---
term: "Scratchpad"
slug: "scratchpad"
glossar_id: "G185"
variants: []
category: "reasoning-und-test-time-compute"
marker: ""
short: "Arbeitsbereich für Zwischenschritte vor der finalen Antwort."
sources:
  - label: "Nye et al.: Scratchpads"
    url: "https://arxiv.org/pdf/2112.00114"
  - label: "OpenAI: Reasoning Models"
    url: "https://developers.openai.com/api/docs/guides/reasoning"
  - label: "Anthropic: Faithfulness von Reasoning"
    url: "https://www.anthropic.com/research/reasoning-models-dont-say-think"
status: "entwurf"
updated: "2026-09-21"
---

Ein Scratchpad ist bei Sprachmodellen ein Arbeitsbereich aus erzeugten Zwischenschritten, der vor der endgültigen Antwort verwendet wird. [Nye et al.: Scratchpads](https://arxiv.org/pdf/2112.00114) In der ursprünglichen Forschungsarbeit besteht er aus zusätzlichen Tokens, die beispielsweise Zwischenrechnungen oder Zustände einer Programmausführung darstellen. [Nye et al.: Scratchpads](https://arxiv.org/pdf/2112.00114)

## Zwischenergebnisse im Kontext halten

Die bereits erzeugten Angaben bleiben als Text im Kontext verfügbar, sodass das Modell bei späteren Schritten darauf zurückgreifen kann. [Nye et al.: Scratchpads](https://arxiv.org/pdf/2112.00114) Ein Scratchpad kann damit genauer strukturiert sein als eine frei formulierte Erklärung. [Nye et al.: Scratchpads](https://arxiv.org/pdf/2112.00114)

Bei einer Programmausführung beschreibt die Arbeit beispielsweise, welche Codezeile ausgeführt wurde und welche Werte die Variablen anschließend besitzen. [Nye et al.: Scratchpads](https://arxiv.org/pdf/2112.00114) Bei schriftlicher Addition können Zwischensummen und Überträge festgehalten werden. [Nye et al.: Scratchpads](https://arxiv.org/pdf/2112.00114)

Die Studie untersucht sowohl Training mit solchen Zwischenzuständen als auch Fälle, in denen ein vortrainiertes Modell entsprechende Beispiele im Prompt erhält. [Nye et al.: Scratchpads](https://arxiv.org/pdf/2112.00114) „Scratchpad“ bezeichnet deshalb nicht automatisch ein Verfahren ohne Training.

## So kannst du dir das vorstellen

Du prüfst hypothetisch einen kleinen Bestandsablauf: Anfangs sind zehn Teile vorhanden, vier werden entnommen, anschließend kommen sechs hinzu. Ein schematischer Arbeitszettel könnte so aussehen:

```text
Anfangsbestand: 10
Nach Entnahme von 4: 6
Nach Zugang von 6: 12
Endbestand: 12
```

Die Zwischenstände machen sichtbar, auf welchem Zustand der nächste Schritt aufbaut. Das ist ein selbst entworfenes Rechenbeispiel, kein Ausführungsprotokoll eines getesteten Modells.

## Arbeitszettel ist nicht Gedächtnisgarantie

Die Scratchpad-Arbeit weist darauf hin, dass die Zwischenaufzeichnungen in das verfügbare Generierungsfenster passen müssen. [Nye et al.: Scratchpads](https://arxiv.org/pdf/2112.00114) Umfangreiche Abläufe können entsprechend lange Spuren erzeugen. [Nye et al.: Scratchpads](https://arxiv.org/pdf/2112.00114)

Ob eine Anwendung solche Inhalte überhaupt zeigt, ist eine separate Frage: Manche Schnittstellen geben interne Reasoning-Tokens nicht direkt aus, sondern ermöglichen nur Zusammenfassungen. [OpenAI: Reasoning Models](https://developers.openai.com/api/docs/guides/reasoning) Eine sichtbare Denkzusammenfassung sollte daher nicht mit einem vollständigen Scratchpad oder einem lückenlosen Innenprotokoll gleichgesetzt werden. [OpenAI: Reasoning Models](https://developers.openai.com/api/docs/guides/reasoning) [Anthropic: Faithfulness von Reasoning](https://www.anthropic.com/research/reasoning-models-dont-say-think)

## Verwandte Begriffe

**Chain of Thought**, **Reasoning Tokens**, **Kontextfenster**, **Test-Time Compute**, **Memory**.