Durst nach Realität: GPT-6 Astra im Detail

Die Transformer-Architektur, auf der alle modernen Sprachmodelle beruhen, wurde 2017 bei Google erfunden. OpenAI setzte auf die Skalierung dieser Architektur, als kaum jemand daran glaubte, und veröffentlicht seither jedes Jahr ein Flaggschiffmodell. Die Frage ist, wo genau der Fortschritt in jedem neuen Release stattfindet.

Am 3. September 2026 veröffentlichte OpenAI GPT-6 Astra und verkündete den Beginn der AGI-Ära. Firmenpräsident Greg Brockman fasste das Release in einem Satz zusammen: Der Test ARC-AGI-3 ist vollständig gelöst.

Wenige Stunden später veröffentlichte die Organisation, die genau diesen Test baut, ihre eigene Messung. Sie unterschied sich von der Zahl von OpenAI um fast vierzig Prozentpunkte.

Es folgen vier Zahlen, die mehr über dieses Release sagen als das gesamte Marketing darum herum.

ARC-AGI-3 prüft die Fähigkeit, sich in einer unbekannten interaktiven Umgebung zurechtzufinden. Das Modell landet in etwas, das nicht in den Trainingsdaten stand, und muss die Regeln unterwegs verstehen. Genau diese Fähigkeit gilt gemeinhin als Grenze zwischen Mensch und statistischem Modell. OpenAI meldete 99,9%. ARC Prize, die Organisation hinter dem Test, maß 62,71%. Beide Zahlen sind echt, und der Unterschied liegt darin, wie das Modell ausgeführt wurde.

Hier muss man über den Harness sprechen: Das ist nicht das neuronale Netz selbst, sondern das Gerüst, der Code rund um das Modell, ein externes Programm, das das Modell startet, seine Notizen speichert, die Aufgabe in Teilen zuführt und die Antwort einsammelt. OpenAI hatte einen eigenen Harness: Er bewahrte die internen Überlegungen des Modells zwischen den Schritten und komprimierte lange Dialoge geschickt. Der von ARC Prize ist ein Standard, für alle Modelle gleich.

Das Urteil von ARC Prize: Der Unterschied entsteht durch den Umgang mit dem Gedächtnis, das neuronale Netz ist in beiden Fällen dasselbe. Siebenunddreißig Prozentpunkte des Zuwachses lieferte der Code rund um das Modell, also genau der Harness.

ExploitBench prüft, ob ein Modell Schwachstellen in Programmen finden kann. Astra erreichte 100%.

Derselbe Test, neu zusammengestellt ohne historische Schwachstellen, also ohne Lücken, die bereits im Internet beschrieben sind und in die Trainingsdaten gelangten, ergab 39%.

Das ist genau die Debatte, die seit Jahren läuft, als Zahl ausgedrückt. Wo die Aufgabe schon einmal gelöst wurde, liegt das Ergebnis nahe am Ideal. Wo die Aufgabe wirklich neu ist, fällt es um das Zweieinhalbfache.

Ja, 39% beim Finden unbekannter Schwachstellen ist trotzdem viel. Nicht ohne Grund hat OpenAI dem Modell eine kritische Cyber-Fähigkeitsstufe zugewiesen und einen Teil der Funktionen vom öffentlichen Zugang ausgenommen. Aber der Unterschied zwischen 100% und 39% spricht in erster Linie für ein gutes Gedächtnis des Systems für bereits Bekanntes. Über die Fähigkeit, prinzipiell Neues zu finden, sagt er deutlich weniger.

Artificial Analysis, eine unabhängige Vergleichsplattform für Modelle, gab Astra 61,2 Punkte im allgemeinen Intelligenzindex. Dem Vorgängermodell GPT-5.6 Sol gab sie 60,9. Drei Zehntelpunkte pro Generation. Beim agentischen Coding, also bei Aufgaben, in denen das Modell lange selbstständig arbeitet: Code schreibt, ausführt, den Fehler sieht und behebt, gibt es ebenfalls einen Abstand: 67,0 gegen 65,1. Fortschritt existiert, und er liegt erneut dort, wo das Modell in einer Schleife mit externen Werkzeugen arbeitet.

Laut den offiziellen Preisen kostet Astra 10 Dollar pro Million Eingabetokens und 50 pro Million Ausgabetokens. Das ist zweieinhalbmal teurer als das vorherige Flaggschiff.

Unterm Strich: nahezu kein Zuwachs im allgemeinen Intelligenzindex bei einem Preis, der um das Zweieinhalbfache gestiegen ist.

Der Zuwachs entsteht dort, wo das Gerüst verbessert wurde: Gedächtnis zwischen den Schritten, Bedienung des Computers, lange Handlungsketten. Wo das Modell pur gemessen wird, liegt der Zuwachs im Rahmen der Messungenauigkeit, und der Preis ist um ein Vielfaches gestiegen.

Der Fortschritt ist aus dem neuronalen Netz in die Ingenieurarbeit darum herum umgezogen.

In die Speicherverwaltung, in Sandboxes zum Ausführen von Code, in die Zyklen aus probiert, Fehler gesehen, behoben, in Protokolle für die Arbeit mit externen Werkzeugen.

Das ist eine normale Phase für jede Technologie. Das Strahltriebwerk wurde einmal erfunden, und die nächsten vierzig Jahre galten der Zelle, dem Treibstoff, den Instrumenten und der Wartung.

François Chollet, Autor von ARC-AGI und einer der schärfsten Kritiker der Überschätzung von Sprachmodellen, hat nach Astra seine AGI-Prognose nach vorn verschoben. Seine Formulierung: Der Fortschritt läuft etwa doppelt so schnell wie erwartet. Gesondert merkte er an, dass Astra bei der Handlungseffizienz erstmals mit dem Menschen gleichgezogen hat. Ein durchschnittlicher Mensch erreicht in diesem Test rund 48%, Astra 62,71%. Epoch AI setzte Astra mit rekordverdächtigen 169 Punkten an die Spitze ihres Fähigkeitsindex. Die Leute also, die Modelle beruflich beim Auswendiglernen ertappen, sagen, dass etwas Fundamentales passiert ist.

Der Sprung von 7,8% bei GPT-5.6 Sol und 30,2% bei Claude Opus 5 auf 62,71% ist eine Tatsache, es gibt Fortschritt. Aber der Kontext zählt: Chollet selbst betonte, dass die Testergebnisse das Erscheinen von AGI nicht belegen, und nannte den Unterschied der Harnesses als Grund für die Diskrepanz in den Zahlen; einen direkten Vergleich von 99,9% und 62,7% bezeichnete er als unzulässig. Dass der Autor eines Tests klarstellen muss, wie ein KI-Riese seine Ergebnisse verwendet, ist selten und vielsagend.

Die Lücke zwischen dem, was Modelle bereits können, und dem, was tatsächlich in Geschäftsprozessen umgesetzt ist, ist derzeit deutlich größer als die Lücke zwischen den Modellgenerationen. Während der Markt darüber diskutiert, ob die AGI-Ära begonnen hat, liegt die eigentliche unerledigte Arbeit zwei Ebenen tiefer: Integrationen, Gedächtnis, Zugriffe, Fehlerbehandlung, Prüfung des Ergebnisses durch Menschen.

Den Zuwachs, für den OpenAI zweieinhalbmal mehr verlangt, können Sie sich zu großen Teilen selbst holen. Er steckt vor allem im Gerüst rund um das Modell, und dieses Gerüst schreiben längst ganz normale KI-Ingenieure.

Eine gute Nachricht für alle, die Systeme bauen. Eine schlechte für alle, die darauf warten, dass das nächste Modell alles für sie löst.