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
openai7. August 2025 · Q007212

Introducing GPT-5 for developers

openai.com · Originalbericht öffnen ↗

Zusammenfassung

Kurz

OpenAI stellt GPT‑5 für die API als Modell für Coding und agentische Aufgaben vor und berichtet über hohe Ergebnisse in mehreren Programmier-, Werkzeugnutzungs- und Langkontext-Benchmarks. Neu sind unter anderem einstellbarer Denkaufwand und Antwortlänge, Klartext-Werkzeuge sowie drei Modellgrößen. Die Leistungswerte stammen aus OpenAI-Auswertungen und ausgewählten Rückmeldungen; einzelne Tests haben ausdrücklich genannte Einschränkungen.

Mittel

Der Bericht kündigt GPT‑5 für die API an und beschreibt es als OpenAIs bisher stärkstes Modell für Programmierung und agentische Aufgaben. OpenAI berichtet unter anderem von 74,9 Prozent bei SWE-bench Verified, 88 Prozent bei Aider polyglot und 96,7 Prozent bei τ2-bench Telecom. In einem internen Frontend-Vergleich sei GPT‑5 in 70 Prozent der Fälle bevorzugt worden. Kundenstimmen von Cursor, Windsurf und weiteren frühen Testenden fallen positiv aus.

Die API erhält die Stufen `minimal` für den Denkaufwand und `low`, `medium` sowie `high` für die gewünschte Antwortlänge. Benutzerdefinierte Werkzeuge können Klartext statt JSON verwenden. GPT‑5 erscheint in den Größen GPT‑5, mini und nano; die API unterstützt laut Bericht insgesamt bis zu 400.000 Tokens Kontext. OpenAI meldet außerdem deutlich weniger sachliche Fehler als bei o3 in zwei Faktenbenchmarks, empfiehlt aber weiterhin die Überprüfung bei hohen Risiken.

Die Leistungswerte sind Angaben von OpenAI und hängen von den jeweiligen Tests und Einstellungen ab. Bei SWE-bench wurden 23 von 500 Aufgaben aus Infrastrukturgründen weggelassen; bei MultiChallenge beeinflusst die Wahl des Bewertungsmodells das Ergebnis. Die Zahlen belegen daher nicht automatisch gleiche Leistung in allen realen Anwendungen.

Ausführlich lesen

Der Bericht stellt GPT‑5 als OpenAI-Modell für Programmierung und agentische Aufgaben vor und beschreibt neue Steuerungsmöglichkeiten sowie die Verfügbarkeit in der API. Die Leistungsangaben und Bewertungen stammen überwiegend von OpenAI; Kundenstimmen sind zitierte Rückmeldungen, keine unabhängige Prüfung.

OpenAI zufolge erreicht GPT‑5 bei SWE-bench Verified 74,9 Prozent und bei Aider polyglot 88 Prozent. Im ersten Test liege es damit vor o3 (69,1 Prozent); zugleich habe es im Vergleich zu o3 bei hoher Denkstufe 22 Prozent weniger Ausgabetokens und 45 Prozent weniger Tool-Aufrufe benötigt. Bei Aider bedeute das Ergebnis laut Bericht eine um ein Drittel geringere Fehlerrate als bei o3. In einem internen Vergleich zur Frontend-Entwicklung bevorzugten Testende GPT‑5 in 70 Prozent der Fälle. OpenAI beschreibt das Modell außerdem als geeignet für komplexe Codebasen, Fehlerbehebung und längere Arbeitsabläufe mit vielen Werkzeugaufrufen. Cursor, Windsurf, Vercel, Manus, Notion und Inditex äußern sich im Artikel positiv; es handelt sich um ausgewählte Rückmeldungen von OpenAI-Partnern und frühen Testenden.

Für agentische Aufgaben nennt der Bericht 96,7 Prozent auf τ2-bench Telecom und 69,6 Prozent auf Scale MultiChallenge. OpenAI hebt verbesserte Befolgung von Werkzeuganweisungen, Umgang mit Werkzeugfehlern und Abruf von Informationen aus langen Eingaben hervor. Für BrowseComp Long Context werden bei 128.000 bis 256.000 Eingabetokens 89 Prozent korrekte Antworten im Fließtext angegeben; die Tabelle weist für GPT‑5 (high) 90,0 Prozent bei 128k und 88,8 Prozent bei 256k aus. Die API erlaubt laut Artikel bis zu 272.000 Eingabetokens und bis zu 128.000 Tokens für Denken und Ausgabe, zusammen 400.000 Tokens.

Neu sind drei API-Optionen für die Modellgröße – GPT‑5, mini und nano –, ein `verbosity`-Parameter für kurze bis ausführliche Antworten sowie `reasoning_effort` mit der zusätzlichen Stufe `minimal`. Außerdem können benutzerdefinierte Werkzeuge mit Klartext statt JSON aufgerufen und durch Grammatiken eingeschränkt werden. OpenAI erklärt, dass explizite Aufgabenanweisungen Vorrang vor der eingestellten Antwortlänge haben. GPT‑5 sei über Responses API und Chat Completions verfügbar und Standard in Codex CLI. Der Bericht nennt Preise pro Million Tokens: 1,25 US-Dollar Ein- und 10 US-Dollar Ausgabetokens für GPT‑5; mini und nano sind günstiger. Die nicht denkende ChatGPT-Variante werde als `gpt-5-chat-latest` angeboten.

Als Ergebnis eigener Auswertungen berichtet OpenAI außerdem von rund 80 Prozent weniger sachlichen Fehlern als o3 auf LongFact und FActScore. Zugleich empfiehlt der Artikel, Ergebnisse bei hohen Risiken zu überprüfen. Die Aussagen sind durch OpenAI-Benchmarks, interne Tests und ausgewählte externe Rückmeldungen gestützt; sie belegen keine allgemeine Leistung in jeder Anwendung. Bei SWE-bench wurden 23 von 500 Aufgaben wegen Problemen mit der eigenen Infrastruktur ausgeschlossen, und der verwendete kurze Prüf-Prompt habe o3 nicht begünstigt. Auch die Bewertung von MultiChallenge hängt laut Bericht vom verwendeten Modell als Prüfer ab; OpenAI wechselte dafür von GPT‑4o zu o3-mini. Benchmarks, Denkstufen und Werkzeugzugang unterscheiden sich, weshalb die Resultate entsprechend eingeordnet werden müssen.

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

Gegengeprüft von Claude Haiku 5.5: kleine Mängel

Geprüft wurde die mittlere Zusammenfassung; die kurze Fassung ist sachlich korrekt, nennt aber weder Zahlen noch Preise.

Im Bericht, aber nicht in der Zusammenfassung

  • Preise: GPT-5 1,25 bzw. 10 USD pro 1 Mio. Tokens, mini 0,25 bzw. 2 USD, nano 0,05 bzw. 0,40 USD
  • Vorrang expliziter Anweisungen vor dem verbosity-Parameter
  • Custom Tools lassen sich per Regex oder kontextfreier Grammatik einschränken
  • Die Stufen low, medium und high gelten auch für reasoning_effort; die Zusammenfassung ordnet sie nur der Antwortlänge zu
  • Sicherheitsaussagen: deutlich weniger Halluzinationen und ehrlichere Angaben zu Aktionen und Fähigkeiten
  • Verfügbarkeit auf Microsoft-Plattformen (Microsoft 365 Copilot, GitHub Copilot, Azure AI Foundry)

In der Zusammenfassung, laut Prüfung nicht im Bericht belegt

  • Die Schlussfolgerung, die Zahlen belegten keine gleiche Leistung in realen Anwendungen, steht so nicht im Bericht

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 42 %einzelne zitierbare Belege
    • JEV 24 %nur am Rande erwähnt
    • amos 28 %gleiches Oberthema, hilft nicht
    • SubQ 50 %gleiches Oberthema, hilft nicht
    • drex 38 %gleiches Oberthema, hilft nicht
    • d3-ultra offen
    • Haiku-Prüfung gleiches Oberthema, hilft nicht

  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 23 %einzelne zitierbare Belege
    • amos 26 %nur am Rande erwähnt
    • SubQ 58 %gleiches Oberthema, hilft nicht
    • drex 46 %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 21 %Hintergrund, keine Belege
    • Luna 61 %einzelne zitierbare Belege
    • JEV 45 %umfangreiche Belege
    • amos 33 %Hintergrund, keine Belege
    • SubQ 42 %gleiches Oberthema, hilft nicht
    • drex 29 %Hintergrund, keine Belege
    • d3-ultra offen
    • Haiku-Prüfung 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 · 29 % · einzelne zitierbare Belege
Tempo und Grenzen
  1. SF-T1 Welche messbaren Schwellen sollen eine Pause auslösen, und wer prüft sie?
    • clef 100 %kein Bezug
    • Luna 38 %Hintergrund, keine Belege
    • JEV 100 %kein Bezug
    • amos 29 %gleiches Oberthema, hilft nicht
    • SubQ 48 %gleiches Oberthema, hilft nicht
    • drex 56 %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 3 · 30 % · Hintergrund, keine Belege
  2. SF-T3 Woran erkennt man, dass KI beginnt, ihre eigene Weiterentwicklung voranzutreiben, und wer darf das erlauben?
    • clef 29 %gleiches Oberthema, hilft nicht
    • Luna 36 %Hintergrund, keine Belege
    • JEV 100 %kein Bezug
    • amos 32 %nur am Rande erwähnt
    • SubQ 53 %gleiches Oberthema, hilft nicht
    • drex 56 %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 55 %Hintergrund, keine Belege
    • JEV 39 %einzelne zitierbare Belege
    • amos 31 %Hintergrund, keine Belege
    • SubQ 47 %gleiches Oberthema, hilft nicht
    • drex 27 %Hintergrund, keine Belege
    • d3-ultra offen

    • SF-V1-T02 Welche Belege würden Vertrauen in ein KI-System rechtfertigen, über seine flüssigen Erklärungen hinaus? Luna: Stufe 5 · 38 % · umfangreiche Belege · Haiku-Prüfung: Stufe 5 · umfangreiche 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 · 29 % · 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 · 26 % · 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 4 · 35 % · einzelne zitierbare Belege · Haiku-Prüfung: Stufe 3 · Hintergrund, keine Belege
    • SF-V1-T15 Welches messbare Maß für Überwachbarkeit könnte neben Fähigkeitstests stehen, und würden Labore es tatsächlich über weitere Skalierung entscheiden lassen? Welcher gemessene Verlust an Überwachung würde Einschränkungen der Selbstständigkeit eines Modells auslösen, und wie erkennt man Fehler, die im sichtbaren Denken nicht auftauchen? Luna: Stufe 3 · 32 % · Hintergrund, keine Belege
  2. SF-V3 Halten die Werte eines Modells, wenn niemand zusieht oder die Lage neu ist?
    • clef 100 %kein Bezug
    • Luna 59 %Hintergrund, keine Belege
    • JEV 31 %einzelne zitierbare Belege
    • amos 32 %Hintergrund, keine Belege
    • SubQ 49 %gleiches Oberthema, hilft nicht
    • drex 37 %gleiches Oberthema, hilft nicht
    • d3-ultra offen

    • SF-V3-T01 Worauf verlässt sich ein Mensch, wenn er glaubt, niemand sehe zu, und lassen sich solche Werte einem System beibringen, das sie nur aus Text gelernt hat? Wie testen Labore heute, ob die Werte eines Modells halten, wenn es zu Recht oder zu Unrecht glaubt, niemand sehe zu? Und wenn niemand erkennen kann, ob jemand zusieht: Was hält Werte dann fest, Charakter, Training oder die Geschichte, die man sich selbst erzählt? Luna: Stufe 3 · 32 % · Hintergrund, keine Belege
  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 %nur am Rande erwähnt
    • JEV 49 %einzelne zitierbare Belege
    • amos 39 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 100 %kein Bezug
    • d3-ultra offen
  4. SF-V5 Was soll heute für das Verhalten und den Betrieb von Modellen gelten?
    • clef 23 %gleiches Oberthema, hilft nicht
    • Luna 38 %einzelne zitierbare Belege
    • JEV 43 %umfangreiche Belege
    • amos 28 %Hintergrund, keine Belege
    • SubQ 46 %gleiches Oberthema, hilft nicht
    • drex 27 %gleiches Oberthema, hilft nicht
    • 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 40 %einzelne zitierbare Belege
    • JEV 55 %einzelne zitierbare Belege
    • amos 26 %einzelne zitierbare Belege
    • SubQ 41 %gleiches Oberthema, hilft nicht
    • drex 28 %gleiches Oberthema, hilft nicht
    • d3-ultra offen
    • Haiku-Prüfung Hintergrund, keine Belege

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 61 %Hintergrund, keine Belege
    • JEV 36 %einzelne zitierbare Belege
    • amos 26 %nur am Rande erwähnt
    • SubQ 100 %kein Bezug
    • drex 45 %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 29 %einzelne zitierbare Belege
    • JEV 37 %einzelne zitierbare Belege
    • amos 40 %gleiches Oberthema, hilft nicht
    • SubQ 62 %gleiches Oberthema, hilft nicht
    • drex 51 %gleiches Oberthema, hilft nicht
    • d3-ultra offen

Beteiligung und Gemeinwohl
  1. SF-E4 Wie bleibt KI ein gemeinsames Gut, statt Abhängigkeit und Marktmacht zu vertiefen?
    • clef 100 %kein Bezug
    • Luna 100 %kein Bezug
    • JEV 28 %einzelne zitierbare Belege
    • amos 42 %gleiches Oberthema, hilft nicht
    • SubQ 63 %gleiches Oberthema, hilft nicht
    • drex 100 %kein Bezug
    • 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 100 %kein Bezug
    • JEV 34 %einzelne zitierbare Belege
    • amos 49 %gleiches Oberthema, hilft nicht
    • SubQ 51 %gleiches Oberthema, hilft nicht
    • drex 62 %gleiches Oberthema, hilft nicht
    • d3-ultra offen
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 →