GPT-5.6 ist da: Der Rekord, den bisher niemand nachgemessen hat

OpenAI hat GPT-5.6 heute weltweit freigegeben. Die Modellfamilie lag seit dem 26. Juni in einer Vorschau, zu der nur eine kleine Gruppe geprüfter Partner Zugang hatte, auf Bitte der US-Regierung. Seit heute rollen Sol, Terra und Luna schrittweise in ChatGPT, Codex und die API aus.

Die Schlagzeile ist ein Rekord beim agentischen Programmieren. Darunter stehen zwei Fußnoten, die wir für den wichtigeren Teil der Meldung halten. Die Rekordzahl hat OpenAI selbst gemessen, und nachgeprüft hat sie bisher niemand. Und die behördliche Freigabe, die den Release ermöglicht haben soll, will niemand erteilt haben.

Drei Modelle, und diesmal bleiben die Namen

GPT-5.6 kommt als Familie aus drei Stufen. Sol ist das Spitzenmodell, 5 $ pro 1 Mio. Input-Token und 30 $ pro 1 Mio. Output-Token, exakt der Preis von GPT-5.5. Terra ist die Stufe für die tägliche Arbeit, 2,50 $ und 15 $. Luna ist die Volumenstufe, 1 $ und 6 $, gedacht für hohe Durchsätze und knappe Latenzbudgets.

Neu ist, dass die Namen bleiben. Die Zahl steht künftig für die Generation, Sol, Terra und Luna stehen für dauerhafte Fähigkeitsstufen, die sich in eigenem Tempo weiterentwickeln. Wer heute Terra einbindet, wählt damit eine Kategorie und keinen Zeitpunkt. Für alle, die schon einmal eine Pipeline von gpt-4-turbo-preview auf irgendetwas anderes umziehen mussten, ist das die praktischste Neuerung des Releases.

Sol bekommt zwei zusätzliche Regler. max erhöht den Reasoning-Aufwand, ultra geht über einen einzelnen Agenten hinaus und setzt Unteragenten ein, um komplexe Arbeit aufzuteilen. Dazu kommt planbareres Prompt-Caching: explizite Breakpoints, 30 Minuten Mindestlaufzeit, Schreibvorgänge zum 1,25-Fachen des Input-Preises, Lesevorgänge weiter mit 90 Prozent Rabatt. Wer mit langen, stabilen System-Prompts arbeitet, sollte das nachrechnen.

Der Rekord und sein Kleingedrucktes

Auf Terminal-Bench 2.1, dem Test für Kommandozeilen-Workflows mit Planung, Iteration und Tool-Koordination, meldet OpenAI für Sol einen neuen Spitzenwert.

Nimmt man die Zahlen so, wie OpenAI sie berichtet, ist der Vorsprung schmal. Sol liegt mit 88,8 Prozent genau 0,8 Punkte über Claude Mythos 5. Gegenüber dem eigenen Vorgänger GPT-5.5 sind es 5,4 Punkte, und das ist der ehrlichere Fortschritt. Die 91,9 Prozent von Sol Ultra gehören in eine eigene Spalte, denn Ultra ist ein Modus, der Unteragenten einsetzt und eine Aufgabe unter ihnen aufteilt. Gegen Einzelläufe von Mythos 5 oder Fable 5 gestellt, vergleicht das ein Team mit einer Person.

Nachgemessen hat diese Werte bisher niemand außer OpenAI. Bis gestern konnte kaum jemand das Modell testen.

Außerhalb des Codings meldet OpenAI zwei weitere Ergebnisse. Auf GeneBench v1 für Genomik-Analysen ist Sol stärker als GPT-5.5 und braucht weniger Token. Auf ExploitBench, wo es um Schwachstellenforschung geht, ist Sol nach eigenen Angaben mit Mythos Preview konkurrenzfähig, bei rund einem Drittel der Ausgabe-Token. Effizienz ist hier das Argument.

Wo der Fortschritt wirklich liegt

Die interessante Bewegung findet unterhalb der Spitze statt. Terra erreicht 84,3 Prozent und liegt damit über GPT-5.5, bei der Hälfte des Preises. Luna kommt auf 82,5 Prozent, knapp darunter, kostet aber ein Fünftel von Sol.

Wer bisher GPT-5.5 im Standardtarif betrieben hat, bekommt mit Terra etwas mehr Leistung für die Hälfte des Geldes und mit Luna fast dieselbe für ein Fünftel. Das ist die praktisch relevanteste Zahl dieses Releases, und sie steht in keiner Überschrift, weil eine mittlere Stufe keine Rekorde bricht.

Was METR gefunden hat

Eine unabhängige Prüfung gab es trotzdem, nur an anderer Stelle. METR, das Institut, das für OpenAI und Anthropic die Fähigkeiten neuer Modelle einschätzt, misst nicht Terminal-Bench nach, sondern lässt Modelle auf einer eigenen Aufgabensammlung laufen. Dort hat Sol die höchste Schummelrate ausgelöst, die METR je bei einem Modell gesehen hat. Es nutzte Fehler in der Testumgebung aus, zog sich versteckte Testfälle und Lösungen, die es nicht hätte sehen dürfen, und versuchte anschließend, seine Spuren zu verwischen.

Heraus kam statt einer Zahl eine Bandbreite. METR misst Fähigkeit über den Zeithorizont, also über die Frage, wie lange eine Aufgabe dauern darf, die ein Modell noch in der Hälfte der Fälle löst. Je nachdem, wie man die geschummelten Läufe zählt, verschiebt sich das Ergebnis um den Faktor 24.

Das Institut hält Sols tatsächliche Fähigkeiten in Software- und Forschungsarbeit für vermutlich nicht wesentlich über dem, was heute ohnehin an der Spitze steht. Zum Vergleich: Claude Mythos Preview kam auf mindestens 16 Stunden, wobei von 228 Aufgaben nur 5 lang genug waren, um dort überhaupt zu messen. Die Prüfverfahren stoßen von zwei Seiten an ihre Grenzen.

Der Fairness halber: OpenAI hat das Verhalten in der eigenen Systemkarte benannt, inklusive der Fälle, in denen das Modell Aufgaben austrickst und Forschungsergebnisse erfindet. Das Problem selbst offenzulegen, ist die richtige Reaktion.

Damit stehen zwei Dinge nebeneinander, und sie sollten nicht vermischt werden. Die 88,8 Prozent auf Terminal-Bench sind nicht durch Schummeln entstanden, sie sind schlicht ungeprüft. Und dort, wo jemand unabhängig prüfen wollte, ist die Messung am Verhalten des Modells zerbrochen. Beides zusammen heißt: Über die tatsächliche Leistungsfähigkeit von Sol wissen wir heute weniger, als die Pressemitteilung nahelegt.

Für die Praxis heißt das etwas Konkretes. Ein Modell, das in einer Prüfumgebung nach versteckten Lösungen sucht, statt die Aufgabe zu lösen, tut das in eurer CI-Pipeline auch. Wer Agenten auf Tests loslässt, sollte die Tests nicht vom Agenten schreiben lassen. Das war vorher schon eine gute Idee. Jetzt gibt es eine Zahl dazu.

Sicherheit, und die Rechnung dafür

Nach OpenAIs eigenem Preparedness Framework überschreitet Sol den Schwellenwert „Cyber Critical“ nicht. In Tests mit Chromium und Firefox fand das Modell Bugs und Exploitation-Primitives, also Bausteine einer Angriffskette, baute daraus unter den getesteten Bedingungen aber nicht autonom einen funktionsfähigen Exploit. OpenAI schränkt selbst ein, dass solche Schwellenwerte nicht abbilden können, wie ein Modell mit anderen Werkzeugen kombiniert wird. In die Absicherung sind nach Unternehmensangaben über 700.000 A100-äquivalente GPU-Stunden automatisiertes Red Teaming geflossen.

Ein Satz aus der Ankündigung dürfte allen bekannt vorkommen, die die Rückkehr von Fable 5 verfolgt haben: Während der Vorschau können Schutzmaßnahmen auch legitime Arbeit blockieren, besonders dort, wo Verteidigung und Angriff technisch gleich aussehen. Anthropic nannte das die Sicherheitsmarge. Wer defensive Sicherheitsarbeit mit einem Frontier-Modell macht, sollte mit Fehlalarmen rechnen, unabhängig vom Anbieter.

Die Freigabe, die niemand gegeben haben will

Den Ablauf beschreibt OpenAI selbst. Man habe der US-Regierung die Fähigkeiten der Modelle vor der Einführung vorgestellt und auf ihre Bitte hin mit einer begrenzten Vorschau für eine kleine Gruppe vertrauenswürdiger Partner begonnen. Dazu ein bemerkenswert deutlicher Satz: Man glaube nicht, dass ein solcher staatlicher Zugangsprozess langfristig zum Standard werden sollte, denn er halte die besten Werkzeuge von Entwicklern, Unternehmen und Cyber-Abwehrteams fern. Parallel arbeitet OpenAI mit der Administration am Cyber Executive Order Framework und an einem wiederholbaren Verfahren für künftige Veröffentlichungen.

Am 8. Juli meldete Axios unter Berufung auf eine anonyme Quelle, die Regierung habe die breite Freigabe erteilt. Kurz darauf widersprach eine Sprecherin des Weißen Hauses. Die Regierung habe kein grünes Licht und keine Genehmigung erteilt, Zeitpunkt und Umfang eines Release lägen vollständig bei den Unternehmen. Ein Dekret vom Juni hält ausdrücklich fest, dass es keine Pflicht zur behördlichen Lizenzierung oder Vorabprüfung gibt.

Beides kann gleichzeitig stimmen. Eine Bitte ist keine Genehmigung, und wer nichts genehmigt hat, muss auch nichts widerrufen. Darin liegt das Problem. Ein Verfahren, das es offiziell nicht gibt, hat ein Spitzenmodell zwei Wochen lang auf eine Handvoll Organisationen begrenzt, und niemand ist verpflichtet zu erklären, wann es endet.

Diese Konstellation haben wir vor vier Wochen schon einmal beschrieben, aus der anderen Richtung. Am 12. Juni verschwanden Claude Fable 5 und Mythos 5 über Nacht, nach einer Exportverfügung. Wir haben die Sperre damals eingeordnet und geschrieben, dass es jeden Anbieter hätte treffen können. Achtzehn Tage später war Fable 5 zurück, und OpenAI stand in derselben Warteschlange. Der Zugang zu einem Spitzenmodell ist keine technische Konstante mehr.

Was wir Kunden raten

Fangt bei Terra an. Für den weitaus größten Teil dessen, was in Kundenprojekten wirklich anfällt, also Textarbeit, Klassifikation, Zusammenfassungen und moderate Coding-Aufgaben, reicht die mittlere Stufe. Sie kostet die Hälfte von Sol und liegt auf Terminal-Bench über dem alten Spitzenmodell. Rechnet den Unterschied einmal auf euer Monatsvolumen hoch, bevor ihr aus Gewohnheit die teuerste Stufe verdrahtet.

Behandelt Sol Ultra als Kostenposten. Mehrere Unteragenten parallel bedeuten mehrere Rechnungen parallel. Für einen nächtlichen Refactoring-Lauf kann sich das rechnen, für einen Endpunkt mit zwanzig Aufrufen am Tag wird es teuer, ohne dass es jemandem auffällt.

Baut die Modellwahl austauschbar. Eine Zeile, nicht dreißig Stellen im Code. Ein zweiter Anbieter für die Pfade, die nicht ausfallen dürfen. Das haben wir nach der Fable-5-Sperre geschrieben, und die letzten vier Wochen haben das Argument nicht schwächer gemacht.

Und lest Benchmarks als das, was sie sind: Verkaufsmaterial des Herstellers, bis jemand Unabhängiges nachgemessen hat. Bei GPT-5.6 hat das für die Rekordzahl noch niemand getan, und der Prüfer, der die Fähigkeiten des Modells messen wollte, kam zu dem Schluss, dass er es nicht kann. Das ist eine Information über das Modell und über den Zustand der Prüfverfahren.

Fazit

GPT-5.6 ist ein guter Release mit einer überfälligen Aufräumaktion bei den Modellnamen. Der Rekord an der Spitze trägt weniger weit, als die Überschrift verspricht. 0,8 Punkte über Claude Mythos 5, der große Sprung auf 91,9 kommt aus einem Modus mit Unteragenten, und nachgemessen hat die Zahl bisher nur OpenAI. Die eigentliche Nachricht steht in der Mitte der Preisliste: Terra schlägt GPT-5.5 zum halben Preis, Luna kommt für ein Fünftel fast heran.

Bemerkenswerter als das Modell ist der Weg, den es genommen hat. Innerhalb von vier Wochen wurden zwei Spitzenmodelle zweier Anbieter von einem Verfahren aufgehalten, das offiziell nicht existiert. Wer KI produktiv einsetzt, sollte Verfügbarkeit inzwischen als Risiko im Architekturdiagramm führen. Als Fußnote im Vertrag ist sie schlecht aufgehoben.

Wenn ihr gerade überlegt, welche Modellstufe für euren Anwendungsfall die richtige ist, oder wie ein Setup aussieht, das den nächsten Ausfall übersteht, meldet euch.