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
frank-andrade.medium.com8. August 2025 · Q009800

GPT-5 is Finally Here: These 3 Upgrades Are Total Game Changers

frank-andrade.medium.com · Originalbericht öffnen ↗

Zusammenfassung

Kurz

Der Bericht stellt GPT‑5 als adaptives Modell mit weniger Halluzinationen und stärkeren Programmierfähigkeiten dar und nennt dazu von OpenAI berichtete Benchmarkwerte. Er hebt außerdem mögliche Fortschritte bei Medizin, Schreiben und Bildverständnis sowie einen geringeren Tokenverbrauch hervor, räumt aber ein, dass GPT‑5 nicht fehlerfrei ist; unabhängige Prüfmethoden werden nicht ausgeführt.

Mittel

Frank Andrade beschreibt drei zentrale Neuerungen von GPT‑5: ein vereinheitlichtes Modell, das den Rechenaufwand passend zur Anfrage automatisch anpasst, eine geringere Neigung zu Halluzinationen und bessere Programmierfähigkeiten. Ein interner Router soll einfache Fragen schnell beantworten und bei schwierigen Aufgaben einen tieferen Denkmodus aktivieren, auch für kostenlose Nutzer.

Laut im Artikel wiedergegebenen OpenAI-Ergebnissen habe GPT‑5 im intensiven Denkmodus rund 80 Prozent weniger sachlich falsche Aussagen als das vorherige Spitzenmodell gemacht. In einem Test mit entfernten Bildern habe es fehlende Informationen zudem deutlich seltener erfunden als o3. Der Autor betont jedoch, dass GPT‑5 weiterhin Fehler mache und die Wahrheitstreue noch verbessert werden müsse.

Bei Code und Webdesign nennt der Bericht unter anderem eine Präferenz menschlicher Beurteilender für GPT‑5 in 70 Prozent der Vergleiche. Weitere angeführte Werte sind 94,6 Prozent bei AIME 2025, knapp 75 Prozent bei SWE-Bench und 84,2 Prozent in einem multimodalen Test. Außerdem behauptet der Artikel Fortschritte bei Medizin, Schreiben und Bildverständnis sowie einen um 50 bis 80 Prozent geringeren Tokenverbrauch im Denkmodus. Die Zahlen werden als Benchmark- beziehungsweise OpenAI-Angaben wiedergegeben; konkrete Testdetails und unabhängige Prüfungen erläutert der Text nicht.

Ausführlich lesen

Der Bericht von Frank Andrade stellt drei Neuerungen von GPT‑5 heraus: ein vereinheitlichtes Modell, weniger erfundene Antworten und stärkere Fähigkeiten beim Programmieren. Ergänzend beschreibt er Fortschritte beim Schreiben, bei medizinischen Fragen, beim Verstehen von Bildern und beim Rechenaufwand. Die Aussagen beruhen laut Autor auf OpenAI-Angaben, einer Launch-Präsentation und Rückmeldungen von Personen mit frühem Zugang; der Text präsentiert sie überwiegend als Vorteile des neuen Modells.

Erstens müsse man nicht mehr selbst zwischen zahlreichen Modellen wechseln. GPT‑5 sei als ein System gestaltet, das die Schwierigkeit einer Anfrage einschätzt und dafür automatisch mehr oder weniger Rechenaufwand einsetzt. Ein interner Router nutze dafür laut Bericht „test-time compute“: Einfache Fragen würden schnell bearbeitet, während anspruchsvollere Aufgaben einen tieferen Denkmodus auslösen könnten. Diese Anpassung solle auch kostenlosen Nutzern zugutekommen. Sam Altman wird mit der Einschätzung zitiert, GPT‑5 fühle sich erstmals wie ein Experte an, der nahezu alles beantworten könne.

Zweitens behauptet der Artikel, GPT‑5 liefere verlässlichere Antworten und erkenne Unsicherheit besser. Nach von OpenAI genannten Ergebnissen habe es im intensiven Denkmodus rund 80 Prozent weniger sachlich falsche Aussagen produziert als das vorherige Spitzenmodell. In einem visuellen Test, bei dem Bilder entfernt wurden, habe das Modell o3 laut Bericht in 86,7 Prozent der Fälle selbstsicher Details erfunden; GPT‑5 habe dies in etwa 9 Prozent der Fälle getan und meist auf das fehlende Bild hingewiesen. Der Autor folgert, GPT‑5 sage häufiger, wenn es eine Aufgabe nicht zuverlässig erledigen könne. Zugleich räumt er ein, dass das Modell weiterhin nicht fehlerfrei sei und OpenAI noch Verbesserungsbedarf bei der Wahrheitstreue sehe.

Drittens hebt der Text Programmierleistungen hervor. GPT‑5 könne aus einer einfachen Beschreibung funktionierende Anwendungen erstellen, schwierige Fehler finden und mehrstufige Projekte bearbeiten. Bei Bewertungen von Webdesign-Ausgaben hätten menschliche Beurteilende GPT‑5 in 70 Prozent der Vergleiche der Vorgängerversion vorgezogen. Als weitere Leistungswerte nennt der Artikel 94,6 Prozent bei der Mathematikprüfung AIME 2025, knapp 75 Prozent auf SWE-Bench und 84,2 Prozent bei einem multimodalen Verständnistest. Für einen medizinischen Benchmark wird ein Spitzenresultat behauptet, ohne im Fließtext einen konkreten Prozentwert zu nennen.

Als zusätzliche Verbesserungen nennt der Autor bessere Schreibfähigkeiten, medizinische Antworten, visuelles und räumliches Verständnis sowie effizientere Ausgaben. Bei Schreibbeispielen habe er selbst keinen großen Unterschied gesehen, bewertet die möglichen Fortschritte bei Ton und Wirkung aber positiv. Im Denkmodus habe GPT‑5 laut Vergleich 50 bis 80 Prozent weniger Ausgabetokens als das frühere Spitzenmodell benötigt. Der Bericht liefert diese Werte als zusammengefasste Benchmark- und OpenAI-Angaben; nähere Testmethoden, unabhängige Überprüfungen oder Einschränkungen der Vergleiche führt er nicht aus.

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

Gegengeprüft von Claude Haiku 5.5: kleine Mängel

Lunas Einordnung enthält drei Sammelfragen, aber keine Teilfragen; Teilfragen wurden deshalb nicht bewertet. Die Zusammenfassung wurde gegen den vollständigen Artikel geprüft.

Im Bericht, aber nicht in der Zusammenfassung

  • Das Zitat von Sam Altman über GPT-5 als Experten mit Doktortitel („expert in your pocket“) fehlt.
  • Die Benchmarks HealthBench und FactScore sowie die Angabe, dass GPT-5 im Denkmodus rund 80 % weniger faktisch falsche Aussagen hat, werden nur teilweise genannt.
  • Die Begriffe „GPT-5 Thinking“ und „test-time compute“ fehlen, ebenso die Einordnung des Autors, dass er die Schreibverbesserungen selbst nicht bemerkt habe.
  • Die Kurzfassung nennt keine Zahlen und keinen Benchmark, obwohl der Bericht mehrere quantitative Angaben macht.

In der Zusammenfassung, laut Prüfung nicht im Bericht belegt

  • Die Kurzfassung behauptet Fortschritte beim Schreiben, der Bericht sagt aber, der Autor habe dort keine große Verbesserung bemerkt.
  • Die Aussage, der Text erläutere keine konkreten Testdetails, ist falsch: er nennt AIME 2025, SWE-Bench, MMMU, HealthBench und FactScore.
  • Die Mittelfassung schreibt die Aussage zur Wahrheitstreue dem Autor zu, der Bericht führt sie aber als Eingeständnis von OpenAI an.

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 47 %Hintergrund, keine Belege
    • JEV 38 %gleiches Oberthema, hilft nicht
    • amos 34 %gleiches Oberthema, hilft nicht
    • SubQ 55 %gleiches Oberthema, hilft nicht
    • drex 61 %gleiches Oberthema, hilft nicht
    • d3-ultra 55 %gleiches Oberthema, hilft nicht
    • Haiku-Prüfung gleiches Oberthema, hilft nicht
Unabhängig prüfen
  1. SF-P3 Woran erkennt man, dass ein Labor sich ehrlich selbst überwacht und dass seine Prüfungen gültig sind?
    • clef 100 %kein Bezug
    • Luna 40 %einzelne zitierbare Belege
    • JEV 39 %einzelne zitierbare Belege
    • amos 29 %Hintergrund, keine Belege
    • SubQ 46 %gleiches Oberthema, hilft nicht
    • drex 48 %gleiches Oberthema, hilft nicht
    • d3-ultra 60 %gleiches Oberthema, hilft nicht
    • Haiku-Prüfung Hintergrund, keine Belege
Tempo und Grenzen
  1. SF-T3 Woran erkennt man, dass KI beginnt, ihre eigene Weiterentwicklung voranzutreiben, und wer darf das erlauben?
    • clef 33 %gleiches Oberthema, hilft nicht
    • Luna 47 %Hintergrund, keine Belege
    • JEV 51 %gleiches Oberthema, hilft nicht
    • amos 39 %gleiches Oberthema, hilft nicht
    • SubQ 51 %gleiches Oberthema, hilft nicht
    • drex 73 %gleiches Oberthema, hilft nicht
    • d3-ultra 72 %gleiches Oberthema, hilft nicht
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 32 %Hintergrund, keine Belege
    • JEV 46 %einzelne zitierbare Belege
    • amos 28 %Hintergrund, keine Belege
    • SubQ 48 %gleiches Oberthema, hilft nicht
    • drex 45 %gleiches Oberthema, hilft nicht
    • d3-ultra 57 %gleiches Oberthema, hilft nicht
  2. SF-V3 Halten die Werte eines Modells, wenn niemand zusieht oder die Lage neu ist?
    • clef 100 %kein Bezug
    • Luna 39 %Hintergrund, keine Belege
    • JEV 46 %einzelne zitierbare Belege
    • amos 29 %nur am Rande erwähnt
    • SubQ 46 %gleiches Oberthema, hilft nicht
    • drex 61 %gleiches Oberthema, hilft nicht
    • d3-ultra 59 %gleiches Oberthema, hilft nicht
  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 37 %nur am Rande erwähnt
    • JEV 61 %einzelne zitierbare Belege
    • amos 49 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 53 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug
  4. SF-V5 Was soll heute für das Verhalten und den Betrieb von Modellen gelten?
    • clef 100 %kein Bezug
    • Luna 45 %einzelne zitierbare Belege
    • JEV 40 %umfangreiche Belege
    • amos 28 %Hintergrund, keine Belege
    • SubQ 57 %gleiches Oberthema, hilft nicht
    • drex 56 %gleiches Oberthema, hilft nicht
    • d3-ultra 66 %gleiches Oberthema, hilft nicht
    • Haiku-Prüfung Hintergrund, keine Belege
Agenten und vernetzte Systeme
Modelle teilen und schützen
Frieden und Sicherheit
Offenlegung und Rechenschaft
Beteiligung und Gemeinwohl
  1. SF-E4 Wie bleibt KI ein gemeinsames Gut, statt Abhängigkeit und Marktmacht zu vertiefen?
    • clef 100 %kein Bezug
    • Luna 53 %gleiches Oberthema, hilft nicht
    • JEV 26 %einzelne zitierbare Belege
    • amos 51 %gleiches Oberthema, hilft nicht
    • SubQ 53 %gleiches Oberthema, hilft nicht
    • drex 65 %gleiches Oberthema, hilft nicht
    • d3-ultra 50 %gleiches Oberthema, hilft nicht
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 →