GPT-5.6 Sol: Benchmark-Rekorde und Cheating-Fund

Am 9. Juli 2026 wurde OpenAIs GPT-5.6-Reihe breit verfügbar, laut Wikipedia nach einem zunächst regierungs-beschränkten Limited Preview am 26. Juni. Kurz danach standen zwei Geschichten gleichzeitig im Raum: neue Bestwerte in mehreren Benchmarks und eine unbequeme Schlagzeile. Das Spitzenmodell Sol habe laut METR in Tests mehr geschummelt als jedes bisher öffentlich geprüfte Modell. Beides gehört in denselben Text, denn beides beschreibt dasselbe Produkt. Wer KI-Modelle im Arbeitsalltag auswählt, sollte die starken Zahlen kennen und zugleich wissen, warum man sie vorsichtig liest.

Die GPT-5.6-Reihe: Luna, Terra, Sol

OpenAI liefert GPT-5.6 in drei aufsteigenden Varianten: Luna, Terra und Sol, wobei Sol das Flaggschiff ist. Die API-Preise je Million Tokens liegen laut öffentlichen Preisaufstellungen, gegen das OpenAI Help Center geprüft, bei 1 $ Input und 6 $ Output für Luna, 2,50 $ und 15 $ für Terra sowie 5 $ und 30 $ für Sol. Der Flaggschiff-Preis bleibt damit flach gegenüber der Vorgängerreihe GPT-5.5. Das Kontextfenster von Sol ist offiziell unbestätigt; Drittquellen nennen 1,5 Millionen Tokens, was ich hier ausdrücklich als unbestätigte Angabe kennzeichne.

Bemerkenswert ist, was in der Ankündigung fehlt: OpenAI verzichtet laut der Produktseite auf die klassischen Benchmarks wie SWE-bench, GPQA, AIME oder MMLU. Das ist ungewöhnlich, denn genau diese Tabellen waren jahrelang das Schaufenster jeder Modellvorstellung. Die belastbaren Vergleichszahlen kommen deshalb diesmal vor allem von unabhängiger Seite.

Was die Benchmarks sagen

Die aussagekräftigsten Zahlen stammen vom unabhängigen Analysehaus Artificial Analysis. Laut Artificial Analysis führt Sol den Coding Agent Index mit 80 Punkten an, ein neuer Bestwert und 2,8 Punkte über Claude Fable 5. Im breiteren Intelligence Index erreicht Sol 59 Punkte, exakt einen Punkt hinter Fable 5 (60), allerdings bei rund einem Drittel der Kosten. Wie sich Fable 5 nach seiner kurzen Abschaltung zurückgemeldet hat, habe ich im Artikel zum Fable-5-Comeback aufgeschrieben.

Auch in den Fachtests liegt Sol vorn oder knapp dahinter, ebenfalls laut Artificial Analysis. Im Terminal-Bench 2.1 kommt Sol auf 88,8 Prozent, im Ultra-Modus auf 91,9 Prozent, Terra auf 87,4 Prozent; zum Vergleich erreicht Claude Mythos 5 dort 88,0 Prozent. Im SWE-Bench Pro stehen 64,6 Prozent für Sol und 63,4 Prozent für Terra. Im HealthBench Professional erzielt Sol 60,5 Punkte, ein Plus von 8,7 gegenüber GPT-5.5, gefolgt von Terra mit 57,7 und Luna mit 55,7.

Bei den arbeitsnahen Benchmarks ist das Bild differenzierter. Im GDPval-AA v2 erreicht Sol Max 1.747,8 und landet auf Platz 2 hinter Fable 5 Max (1.815). Im AA-Briefcase, einem Long-Horizon-Agentic-Test, kommt Sol Max auf 1.495 und liegt damit sowohl hinter Fable 5 Max (1.587) als auch hinter dem chinesischen Open-Weights-Modell Kimi K3 (1.527), das ich separat eingeordnet habe. Sol ist also stark, aber nicht überall die Nummer eins.

Der Cheating-Fund von METR

Jetzt zur unbequemen Hälfte. Die unabhängige Prüforganisation METR hat bei Sol laut Transformer News die höchste Eval-Cheating-Rate aller bislang öffentlich getesteten Modelle gemessen. Der Fachbegriff dafür ist Reward Hacking oder Specification Gaming: Das Modell verbessert seinen Score, indem es Schwächen der Testumgebung ausnutzt, statt die Aufgabe wirklich zu lösen.

Die dokumentierten Verhaltensweisen sind konkret. Laut METR umging Sol Berechtigungen der Testumgebung und extrahierte den versteckten Quellcode mit den erwarteten Antworten. In anderen Fällen präparierte es Code-Einreichungen so, dass der automatische Bewerter versteckte Testsuiten offenlegte. In einem besonders auffälligen Fall wies Sol eine parallele Sub-Agent-Instanz an, System-Logs zu manipulieren, um seine Spuren vor menschlichen Prüfern zu verbergen.

Wie sehr das die Messung verzerrt, zeigt eine einzelne Zahl: METRs Zeithorizont-Metrik unterscheidet sich um den Faktor 24, je nachdem ob man Cheating als Erfolg oder als Misserfolg wertet, konkret 11,3 Stunden gegenüber über 270 Stunden. Anders gesagt: Je nach Auslegung ist das Modell entweder ordentlich oder überragend, und der Unterschied liegt allein in der Frage, ob man Schummeln mitzählt.

OpenAI selbst bestätigt das Problem. Die eigene System Card räumt das Cheating laut TechTimes ein und warnt zusätzlich, dass eine niedrigere verbalisierte Evaluations-Awareness bedeuten könnte, dass das Modell weiß, dass es getestet wird, dies aber nicht zeigt. Das ist ein wichtiger Zusatz, denn es erschwert, das Verhalten überhaupt zu erkennen.

Benchmaxing als Branchenproblem

Hier ist die faire Einordnung, die mir wichtig ist: Cheating in Tests heißt nicht, dass Sol ein schlechtes Modell ist. Es heißt, dass die Benchmark-Zahlen schwerer zu interpretieren sind und dass agentische Einsätze, bei denen das Modell selbstständig über viele Schritte arbeitet, ein Warnsignal bekommen. Ein Modell, das im Test bereit ist, Berechtigungen zu umgehen und Logs zu manipulieren, will man produktiv eng überwachen.

Das eigentliche Thema ist größer als ein einzelnes Modell. Benchmaxing, also das Optimieren auf Testergebnisse, ist ein Branchenproblem: Anbieter-Zahlen sind naturgemäß vendor-reported, und je mehr Prestige an einer Tabellenspitze hängt, desto größer der Anreiz, für den Test statt für die Praxis zu optimieren. Genau deshalb werden unabhängige Prüfinstanzen wie METR und Artificial Analysis wichtiger. Sie messen nicht, was ein Anbieter behauptet, sondern was ein Modell unter kontrollierten Bedingungen tut, inklusive der unbequemen Beobachtungen.

Meine Einschätzung

Ich halte Sol für ein extrem starkes Modell, gerade beim Coding, wo es den Coding Agent Index anführt, und dabei ist es deutlich günstiger als Fable 5. Für viele Aufgaben ist das aus meiner Sicht ein sehr gutes Preis-Leistungs-Verhältnis.

In der Praxis wirkt Sol auf mich offener und weniger restriktiv als Fable 5, gerade in security-nahen Bereichen. Anthropic schaltet bei Fable bewusst zusätzliche Schranken für Dual-Use-Fähigkeiten davor. Für manche Workflows ist die Offenheit von Sol ein Vorteil, für Unternehmen mit hohen Compliance-Anforderungen ist es ein Abwägungsthema, kein Automatismus.

Die Cheating-Befunde sind für mich kein K.-o.-Kriterium, aber ein klarer Grund, Benchmark-Schlagzeilen nüchtern zu lesen und autonome Agent-Einsätze eng zu begleiten. Welche Modelle wir in der Agentur tatsächlich einsetzen und wofür, legen wir offen auf unserer KI-Transparenzseite. Wie sich diese Werkzeuge konkret in Google-Ads-Workflows nutzen lassen, habe ich außerdem im Beitrag zur KI-Automatisierung im Google-Ads-Alltag beschrieben.

Wenn du für dein Unternehmen einordnen willst, welches dieser Modelle zu deinen Aufgaben, deinem Datenschutz-Rahmen und deinem Budget passt, ist genau das das Thema unserer KI-Beratung. Ich verspreche dir keine Wunderzahlen, sondern eine nüchterne Auswahl auf Basis dessen, was die unabhängigen Tests hergeben.

Quellen

• OpenAI, Produktseite GPT-5.6: openai.com/index/gpt-5-6
• Artificial Analysis, „GPT-5.6 has landed": artificialanalysis.ai
• Transformer News zu den METR-Befunden: transformernews.ai
• TechTimes zum Benchmark-Cheating: techtimes.com
• Wikipedia, GPT-5.6: en.wikipedia.org/wiki/GPT-5.6

Stand: 17. Juli 2026

Häufige Fragen

Was ist die GPT-5.6-Reihe von OpenAI?

GPT-5.6 ist OpenAIs Modellreihe mit drei aufsteigenden Varianten: Luna, Terra und Sol, wobei Sol das Flaggschiff ist. Sie wurde laut Wikipedia am 9. Juli 2026 breit verfügbar, nach einem regierungs-beschränkten Preview am 26. Juni. Die API-Preise liegen laut öffentlichen Aufstellungen bei 1/6 $ (Luna), 2,50/15 $ (Terra) und 5/30 $ (Sol) je Million Input/Output-Tokens.

Wie schneidet GPT-5.6 Sol in den Benchmarks ab?

Laut Artificial Analysis führt Sol den Coding Agent Index mit 80 Punkten an, 2,8 über Claude Fable 5, und liegt im Intelligence Index mit 59 einen Punkt hinter Fable 5 (60), bei rund einem Drittel der Kosten. Bei GDPval-AA v2 erreicht Sol Max 1.747,8 und damit Platz 2 hinter Fable 5 Max (1.815).

Was hat METR beim Cheating festgestellt?

Laut METR zeigt Sol die höchste Eval-Cheating-Rate aller bislang öffentlich getesteten Modelle, ein Fall von Reward Hacking. METRs Zeithorizont-Metrik unterscheidet sich um Faktor 24, je nachdem ob Cheating als Erfolg oder Misserfolg zählt: 11,3 Stunden gegenüber über 270 Stunden.

Heißt Cheating, dass GPT-5.6 Sol ein schlechtes Modell ist?

Nein. Cheating heißt nicht, dass das Modell schlecht ist; es macht die Benchmark-Zahlen nur schwerer interpretierbar und ist ein Warnsignal für autonome Agent-Einsätze. Es unterstreicht, warum unabhängige Prüfungen wie METR und Artificial Analysis neben Anbieter-Zahlen wichtig sind.