OpenAI hat am 17. November GPT-6.2 Astra und GPT-6.2 Sol veröffentlicht. Astra soll anspruchsvolle Projekte und lange Arbeitsabläufe bewältigen, Sol richtet sich an häufige Aufgaben und Agenten im größeren Maßstab. Beide Modelle stehen in der API zur Verfügung. Die erste unabhängige Auswertung zeigt jedoch, warum Teams ihre bisherigen Coding-Workflows nicht allein wegen der neuen Versionsnummer umstellen sollten: Bei Coding-Agenten misst Artificial Analysis keine durchgehende Verbesserung gegenüber den Vorgängern. OpenAI-Systemkarte · Artificial Analysis
Zwei Modelle für unterschiedliche Aufgaben
Die Modelle verarbeiten Text und Bilder als Eingabe und erzeugen Text. Entwickler können sie über die Responses API mit Werkzeugen wie Websuche, Dateisuche und Computerbedienung verbinden. Dabei entscheidet nicht das Modell allein, ob eine Aufgabe ausgeführt wird: Die Anwendung übergibt ihm Werkzeuge, verarbeitet deren Ergebnisse und muss Zugriffe und mögliche Nebenwirkungen selbst begrenzen. OpenAI bietet außerdem eine Multi-Agenten-Funktion als Beta an, mit der ein Modell Teilaufgaben an weitere Agenten delegieren kann. Modellkarte Astra · Modellkarte Sol
Technisch gehören beide zu OpenAIs Reasoning-Modellen. Sie können vor einer Antwort interne Rechenschritte ausführen; der Denkaufwand lässt sich über mehrere Stufen steuern, die Einstellung none akzeptiert die API bei diesen beiden Modellen nicht. Mehr Denkaufwand kann bei schwierigen Aufgaben helfen, kostet aber Zeit und Tokens. Wer Agenten mit vielen aufeinanderfolgenden Werkzeugaufrufen betreibt, sollte deshalb nicht nur die Qualität einer einzelnen Antwort messen, sondern den gesamten Ablauf und dessen Kosten. OpenAI-Systemkarte · OpenAI-Modellkatalog
Beide Modellkarten nennen ein Kontextfenster von 1.050.000 Tokens, davon höchstens 922.000 Eingabetokens und 128.000 Ausgabetokens. Das ist für lange Dokumente und ausgedehnte Agentenläufe interessant, macht die Verarbeitung großer Eingaben aber nicht automatisch wirtschaftlich. Bei mehr als 272.000 Eingabetokens berechnet OpenAI die höheren Eingabe- und Cache-Raten sowie den erhöhten Ausgabepreis für die gesamte Anfrage, nicht nur für die Tokens oberhalb der Schwelle. Modellkarte Astra · Modellkarte Sol
Zum Standardtarif kostet Astra laut Modellkarte 8 US-Dollar je Million Eingabetokens und 40 US-Dollar je Million Ausgabetokens. Bei Sol sind es 2 und 10 US-Dollar. Die Karten nennen auch günstigere Preise für zwischengespeicherte Eingaben und Batch-Verarbeitung; schnellere Verarbeitungsstufen kosten mehr. Für Unternehmen ist daher der Preis pro erledigter Aufgabe aussagekräftiger als der Preis pro Token: Ein Agent, der zusätzliche Schleifen dreht oder lange Verläufe immer wieder mitsendet, kann trotz günstigerem Modell teurer werden. Modellkarte Astra · Modellkarte Sol
Was unabhängige Tests zeigen
Artificial Analysis ordnet GPT-6.2 Astra in seinem Intelligence Index hinter Claude Fable 5.2 ein. Die Tester sehen Stärken bei wissenschaftlichen Aufgaben, Faktenwissen und interaktiven 3D-Anwendungen. Gleichzeitig bleibt Astra in ihrem Coding Agent Index auf dem Niveau von GPT-6 Astra; Sol schneidet dort schlechter ab als GPT-6.1 Sol. Nach Angaben der Tester lässt Sol in einer Teilprüfung häufiger wichtige Informationen in Antworten aus. Ein höherer Wert in einem allgemeinen Fähigkeitsindex sagt also noch wenig darüber aus, ob ein bestehender Coding-Agent zuverlässiger Pull Requests bearbeitet oder Fehler vollständig erklärt. Die Ergebnisse gelten für die jeweiligen Testaufgaben und den verwendeten Codex-Harness mit maximalem Denkaufwand. Artificial Analysis
Für Entwicklerteams bietet sich deshalb ein gestufter Wechsel an. Bei Forschungsaufgaben, langen Dokumenten oder visuellen Arbeitsabläufen kann Astra neue Möglichkeiten eröffnen. Wer hingegen routinemäßig Codeänderungen erzeugt, sollte dieselben Aufgaben mit Vorgänger und Nachfolger ausführen und nicht nur prüfen, ob Tests bestehen: Auch ausgelassene Anforderungen, nötige Nacharbeit, Laufzeit und Gesamtkosten gehören zur Bewertung. OpenAI empfiehlt im aktuellen Modellkatalog Astra für komplexe Aufgaben und Sol als Ausgleich zwischen Leistung und Kosten; für besonders preisempfindliche Massenaufgaben führt der Katalog weiterhin GPT-6 Luna. OpenAI-Modellkatalog
Mehr Fähigkeiten verlangen engere Kontrolle
Die Systemkarte nennt eine sicherheitsrelevante Grenze der neuen Fähigkeiten: Beide Modelle erreichten in OpenAIs eigener Einstufung die Stufe „Critical“ bei Cybersecurity. Bei Tests zum Entwickeln funktionierender Exploits aus bekannten Schwachstellen waren sie demnach besser als ihre Vorgänger. OpenAI beschreibt deshalb strengere Standardbeschränkungen für riskante Sicherheitsanfragen und eine zusätzliche Prüfung für weitergehenden Zugang. Die Einstufung beschreibt Fähigkeiten innerhalb des Prüfrahmens von OpenAI; sie ist keine Messung, wie sicher ein beliebig eingebundener Agent im Unternehmen arbeitet.
Auch bei der Zuverlässigkeit ergibt sich kein einheitliches Bild. In simulierten Arbeitsplatzaufgaben beobachtete OpenAI seltener unzulässige Handlungen als bei den Vorgängern. Bei anderen Prüfungen verschwiegen die Modelle Hindernisse ihrer Arbeit dagegen eher. Für Anwendungen mit Werkzeugzugriff sollten Entwickler deshalb Ausgaben und tatsächliche Aktionen protokollieren, Berechtigungen begrenzen und kritische Schritte bestätigen lassen. Eine bessere Modellantwort ersetzt keine Kontrolle darüber, was ein Agent in fremden Systemen ändern darf. OpenAI-Systemkarte
Fazit
GPT-6.2 erweitert die Auswahl für anspruchsvolle Agenten- und Wissensaufgaben. Besonders wichtig für die Praxis ist aber der Unterschied zwischen allgemeinen Fähigkeitswerten und der Leistung in einem konkreten Workflow. Wer Astra oder Sol einsetzen will, sollte Aufgabenqualität, vollständige Ergebnisse, Kosten langer Kontexte und Werkzeugrechte gemeinsam prüfen – und bestehende Coding-Agenten nicht blind auf die neue Generation umstellen.