sie das Modell, das die Aufgabe korrekt mit weniger Wartezeit und Review-Aufwand abschließt. Wiederholen Sie diesen Vergleich, wenn eine neue Version einen Fehler behebt, der bei Ihnen tatsächlich auftritt.