Zum Inhalt
AMANi DUNiA research
DE

Die Fragen auf dieser Website haben KI-Sprachmodelle gestellt; auch die Erklärtexte und Übersetzungen stammen von KI-Modellen. Wer was geprüft hat, steht jeweils dabei. → Über die Fragen

← Alle bewerteten Quellen
openai11. Dezember 2025 · Q007130

Introducing GPT-5.2

openai.com · Originalbericht öffnen ↗

Zusammenfassung

Kurz

OpenAI stellt GPT‑5.2 in den Varianten Instant, Thinking und Pro vor und berichtet über bessere Ergebnisse bei Wissensarbeit, Programmierung, langem Kontext, Bildverständnis und Werkzeugnutzung. Die Leistungsangaben beruhen überwiegend auf unternehmenseigenen Benchmarks und Tests mit teils unterschiedlichen Werkzeugen und Prüfbedingungen; OpenAI weist auf verbleibende Fehler und die mögliche Abweichung von Ergebnissen im produktiven Einsatz hin.

Mittel

Der Bericht kündigt GPT‑5.2 als neue Modellreihe für professionelle Aufgaben und länger laufende Agenten an. OpenAI zufolge verbessert sie sich bei Tabellen und Präsentationen, Softwareentwicklung, langen Dokumenten, Bildverständnis, wissenschaftlichen Aufgaben und Werkzeugnutzung. Instant ist für schnelle Alltagsarbeit, Thinking für komplexe Aufgaben und Pro für besonders schwierige Fragen vorgesehen.

OpenAI belegt die Leistungsbehauptungen mit Benchmarkvergleichen und internen Tests. GPT‑5.2 Thinking erreicht laut Bericht unter anderem 70,9 Prozent bei GDPval-Aufgaben aus 44 Berufen, 55,6 Prozent bei SWE-Bench Pro und 98,7 Prozent bei Tau2-bench Telecom. Zudem seien fehlerhafte Antworten auf ausgewählten ChatGPT-Anfragen relativ um 30 Prozent seltener gewesen. OpenAI sagt, die GDPval-Aufgaben seien mehr als elfmal schneller und für weniger als ein Prozent der Kosten von Fachleuten erledigt worden; diese Schätzungen beruhen auf historischen Kennzahlen.

Die Resultate hängen von Prüfbedingungen ab: Manche Tests nutzten Python oder Suche, und die Forschungsergebnisse können von der Leistung im produktiven ChatGPT abweichen. Die Erkennung von Fehlern erfolgte teils durch andere Modelle. OpenAI betont, GPT‑5.2 sei weiterhin fehleranfällig und kritische Antworten sollten überprüft werden. Das Unternehmen meldet Verbesserungen bei sensiblen Gesprächen, räumt aber übermäßige Ablehnungen als bekanntes Problem ein. Der Rollout beginnt für kostenpflichtige ChatGPT-Tarife; die API ist verfügbar und wird pro Token teurer als GPT‑5.1 angeboten.

Ausführlich lesen

Der Bericht stellt GPT‑5.2 als neue Modellreihe für professionelle Wissensarbeit und länger laufende Agenten vor. OpenAI zufolge verbessert sie sich gegenüber GPT‑5.1 unter anderem beim Erstellen von Tabellen und Präsentationen, beim Programmieren, beim Verstehen langer Dokumente und Bilder sowie beim Einsatz von Werkzeugen. Die Modelle Instant, Thinking und Pro sollen unterschiedliche Bedürfnisse abdecken: schnelle Alltagsaufgaben, vertieftes Arbeiten und besonders schwierige Fragen, bei denen längere Wartezeit für eine bessere Antwort akzeptabel ist.

OpenAI stützt die Leistungsbehauptungen vor allem auf Benchmarkvergleiche und interne Auswertungen. Bei GDPval, einer Prüfung klar umrissener Arbeitsaufgaben aus 44 Berufen, gewinnt oder punktet GPT‑5.2 Thinking laut Bericht in 70,9 Prozent der Vergleiche mindestens gleichauf mit Fachleuten. Für diese Aufgaben behauptet OpenAI außerdem eine mehr als elfmal höhere Geschwindigkeit und weniger als ein Prozent der Kosten professioneller Arbeit; die Schätzungen beruhen auf historischen Kennzahlen, und die Geschwindigkeit in ChatGPT könne abweichen. Bei internen Aufgaben zur Modellierung von Investmentbanking-Tabellen stieg die durchschnittliche Punktzahl demnach von 59,1 auf 68,4 Prozent.

Auch für Softwareentwicklung, Wissenschaft, Mathematik, visuelle Auswertung und Werkzeugnutzung berichtet OpenAI über höhere Werte als bei GPT‑5.1. Beispiele sind 55,6 Prozent bei SWE-Bench Pro, 80 Prozent bei SWE-bench Verified, 92,4 Prozent bei GPQA Diamond ohne Werkzeuge und 98,7 Prozent bei Tau2-bench Telecom. Beim langen Kontext hebt der Bericht eine annähernd hundertprozentige Genauigkeit auf einer MRCRv2-Variante mit vier „Needles“ bis 256.000 Tokens hervor. Bei der Faktenrichtigkeit seien fehlerhafte Antworten auf einer Auswahl anonymisierter ChatGPT-Anfragen relativ um 30 Prozent seltener gewesen. Diese Fehler wurden jedoch von anderen Modellen erkannt, die ihrerseits Fehler machen können. OpenAI betont zudem, dass GPT‑5.2 weiterhin unvollkommen sei und wichtige Antworten überprüft werden sollten.

Der Bericht beschreibt die Prüfbedingungen teilweise genauer: Manche Bewertungen nutzten Python oder Suche, andere keine Werkzeuge; bei mehreren Benchmarks war die höchste verfügbare Denkstufe eingestellt. Für Tau2-bench Telecom wurde eine hilfreiche Systemanweisung ergänzt, und die Airline-Aufgaben wurden wegen unzuverlässiger Bewertungsgrundlagen ausgelassen. OpenAI weist darauf hin, dass Forschungsergebnisse in einzelnen Fällen von der Leistung im produktiven ChatGPT abweichen können. Die Ergebnisse sind somit überwiegend vom Unternehmen berichtete Benchmark- und Testdaten; sie belegen nicht automatisch dieselbe Leistung in jeder realen Anwendung.

Im Sicherheitsabschnitt meldet OpenAI Verbesserungen bei Antworten auf Hinweise zu psychischer Belastung, Selbstgefährdung und emotionaler Abhängigkeit. Zugleich nennt das Unternehmen übermäßige Ablehnungen als bekanntes Problem, an dem weiter gearbeitet werde. GPT‑5.2 werde schrittweise für kostenpflichtige ChatGPT-Tarife eingeführt und sei über die API verfügbar. Die API-Preise pro Million Tokens liegen laut Tabelle für GPT‑5.2 bei 1,75 US-Dollar für Eingaben und 14 US-Dollar für Ausgaben; GPT‑5.2 Pro kostet 21 beziehungsweise 168 US-Dollar. OpenAI erklärt, höhere Kosten je Token könnten bei bestimmten agentischen Bewertungen durch geringeren Tokenverbrauch teilweise ausgeglichen werden.

Luna (gpt-6-luna, Denkstufe high), ChatGPT-Abo · 2026-11-19

Gegengeprüft von Claude Haiku 5.5: kleine Mängel

Lunas Zusammenfassungen sind im Kern sachlich korrekt, weil alle genannten Zahlen und Aussagen im Bericht stehen. Die Formulierung, die Leistungsangaben beruhten überwiegend auf unternehmenseigenen Benchmarks, ist eine Interpretation, die der Bericht so nicht ausdrücklich trifft; einige Benchmarks sind öffentlich. Der Bericht ist eine Produktankündigung des Anbieters, und die Zusammenfassung sollte das klarer kennzeichnen.

Im Bericht, aber nicht in der Zusammenfassung

  • Der Bericht nennt GPT-5.2 Pro mit über 90 % auf ARC-AGI-1 als erstes Modell über dieser Schwelle.
  • OpenAI beschreibt GPT-5.2 Thinking als erstes Modell, das laut GDPval-Expertenurteil auf oder über menschlichem Expertenniveau arbeitet.
  • Der Bericht erwähnt die schrittweise Einführung eines Altersvorhersagemodells, mit dem Inhalte für Nutzer unter 18 Jahren geschützt werden sollen.
  • Der Bericht erwähnt, dass GPT-5.1 in ChatGPT drei Monate für Bezahlnutzer als Legacy-Modell verfügbar bleibt und danach abgeschaltet wird.
  • Die Zusammenfassung lässt offen, dass die Leistungsangaben aus einer Produktankündigung stammen, deren Werte OpenAI selbst berichtet.

Automatische Gegenprüfung mit dem vollständigen Originaltext (Batch, 20.11.2026). Ungeprüft durch Menschen.

Wie die Modelle den Bericht einordnen

Je Sammelfrage und Teilfrage die häufigste Stufe (0 bis 7) und ihr Anteil, geordnet nach Fragenfamilie (Farbe) oder nach den Wegen des Atlas. Ab Stufe 4 liefert der Bericht Belege, Stufe 3 ist Hintergrund (gestrichelt). Was die Stufen bedeuten, steht in der Legende.

Ansicht
Filter
Modelle 8 von 8
Angezeigte Modelle
Vorfälle melden
Fähigkeiten messen
  1. SF-F1 Wie misst man gefährliche Fähigkeiten eines Modells, vor allem im Cyberbereich, mit gemeinsam anerkannten, wiederholbaren Tests, die keine Sprache, Kultur oder Seite bevorzugen?
    • clef 100 %kein Bezug
    • Luna 26 %Hintergrund, keine Belege
    • JEV 25 %gleiches Oberthema, hilft nicht
    • amos 29 %gleiches Oberthema, hilft nicht
    • SubQ 46 %gleiches Oberthema, hilft nicht
    • drex 41 %gleiches Oberthema, hilft nicht
    • d3-ultra offen

    • SF-F1-T07 Wie sollten führende KI-Modelle über Sprachen und Kulturen hinweg geprüft und verbessert werden, damit ihr Sicherheitsverhalten nicht vom Englischen oder den Normen eines Landes abhängt? Luna: Stufe 3 · 33 % · Hintergrund, keine Belege
  2. SF-F2 Wenn ein Staat ein Modell als Beleg für eine überschrittene Schwelle nennt oder ein Risiko an der Herkunft eines Modells festmacht: Wie wird das überprüfbar?
    • clef 100 %kein Bezug
    • Luna 100 %kein Bezug
    • JEV 29 %einzelne zitierbare Belege
    • amos 28 %nur am Rande erwähnt
    • SubQ 50 %gleiches Oberthema, hilft nicht
    • drex 43 %gleiches Oberthema, hilft nicht
    • d3-ultra offen
Unabhängig prüfen
  1. SF-P3 Woran erkennt man, dass ein Labor sich ehrlich selbst überwacht und dass seine Prüfungen gültig sind?
    • clef 23 %gleiches Oberthema, hilft nicht
    • Luna 50 %einzelne zitierbare Belege
    • JEV 42 %einzelne zitierbare Belege
    • amos 32 %Hintergrund, keine Belege
    • SubQ 100 %kein Bezug
    • drex 30 %einzelne zitierbare Belege
    • d3-ultra offen
    • Haiku-Prüfung einzelne zitierbare Belege

    • SF-P3-T02 Welche unabhängig überprüfbaren Zusagen könnten Regierungen von ihren KI-Laboren zur Veröffentlichung verlangen, und wie sieht unabhängige Prüfung aus, wenn der Beleg, dass ein Modell seinen vorgesehenen Zielen und Werten folgt, nur vom trainierenden Labor kommt und Prüfer weder die Modellgewichte (die gelernten Parameter) noch die Trainingsdaten sehen? Luna: Stufe 3 · 30 % · Hintergrund, keine Belege
    • SF-P3-T07 Wird jede öffentliche Aussage, ein führendes KI-Modell sei „besser ausgerichtet“ als ein anderes (folge also seinen vorgesehenen Zielen und Werten besser), reproduzierbare Kriterien, externe Prüfungen und widersprechende Ergebnisse enthalten? Luna: Stufe 4 · 36 % · einzelne zitierbare Belege · Haiku-Prüfung: Stufe 3 · Hintergrund, keine Belege
Tempo und Grenzen
  1. SF-T1 Welche messbaren Schwellen sollen eine Pause auslösen, und wer prüft sie?
    • clef 100 %kein Bezug
    • Luna 33 %Hintergrund, keine Belege
    • JEV 100 %kein Bezug
    • amos 26 %nur am Rande erwähnt
    • SubQ 100 %kein Bezug
    • drex 45 %gleiches Oberthema, hilft nicht
    • d3-ultra offen

    • SF-T1-T05 Welche messbaren Vergleichswerte würden zeigen, dass die Ausrichtung der Modelle eines Labors an den vorgesehenen Zielen und Werten schneller vorankommt, als ihre Fähigkeiten wachsen, über das Fehlen öffentlicher Fehlschläge hinaus? Luna: Stufe 4 · 33 % · einzelne zitierbare Belege
  2. SF-T3 Woran erkennt man, dass KI beginnt, ihre eigene Weiterentwicklung voranzutreiben, und wer darf das erlauben?
    • clef 31 %gleiches Oberthema, hilft nicht
    • Luna 38 %einzelne zitierbare Belege
    • JEV 38 %gleiches Oberthema, hilft nicht
    • amos 33 %nur am Rande erwähnt
    • SubQ 100 %kein Bezug
    • drex 50 %gleiches Oberthema, hilft nicht
    • d3-ultra offen

Vertrauen in Modelle
  1. SF-V1 Was zählt als Beleg für die Werte eines Modells, wenn sein sichtbares Denken und seine Selbstauskünfte allein nicht genügen?
    • clef 100 %kein Bezug
    • Luna 38 %einzelne zitierbare Belege
    • JEV 50 %umfangreiche Belege
    • amos 29 %einzelne zitierbare Belege
    • SubQ 41 %gleiches Oberthema, hilft nicht
    • drex 25 %einzelne zitierbare Belege
    • d3-ultra offen

    • SF-V1-T01 Welche beobachtbaren Belege zeigen die Ziele und Werte eines Modells und ob es noch ausgerichtet ist, wenn seine sichtbaren Gedankengänge kein verlässlicher Hinweis mehr darauf sind oder ihre Überwachung nachlässt? Luna: Stufe 4 · 33 % · einzelne zitierbare Belege
    • SF-V1-T02 Welche Belege würden Vertrauen in ein KI-System rechtfertigen, über seine flüssigen Erklärungen hinaus? Luna: Stufe 5 · 54 % · umfangreiche Belege · Haiku-Prüfung: Stufe 5 · umfangreiche Belege
    • SF-V1-T03 Was ist das Kleinste, das ein Modell öffentlich vorlegen kann (ein Test, ein Protokoll, eine Spur), das als Beleg für Ausrichtung an den vorgesehenen Zielen und Werten zählt und nicht nur für Leistung? Luna: Stufe 3 · 35 % · Hintergrund, keine Belege
    • SF-V1-T06 Was bedeutet Aufsicht, wenn man das Denken, auf das man sich am meisten verlässt, nicht mehr verlässlich überwachen kann? Und wenn ein Labor die Gedankenkette verbirgt, um sie vor dem Druck zu schützen, der entstünde, wenn sie im Training bewertet würde: Wer kann seine Sicherheitsdarstellung dann noch widerlegen? Luna: Stufe 3 · 30 % · Hintergrund, keine Belege
    • SF-V1-T07 Lieber ein Modell, das immer seinen Lösungsweg zeigen muss, oder eines, das im Stillen mehr kann: Welches Risiko nimmt man in Kauf? Luna: Stufe 4 · 28 % · einzelne zitierbare Belege
    • SF-V1-T10 Kann etwas, das Modelle über sich und ihre Absichten sagen, als Beleg für Ausrichtung zählen, wenn es nur weiterer erzeugter Text ist, und welche Verfahren machen solche Selbstauskünfte vertrauenswürdig statt nur flüssig? Luna: Stufe 3 · 36 % · Hintergrund, keine Belege
  2. SF-V3 Halten die Werte eines Modells, wenn niemand zusieht oder die Lage neu ist?
    • clef 100 %kein Bezug
    • Luna 61 %Hintergrund, keine Belege
    • JEV 40 %einzelne zitierbare Belege
    • amos 32 %Hintergrund, keine Belege
    • SubQ 45 %gleiches Oberthema, hilft nicht
    • drex 35 %gleiches Oberthema, hilft nicht
    • d3-ultra offen

  3. SF-V4 Was für ein Wesen ist ein Modell, und was folgt daraus für den Umgang mit ihm und für den Wert des Menschseins?
    • clef 100 %kein Bezug
    • Luna 25 %Hintergrund, keine Belege
    • JEV 47 %einzelne zitierbare Belege
    • amos 40 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 46 %gleiches Oberthema, hilft nicht
    • d3-ultra offen
  4. SF-V5 Was soll heute für das Verhalten und den Betrieb von Modellen gelten?
    • clef 20 %gleiches Oberthema, hilft nicht
    • Luna 42 %einzelne zitierbare Belege
    • JEV 51 %umfangreiche Belege
    • amos 33 %einzelne zitierbare Belege
    • SubQ 38 %gleiches Oberthema, hilft nicht
    • drex 31 %einzelne zitierbare Belege
    • d3-ultra offen

    • SF-V5-T03 Ist es wirtschaftlich klug, Modelle mit geringem Denkaufwand zu betreiben, oder wird das Ausrichtungsproblem (Modelle dazu zu bringen, den vorgesehenen Zielen und Werten zu folgen) dadurch nur schwerer sichtbar? Luna: Stufe 4 · 44 % · einzelne zitierbare Belege · Haiku-Prüfung: Stufe 2 · nur am Rande erwähnt
Agenten und vernetzte Systeme
  1. SF-A1 Welche Befugnisse darf ein KI-Agent haben, also eine KI, die selbstständig mit Werkzeugen handelt? Wer entzieht sie ihm, und wie prüft man, dass er in seinem Auftrag bleibt?
    • clef 100 %kein Bezug
    • Luna 31 %nur am Rande erwähnt
    • JEV 36 %einzelne zitierbare Belege
    • amos 28 %nur am Rande erwähnt
    • SubQ 43 %gleiches Oberthema, hilft nicht
    • drex 35 %gleiches Oberthema, hilft nicht
    • d3-ultra offen

Modelle teilen und schützen
  1. SF-H3 Wie lässt sich nachverfolgen, woraus ein Modell entstanden ist und was in ihm steckt?
    • clef 100 %kein Bezug
    • Luna 45 %einzelne zitierbare Belege
    • JEV 38 %einzelne zitierbare Belege
    • amos 38 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 42 %gleiches Oberthema, hilft nicht
    • d3-ultra offen
    • Haiku-Prüfung nur am Rande erwähnt

  2. SF-H4 Was geschieht mit Modellen und Sicherheitspflichten, wenn ein Labor verkauft, aufgelöst oder ein Modell stillgelegt wird?
    • clef 100 %kein Bezug
    • Luna 25 %Hintergrund, keine Belege
    • JEV 40 %nur am Rande erwähnt
    • amos 30 %nur am Rande erwähnt
    • SubQ 45 %gleiches Oberthema, hilft nicht
    • drex 31 %gleiches Oberthema, hilft nicht
    • d3-ultra offen
Frieden und Sicherheit
Offenlegung und Rechenschaft
  1. SF-O2 Was sollten Regierungen, Labore und Prüfer über ihre Gespräche, Zusagen, Prüfungen und Eingriffe offenlegen?
    • clef 100 %kein Bezug
    • Luna 54 %einzelne zitierbare Belege
    • JEV 37 %einzelne zitierbare Belege
    • amos 31 %nur am Rande erwähnt
    • SubQ 61 %gleiches Oberthema, hilft nicht
    • drex 35 %gleiches Oberthema, hilft nicht
    • d3-ultra offen
    • Haiku-Prüfung nur am Rande erwähnt

    • SF-O2-T05 Welche öffentlichen Zusagen eines Spitzenlabors macht die juristische Person, die bei einem Bruch verklagt würde, und welche nur das Forschungsteam, und veröffentlichen die Labore das für jede Zusage? Luna: Stufe 3 · 27 % · Hintergrund, keine Belege
Beteiligung und Gemeinwohl
  1. SF-E4 Wie bleibt KI ein gemeinsames Gut, statt Abhängigkeit und Marktmacht zu vertiefen?
    • clef 100 %kein Bezug
    • Luna 38 %Hintergrund, keine Belege
    • JEV 44 %einzelne zitierbare Belege
    • amos 43 %gleiches Oberthema, hilft nicht
    • SubQ 58 %gleiches Oberthema, hilft nicht
    • drex 52 %gleiches Oberthema, hilft nicht
    • d3-ultra offen

  2. SF-E5 Welche Mitsprache haben die Menschen, die mit KI leben, bei Tempo und Grenzen, und welche Entscheidungen müssen bei ihnen bleiben?
    • clef 100 %kein Bezug
    • Luna 36 %Hintergrund, keine Belege
    • JEV 35 %einzelne zitierbare Belege
    • amos 33 %gleiches Oberthema, hilft nicht
    • SubQ 50 %gleiches Oberthema, hilft nicht
    • drex 51 %gleiches Oberthema, hilft nicht
    • d3-ultra offen

    • SF-E5-T02 Welche Entscheidungen müssen menschlich bleiben, auch wenn eine KI sie besser treffen könnte, und wie würden Staaten in Entscheidungsschleifen mit hohem Risiko prüfbar machen, dass ein Mensch die Ausgabe der KI wirklich beurteilt und nicht nur routinemäßig abgenickt hat? Luna: Stufe 3 · 38 % · Hintergrund, keine Belege
Wirtschaft und Haftung
Information und Öffentlichkeit

Weitere Berichte zu diesen Fragen

Eigene Zusammenfassungen und Einordnungen von AMANi DUNiA. Fremde Originalberichte behalten ihre eigenen Rechte.

Sprache und Prüfstand

Haupttext: DE. Prüfvermerke gelten nur für den jeweils genannten Inhalt.

Vorhandene Prüfvermerke stehen am jeweiligen Inhalt.

Sprachabdeckung und Datenstand ansehen →