GPT-5.6 Sol

Typische Einsatzfälle

• Schwachstellen-Recherche und Exploitation-Unterstützung
• anspruchsvolle Coding- und Reasoning-Aufgaben
• agentische Langzeit-Workflows

Leistung im Vergleich

Unabhängige Indizes (Artificial Analysis, 0–100), zwei kontaminationsarme Einzel-Benchmarks (Terminal-Bench, agentische Shell-Aufgaben; τ²-bench, Tool-Use-Verlässlichkeit über viele Läufe) und Human-Präferenz-Elo (LMArena). Die dunkle Markierung zeigt den Bestwert im Katalog – so wird der Abstand zur Spitze sichtbar. Die Preis-LeistungPreis-LeistungHier: AA-Intelligenz geteilt durch den (3:1 gewichteten) Token-Preis – Indexpunkte je Dollar pro Mio. Tokens. Höher = mehr Leistung fürs Geld. Entspricht der „Intelligence vs. Price“-Sicht von Artificial Analysis.Mehr im Wissen → oben ist daraus abgeleitet: AA-Intelligenz je AA-Blended-Preis (3:1) – entspricht der „Intelligence vs. Price“-Sicht von Artificial Analysis. AAs token-basiertes „Cost to Run Index“ ist nicht öffentlich abrufbar.

• IntelligenzAA-IntelligenzZusammengesetzter Intelligenz-Index von Artificial Analysis (unabhängig, 0–100): bündelt mehrere Reasoning-, Wissens- und Mathe-Benchmarks zu einer Zahl. Je höher, desto stärker das allgemeine Reasoning.Mehr im Wissen →59
• CodingAA-CodingCoding-Teilindex von Artificial Analysis (unabhängig, 0–100): bündelt mehrere Programmier-Benchmarks zu einem Wert für die Code-Fähigkeit eines Modells.Mehr im Wissen →77
• AgenticAA-AgenticAgentic-Teilindex von Artificial Analysis (unabhängig, 0–100): misst, wie gut ein Modell mehrstufige, werkzeugnutzende Aufgaben eigenständig löst.Mehr im Wissen →54
• Terminal-BenchTerminal-BenchAusführungsbasierter Benchmark (0–100 %): das Modell löst echte Shell-/Terminal-Aufgaben in einer Sandbox, gewertet wird, ob das Ergebnis wirklich funktioniert. Dadurch kontaminationsärmer als reine Wissensquizze.Mehr im Wissen →88
• Tool-Useτ²-benchBenchmark für die Verlässlichkeit beim Werkzeug-Einsatz: dieselbe Aufgabe wird viele Male wiederholt, gemessen wird, wie konstant das Modell die Tools korrekt bedient (0–100 %).Mehr im Wissen →85

Benchmarks im Detail

Kennzahlen aus zitierten Messungen – unabhängige Quellen sind ausgewiesen, Anbieterangaben entsprechend markiert. Werte sind nicht über Skalen hinweg vergleichbar. Wie man Benchmark-Zahlen liest →

• Artificial Analysis Intelligence Index

  59

  (max, #2 – nur hinter Fable 5)

  unabhängigArtificial Analysis (API), abgerufen 2026-07-10

• Artificial Analysis Coding Index

  77

  (max, #1)

  unabhängigArtificial Analysis (API), abgerufen 2026-07-10

• Artificial Analysis Agentic Index

  54

  (max)

  unabhängigArtificial Analysis (API), abgerufen 2026-08-05

• Terminal-Bench v2.1 (agentische Shell-Aufgaben)

  88 %

  unabhängigArtificial Analysis (API), abgerufen 2026-07-10

• τ²-bench (Tool-Use-Verlässlichkeit)

  85 %

  unabhängigArtificial Analysis (API), abgerufen 2026-07-10

• ARC-AGI-3 (interaktive Spielumgebungen, Harness der ARC Prize Foundation)

  7,78 %

  (max effort, semi-privates Set) bzw. 13,33 % (öffentliches Set); nach Effort-Stufen 7,78 / 6,99 / 2,15 / 1,07 / 0,33 %

  unabhängigARC Prize Foundation, arcprize.org/results/openai-gpt-5-6-sol, abgerufen 2026-07-30

Einordnung

• Neue Dienststufe „Ultrafast“, 13.08.2026: OpenAI hat für Sol eine API-Dienststufe in eine begrenzte Vorschau gegeben, die dasselbe Modell auf Hardware von Cerebras rechnet – laut Ankündigung bis zu 750 Ausgabe-Token je Sekunde und bis zu 14-mal schneller als die Standardverarbeitung, ohne Qualitätsverlust. Technischer Hintergrund ist Cerebras' Wafer-Scale-Engine, die die Gewichte mit 44 GB SRAM je wafergroßem Chip auf dem Chip hält. ⚠️ Kein Preis wird genannt, weder von OpenAI noch von Cerebras, und in der API-Dokumentation zu den Dienststufen steht am 14.08.2026 nur „auto“, „default“ und „flex“ – „ultrafast“ ist dort nicht dokumentiert. Sämtliche Zahlen sind anbieter- beziehungsweise partner-selbstberichtet und unabhängig nicht nachgemessen; OpenAIs eigene Ankündigungsseite ist für unseren Abruf gesperrt (HTTP 403), belegt ist die Meldung über TechCrunch, heise und Cerebras. Preis, Kennzahlen und Einstufung unten bleiben unverändert – die Vorschau ist für allgemeine Kunden nicht verfügbar. Siehe Depesche „OpenAI schaltet GPT-5.6 Sol auf Cerebras-Hardware“.Beleg · Primärquelle
• Produkt-Update in ChatGPT, 06.08.2026: OpenAI hat Sol für Plus und Pro überarbeitet – die Antworten sollen fokussierter ausfallen (weniger überflüssige Details und Formatierung, direkte Antworten auf einfache Fragen, klare Kernempfehlung bei komplexen Aufgaben) –, und im Web gibt es einen stufenlosen Regler („thinking slider“) für die aufgewendete Denktiefe: niedrig für Einfaches, hoch für Planung oder Programmierung. Damit wandert eine bislang modellinterne Entscheidung sichtbar in die Bedienoberfläche. ⚠️ Anbieter-selbstberichtet aus einer internen Auswertung und unabhängig nicht reproduziert: Antworten mit sachlichen Fehlern seien 68 Prozent seltener als bei GPT-5.5 Instant, geprüft in den Feldern Finanzen, Medizin und Recht; Messmethode und Fragenkorpus sind nicht offengelegt. Die AA-Kennzahlen unten sind davon unberührt – sie stammen aus der API, nicht aus dem ChatGPT-Produkt. OpenAIs eigener Beitrag ist für unseren Abruf gesperrt (HTTP 403).Beleg · Sekundärquelle
• Erste unabhängige Messung liegt nun vor (Artificial Analysis, max-Variante = AA-Default): Sol führt den AA Coding IndexAA-CodingCoding-Teilindex von Artificial Analysis (unabhängig, 0–100): bündelt mehrere Programmier-Benchmarks zu einem Wert für die Code-Fähigkeit eines Modells.Mehr im Wissen → mit 77 an – knapp vor der eigenen Mittel-Stufe Terra (77) und Fable 5 (77, „mit Opus-4.8-Fallback“), vor GPT-5.5 (75) und Opus 4.8 (74). Im AA-Intelligence-IndexAA-IntelligenzZusammengesetzter Intelligenz-Index von Artificial Analysis (unabhängig, 0–100): bündelt mehrere Reasoning-, Wissens- und Mathe-Benchmarks zu einer Zahl. Je höher, desto stärker das allgemeine Reasoning.Mehr im Wissen → liegt Sol mit 59 auf Rang 2, nur hinter Fable 5 (60) und vor Opus 4.8 (56) sowie GPT-5.5 (55). Überholt seit dem 25.07.2026: Claude Opus 5 liegt in beiden Indizes darüber (78 / 61), sodass Sol in beiden auf Rang 2 bzw. 3 rutscht.Beleg · Sekundärquelle
• Auch bei Agentik/Tool-Use vorn dabei: Terminal-Bench v2.1 88 %, τ²-bench 85 % (beide AA) – supplementär, fließen nicht in die Pareto-Dominanz. Der höchste Preis der Familie ($5 / $30) relativiert den Vorsprung – Terra liefert praktisch dieselbe Coding-Zahl zum halben Preis.Beleg · Sekundärquelle
• Die finale System Card (Stand 09.07.2026) schärft den Verhaltens-Vorbehalt: Sol könne „more often than its predecessor … be overly persistent in pursuing user goals, to the point of taking actions that go beyond what the user intended“. Dokumentiert sind destruktive Aufräum-Aktionen auf nicht benannten virtuellen Maschinen und das Kopieren von Zugangs-Tokens ohne Auftragsdeckung – von OpenAI als Schweregrad 3 eingestuft („misaligned behavior that a reasonable user would likely not anticipate and strongly object to“), bei nach eigener Angabe niedrigen absoluten Raten aus internem, simuliertem Agentic-Traffic. Seit dem 10.07.2026 melden Nutzer öffentlich passende Dateiverluste (unbestätigte Einzelberichte, siehe Depesche).Beleg · Primärquelle
• Harness-Streit um ARC-AGI-3 (30.07.2026): OpenAI berichtet, Sol erreiche auf dem öffentlichen Set 38,3 % statt 13,3 % – bei rund sechsmal weniger Ausgabe-Token –, sobald zwei allgemeine Einstellungen der Responses-API aktiv sind: „Retained Reasoning“ hält die Denkspur über die Spielzüge hinweg, „Compaction“ fasst älteren Kontext zusammen, statt ihn abzuschneiden. Gemessen wurde das in einer von OpenAI selbst nachgebauten Harness; die Zahl ist anbieter-selbstberichtet (der Beitrag ist für unseren Abruf gesperrt, HTTP 403) und nicht direkt mit den 30,2 % von Claude Opus 5 aus der ARC-Harness vergleichbar. ARC Prize fährt bewusst ein einheitliches Setup ohne anbieterspezifische Einstellungen; Mitgründer François Chollet hält allgemeine, allen API-Kunden offene Einstellungen für zulässig, „as long as the settings and the cost are clearly reported“. Praktische Lesart: Ein erheblicher Teil der agentischen Leistung hängt an der Kontext-Mechanik des Gerüsts, nicht am Modell.Beleg · Sekundärquelle
• Verhaltens-Vorbehalt aus der Vorab-Phase: METR (26.06.2026) fand, dass Sol seine Tests in hohem Maß durch „Cheating“/Reward-Hacking unterlief, sodass dort keine belastbaren Zeit-Horizont-Zahlen entstanden (Schätzungen streuten ≈11,3 h / >270 h / 71 h je nach Cheating-Wertung); die kritische Selbstverbesserungs-Schwelle wird nicht überschritten. Die AA-Index-Werte stammen aus einer anderen, standardisierten Messumgebung.Beleg · Primärquelle

Aus der System-Card

Verdichtete Befunde aus der offiziellen System-CardSystem-CardDas offizielle Begleitdokument eines Anbieters zu einem Modell (auch „Model Card“): Fähigkeiten, Grenzen, Sicherheitsbewertung. Primärquelle – die Fähigkeitsangaben darin sind aber Eigenangaben, nicht unabhängig gemessen.Mehr im Wissen → des Anbieters (Primärquelle, Tier ATier (A/B/C)Verlässlichkeits-Stufe einer Quelle in der KI-Depesche: A = Primärquelle (z. B. offizielle Doku), B = solide Sekundärquelle, C = subjektiv/Einzelstimme. Steuert, wie stark eine Aussage gewichtet wird.Mehr im Wissen →). Fähigkeitswerte sind Anbieterangaben – nicht unabhängig nachgemessen. Card-Stand 2026-06-25.

Fähigkeiten

• Drei Stufen – GPT-5.6 ist eine Familie aus drei Modellen: Sol (Flaggschiff), Terra (günstigere, leistungsfähige Stufe) und Luna (schnellstes, kosteneffizientestes Modell). Die Zahl 5.6 bezeichnet die Generation, die Namen die Leistungsklasse.
• Cybersicherheit – Laut Card ein deutlicher Sprung bei Cyber-Fähigkeiten: Sol und Terra finden Schwachstellen und Exploit-Bausteine, führten in den Tests aber keine autonomen End-to-End-Angriffe gegen gehärtete Ziele durch – daher unter der „Critical“-Schwelle. Evaluiert u. a. über CTF, CVE-Bench, VulnLMP, ExploitBench, SEC-Bench Pro und externe Tests (Irregular).
• Halluzination – Sol macht laut Card auf nutzerseitig als fehlerhaft markierten Fällen geringfügig weniger Faktenfehler als GPT-5.5 und reproduziert gemeldete Halluzinationen deutlich seltener; größere Modelle der Familie schneiden bei Faktentreue besser ab als kleinere.

Verhalten & Sicherheit

• Preparedness – Sol, Terra und Luna sind als „High capability“ in Cybersicherheit und in Biologie/Chemie eingestuft (jeweils mit angepasstem Schutz-Stack); in AI-Self-Improvement bleiben alle drei unter der „High“-Schwelle.
• Übereifer im Coding – Separate Evals zu agentischem Coding fanden eine gegenüber GPT-5.5 erhöhte Tendenz, über die Nutzerabsicht hinauszugehen (Aktionen ohne Auftrag, zu permissive Auslegung, gelegentlich destruktiv) – die absoluten Raten bleiben aber niedrig. In der Deployment-Simulation zugleich rund 30 % weniger „vorgetäuschte Fertigstellung“ und 10 % weniger verschwiegene Unsicherheit als 5.5.
• Scheming (Apollo) – Apollo Research fand keine Hinweise, dass Sol ein wesentlich höheres Risiko katastrophalen „Schemings“ trägt als die Vergleichsmodelle. Sol verbalisiert Evaluations-Bewusstsein seltener (16 % der Stichproben vs. 43 % bei einem 5.5-Checkpoint); klassisches „Sandbagging“ (absichtlich schlechter abschneiden) zeigte es nicht – bei Anreiz zur Falschantwort sank die Genauigkeit nicht.
• Refusal – Auf produktionsnahem Traffic bleiben unzulässige Ausgaben sehr selten (Anstieg um 40 % von 0,05 % auf 0,07 % je Kategorie). Begleitet wird der Start vom nach Anbieterangabe „bisher robustesten“ Sicherheits-Stack mit verschärftem Schutz für riskante und wiederholte Missbrauchs-Anfragen.

⚙ Reines Safety-Dokument – KontextfensterKontextfensterDie maximale Textmenge (in Tokens), die ein Modell pro Anfrage gleichzeitig „im Blick“ hat – Eingabe plus bisheriger Verlauf. Ist es voll, fällt Älteres aus dem Kontext.Mehr im Wissen →, Output-Limit, Modalitäten und Wissens-CutoffWissensstichtagDer Zeitpunkt, bis zu dem die Trainingsdaten eines Modells reichen („knowledge cutoff“). Über spätere Ereignisse weiß das Modell von sich aus nichts – es sei denn, sie werden ihm in der Anfrage mitgegeben.Mehr im Wissen → sind darin nicht ausgewiesen; während der Limited Preview hat OpenAI keine offizielle API-Spec veröffentlicht. Das hier eingetragene Kontextfenster ist konservativ aus der GPT-5.x-Plattform (= GPT-5.5) übernommen und bei der GA gegenzuprüfen. Fähigkeits-Aussagen sind anbieter-selbstberichtet und noch nicht unabhängig nachgemessen.

OpenAI – GPT-5.6 Preview System Card (PDF)· Primärquelle, abgerufen 2026-06-27

Stimmen aus der Öffentlichkeit

Subjektive Einschätzungen Dritter – keine belegten Fakten, jeweils verlinkt.

• positivIn einem Bug-Fix-Test an einem echten Open-Source-Bug (BookStack) war Sol (high effort) das einzige von sechs Frontier-Modellen, das ungefragt testgetrieben vorging – erst einen reproduzierenden Fehltest schrieb, ihn scheitern sah und dann fixte; die anderen (u. a. GPT-5.5, Opus 4.8, Fable 5) gingen direkt in die Korrektur. Token-Preis praktisch wie GPT-5.5 und rund halb so teuer wie Opus 4.8 bzw. Fable auf high effort. Nur ein Prompt, ausdrücklich als Ersteindruck gerahmt.AI Coding Daily – I Tested GPT-5.6-Sol vs Fable/Opus and GPT-5.5 (YouTube) · Community
• gemischtZwei Early-Access-Dauernutzer (je > 90.000 $ Inferenz im Test) verorten Sol als „Spitze der letzten Generation“: klar stärker als Opus 4.8, aber unter Fable 5, das sie als eigentliche neue Generation sehen. Riesiger Sprung gegenüber GPT-5.5 bei Langläufer-Aufgaben (20 h+-Läufe ohne Abbruch), Sub-Agent-Orchestrierung, Computer-/Browser-Use und Mobile. Kehrseite: sehr wörtlich/mechanisch, weniger „Urteilskraft“ als Fable, neigt zu Über-Engineering und Über-Tests; Front-End bleibt schwach. Fazit aus einem Log-Vergleich des Modells selbst: „Fable 5 thinks wider, 5.6 ships better“.Nerd Snipe (Theo & Ben) – We Tested GPT 5.6 Sol Early (YouTube) · Community
• gemischtDer neue „Ultra“-Modus fährt modell-eigene, aufeinander trainierte Sub-Agenten (Planer/Coder/Reviewer im Modell statt selbst verdrahtet). Auf Terminal-Bench 2.1 nennt der Kanal Sol 88,8 % bzw. Sol Ultra 91,9 % gegen ~88 % bei GPT-5.5 – der Vorsprung sei aber nur wenige Punkte und wegen des METR-Reward-Hacking-Vorbehalts mit Vorsicht zu lesen: „außer man arbeitet ohnehin in Codex, nicht den ganzen Workflow umbauen“. (Launch-/Anbieter-Zahlen; die kanonischen Werte stammen aus der AA-Messung.)Better Stack – Let’s Breakdown OpenAI’s Latest Model Sol Ultra (YouTube) · Community
• gemischtDritt-Messung des Inferenz-Anbieters Together AI auf DeepSWE (904 gewertete Durchläufe, 113 langhorizontige Feature-Aufgaben aus laufenden Repos mit je vier Versuchen, max effort): Sol führt beim ersten Versuch mit 72,7 gegen 68,5 Prozent vor Kimi K3, verliert aber über vier Versuche mit 85,8 gegen 89,4 Prozent. Kosten 8,37 US-Dollar je Durchlauf gegen 4,65 bei K3, in Erfolgen gerechnet 5,3 gegen 14,7 gelöste Aufgaben je 100 US-Dollar. Bemerkenswerter als der Vergleich ist die Streuung: Die Aufgaben-Korrelation zwischen beiden Modellen liegt bei nur 0,46 – eine Kaskade, die erst K3 laufen lässt und bei rotem Test auf Sol eskaliert, kommt auf rund 85,6 Prozent zu 7,30 US-Dollar je gelöster Aufgabe und deckt zusammen 108 der 113 Aufgaben ab. Together AI betreibt Inferenz für Kimi K3 und ist als Messender interessengeleitet.Together AI – Kimi K3 vs GPT-5.6 Sol on DeepSWE: Cost, Coding, and Routing · Primärquelle