GPT-5.6 allgemein verfügbar: die Tabelle sagt weniger eindeutig als der Text darüber

OpenAI hat die GPT-5.6-Reihe allgemein verfügbar gemacht: Sol als Flaggschiff, Terra als ausgewogenes Modell für den Alltag, Luna als günstigste Stufe. Verfügbar sind alle drei ab sofort in ChatGPT, in Codex und über die API, der Rollout beginnt global und soll über die folgenden 24 Stunden zur vollen Verfügbarkeit laufen. Beim Preview Ende Juni hatte OpenAI eine erweiterte Auswertung ausdrücklich für die allgemeine Verfügbarkeit angekündigt. Sie liegt jetzt vor. Genau das ist der interessante Vorgang, nicht die Rangliste: Die Coding-Aussage lässt sich zum ersten Mal gegen die eigene Tabelle des Herstellers lesen.

Was ist zur allgemeinen Verfügbarkeit neu?

Vor allem der Zugang und die Abrechnung. In ChatGPT erreichen Plus-, Pro-, Business- und Enterprise-Nutzer Sol ab der mittleren Stufe, Pro und Enterprise zusätzlich GPT-5.6 Sol Pro. In ChatGPT Work und Codex nutzen Free- und Go-Nutzer Terra, ab Plus stehen Sol, Terra und Luna mit wählbarer Aufwandsstufe bereit. Der Modus max ist für alle freigeschaltet, die dort Zugriff auf GPT-5.6 haben, und lässt sich in den Einstellungen aktivieren. Der Modus ultra ist in ChatGPT Work auf Pro und Enterprise begrenzt, in Codex ab Plus. Die Preise je Million Token: Sol 5 Dollar Eingabe und 30 Dollar Ausgabe, Terra 2,50 und 15 Dollar, Luna 1 und 6 Dollar. Dazu kommt ein berechenbareres Prompt-Caching mit ausdrücklichen Cache-Breakpoints und einer Mindestlebensdauer von 30 Minuten. Cache-Schreibvorgänge kosten ab dieser Generation das 1,25-fache des ungecachten Eingabepreises, Lesevorgänge behalten den Rabatt von 90 Prozent. In der Responses API kommen zwei Dinge dazu, die für Agentenbetrieb zählen: Programmatic Tool Calling, mit dem das Modell kleine Programme im Speicher schreibt und ausführt, um Werkzeuge zu koordinieren und Zwischenergebnisse zu filtern, und Multi-Agent als Beta, mit dem ein Request nebenläufige Subagenten startet und deren Arbeit zusammenführt.

Was sagen die Coding-Zahlen jetzt wirklich?

Sol führt, aber nicht überall. Auf dem Artificial Analysis Coding Agent Index v1.1 liegt Sol bei 80 und damit vor Claude Fable 5 mit 77,2, wobei OpenAI zusätzlich weniger als die Hälfte der Ausgabe-Token, weniger als die Hälfte der Zeit und rund ein Drittel geringere Kosten angibt. Bemerkenswert ist die Nachbarschaft: Terra kommt auf 77,4 und liegt damit rechnerisch knapp vor Fable 5, Luna auf 74,6 und damit vor Claude Opus 4.8 mit 72,5. Auf Terminal-Bench 2.1 steht Sol bei 88,8, mit ultra bei 91,9, gegenüber 88,0 für Claude Mythos 5. Auf DeepSWE v1.1 erreicht Sol 72,7 gegenüber 69,7 für Fable 5.

Und dann steht in derselben Tabelle SWE-Bench Pro. Dort kommt Sol auf 64,6 Prozent, Claude Mythos 5 auf 80,3 Prozent, Fable 5 auf 80 Prozent und Claude Opus 4.8 auf 69,2 Prozent. Auf diesem Benchmark liegt das Flaggschiff also nicht nur hinter der Konkurrenz, sondern hinter deren Vorgängergeneration. Ähnlich beim Artificial Analysis Intelligence Index v4.1: Sol 58,9, Fable 5 59,9. OpenAI schreibt das selbst hin und argumentiert mit Zeit und Kosten, 61 Prozent weniger Zeit bei etwa der Hälfte der geschätzten Kosten. Das ist ein faires Argument. Es ist nur ein anderes Argument als „bestes Coding-Modell“. Wer eine Kaufentscheidung trifft, sollte wissen, welches von beiden gerade gemeint ist.

Wo Text und Tabelle auseinandergehen

An zwei Stellen, und beide sind lehrreich. Im Fließtext nennt OpenAI für Agents’ Last Exam einen neuen Höchstwert von 53,6 und einen Vorsprung von 13,1 Punkten auf Fable 5. In der Tabelle steht für Sol 52,7 Prozent, für Fable 5 40,5 Prozent. Die naheliegende Erklärung sind unterschiedliche Aufwandsstufen, nur beschriftet die Tabelle das nicht. Zweitens BrowseComp: Der im Text genannte Bestwert von 92,2 Prozent ist in der Tabelle die Spalte Sol Ultra, also die Konfiguration mit vier parallelen Agenten. Sol allein steht bei 90,4 Prozent. Beides ist nicht versteckt, es steht weiter unten auf derselben Seite. Aber es ist der Unterschied zwischen der Zahl, die man zitiert bekommt, und der Zahl, die man selbst bestellt hat.

Was ultra für den Betrieb bedeutet

max gibt dem Modell mehr Zeit als xhigh, um zu überlegen, Alternativen zu prüfen und den eigenen Ansatz zu überarbeiten. ultra geht weiter und koordiniert standardmäßig vier Agenten parallel, laut OpenAI mit höherem Tokenverbrauch, aber besseren Ergebnissen in kürzerer Zeit. Für BrowseComp und SEC-Bench Pro zeigt der Hersteller zusätzlich Konfigurationen mit 16 Agenten. Für Ihre Pipeline ist die Konsequenz nüchtern: Vier parallele Arbeitsstränge liefern am Ende ein Ergebnis, und wer es gegenzeichnet, sieht dieses Ergebnis, nicht die vier Wege dorthin. Mehr Parallelität erhöht die Zahl der Entscheidungen, die niemand mitliest. Der Prüfaufwand verschwindet dadurch nicht, er verlagert sich ans Ende.

Mehr Fähigkeit, deutlich mehr Schranken

In der Cybersicherheit sind die Sprünge groß. Auf ExploitBench meldet OpenAI 73,5 Prozent gegenüber 47,9 Prozent für GPT-5.5 bei vergleichbarem Token-Budget, auf SEC-Bench Pro 71,2 gegenüber 45,8 Prozent, auf ExploitGym eine Steigerung der besten Trefferquote von 15,1 auf 24,9 Prozent unter der Zwei-Stunden-Grenze und auf 33,7 Prozent bei sechs Stunden. Die kritische Schwelle des eigenen Frameworks überschreiten die Modelle nach OpenAIs Prüfung weder in Cyber noch in Biologie. Vor dem Start liefen rund 700.000 A100-äquivalente GPU-Stunden automatisiertes Red Teaming. Die betrieblich wichtigste Zahl ist eine andere: Die Cyber-Schutzmechanismen von Sol blockieren nach Angabe des Herstellers etwa zehnmal mehr potenziell schädliche Aktivität als bei früheren Modellen. OpenAI nennt die dabei entstehende Reibung für legitime Arbeit ausdrücklich und bietet in ChatGPT und Codex eine Option, einen Prompt auf einem schwächeren Modell erneut zu versuchen. Wenn Sie Security-Arbeit automatisieren, planen Sie diesen Fall ein, statt ihn im Incident zu entdecken.

Wo GPT-5.6 seinen Platz verdient

Auf langen, mühsamen Strecken mit vielen Werkzeugaufrufen, wo Programmatic Tool Calling die Zwischenergebnisse zusammenhält, statt jede Werkzeugantwort durchs Modell zu schicken. Wirtschaftlich interessant sind weniger die Spitzenwerte von Sol als Terra und Luna, die im Coding-Index nahe an Fable 5 liegen und die Hälfte beziehungsweise ein Fünftel des Ausgabepreises von Sol kosten. Prüfen Sie das an Ihren eigenen Aufgaben, nicht an SWE-Bench Pro und nicht an einem Index. Die Tabelle ist jetzt öffentlich, das ist ein echter Fortschritt gegenüber dem Preview, aber sie ersetzt keinen Testlauf in Ihrem Repository. Und die Stellen, an denen ein Mensch gegenzeichnet, bleiben dieselben: vor dem Merge, vor dem Deploy, vor der Migration. Verlässlichkeit entsteht nicht im Modell, sondern in der Architektur darum herum, wie in Agentic Engineering beschrieben.

Quellen

• OpenAI: GPT-5.6, Frontier intelligence that scales with your ambition