Kurz nach der breiten Verfügbarkeit von GPT-5.6 Sol begannen einige Codex-Nutzer, eine unerwartete Veränderung zu melden: Das Modell antwort...
Kurz nach der breiten Einführung von GPT-5.6 Sol begannen einige Codex-Nutzer, eine unerwartete Veränderung zu melden: Die Modellantworten wurden schneller, aber die Bereitschaft, komplexe Probleme tiefgehend zu lösen, nahm ab.
Die Debatte eskalierte, als Screenshots in der Community eine drastische Veränderung einer internen Einstellung namens „Fähigkeitswert“ zeigten. Nutzer interpretierten diesen Wert als verstecktes Reasoning-Budget und brachten ihn mit einer Leistungsminderung von Sol Max in Verbindung. OpenAI bestritt, dass das Modell selbst absichtlich abgeschwächt wurde, räumte jedoch ein, dass während der Untersuchung ungewöhnlich hoher Nutzungszahlen vorübergehend die Reasoning-Effort-Einstellungen angepasst wurden.
Diese Unterscheidung ist entscheidend. Die zugrundeliegenden Gewichte des Modells können unverändert bleiben, während sich Laufzeitkonfiguration, verfügbarer Kontext, Tool-Berechtigungen, Reasoning-Effort oder Multi-Agenten-Verhalten ändern. Aus Nutzersicht können diese Betriebseinstellungen dazu führen, dass ein gleich benanntes Modell zu verschiedenen Zeiten unterschiedliches Verhalten zeigt.
Dieser Artikel trennt bestätigte Fakten von Community-Beobachtungen und erklärt, wie Entwickler das Modellverhalten zuverlässiger testen können.
OpenAI zeigte GPT-5.6 Sol erstmals am 26. Juni 2026 und beschrieb es als Flaggschiff einer Modellfamilie, die auch Terra und Luna umfasst. Die breitere Veröffentlichung von GPT-5.6 folgte am 9. Juli 2026.
Ein Höhepunkt der Veröffentlichung war die erweiterte Spanne der Reasoning-Einstellungen. In Codex kann Sol mehrere Reasoning-Stufen nutzen:
OpenAI beschrieb „Maximal“ als die Einstellung, die Sol die tiefste Reasoning-Zeit gibt. „Extrem“ geht noch einen Schritt weiter und nutzt Sub-Agenten, um komplexe Aufgaben aufzuteilen und parallel zu bearbeiten.
Höherer Reasoning-Effort ist nicht kostenlos. Er erfordert in der Regel mehr Zeit und verbraucht mehr Token, ist jedoch für Aufgaben hilfreich, die Planung, wiederholtes Testen, Fehlerbehebung oder den Vergleich mehrerer möglicher Lösungen erfordern.
Eine der häufigsten Beschwerden kam von einem japanischen Marktforschungsteam, das Codex Sol Max mit einem benutzerdefinierten Kommandozeilen-Tool nutzte.
Laut einem Beitrag des Teams auf Reddit verbrachte Sol Max zuvor über zehn Minuten mit komplexen Prompts, testete wiederholt Ideen und verwendete Tools, bis zuverlässige Ergebnisse erzielt wurden. Das Team gab an, dass die Leistung dann plötzlich nachließ und jedes Teammitglied noch am selben Arbeitstag eine geringere Reasoning-Tiefe bemerkte.
Dieser Bericht hat als echtes Nutzererlebnis Bedeutung, ist jedoch kein kontrollierter Benchmark. Es gibt viele Faktoren, die Agenten-Coding-Läufe beeinflussen:
Die plötzlichen Unterschiede, die ein erfahrenes Team bemerkte, sind eine Untersuchung wert. Sie beweisen jedoch nicht, dass OpenAI die Modellgewichte geändert oder die Fähigkeiten von Sol dauerhaft reduziert hat.
Der Begriff „Fähigkeitswert“ wurde zum zentralen Anliegen.
Die Kontroversen entstanden, nachdem Thibault Sottiaux von den Codex- und ChatGPT Work-Teams ein öffentliches Update veröffentlichte.
In diesem Update erklärte Sottiaux, dass OpenAI Experimente zur Anpassung des Reasoning-Einsatzes durchgeführt habe und diese Einstellungen intern als „Saftwert“ bezeichnet wurden. Er gab auch an, dass das Experiment rückgängig gemacht wurde.
Die einfachste Erklärung ist, dass der Saftwert ein interner Kontrollparameter ist, der damit zusammenhängt, wie viel Reasoning-Arbeit das Modell bei einer Aufgabe aufwenden darf, und nicht automatisch als Intelligenzwertung betrachtet werden sollte.
Eine niedrigere Reasoning-Zuweisung könnte folgendes Verhalten beeinflussen:
OpenAI hat jedoch noch keine offizielle numerische Zuordnung zwischen den nutzerseitigen Reasoning-Stufen und den spezifischen Saftwerten veröffentlicht.
Community-Beiträge und Screenshots behaupteten, dass Sol Max zuvor einen Saftwert von etwa 960 verwendet habe, der später auf 128 gefallen sei – ein Rückgang um etwa 87%.
Diese Zahlen sollten als unbestätigte Community-Beobachtungen betrachtet werden. Sie erscheinen weder in der GPT-5.6-Modelldokumentation, und Werte, die durch versteckte Prompts oder „Modell-Fingerprinting“-Techniken extrahiert wurden, sind möglicherweise nicht zuverlässig repräsentativ für die tatsächliche serverseitige Berechnungszuweisung.
Der bestätigte Teil ist begrenzt: OpenAI räumte Experimente zum Reasoning-Einsatz ein und gab an, dass die betreffenden Änderungen rückgängig gemacht wurden.
Die Aktualisierung von Sottiaux widerlegte die Behauptung, dass GPT-5.6 Sol absichtlich abgeschwächt wurde, und beschrieb stattdessen mehrere betriebliche Probleme und Änderungen.
OpenAI gab an, Reasoning-Optimierungen bereitgestellt zu haben und die eingesparten Ressourcen an Abonnenten weiterzugeben, wobei allein diese Verbesserung voraussichtlich etwa 10% mehr Nutzung bieten werde.
Effizienzsteigerungen können das Modell schneller oder wirtschaftlicher machen, ohne die Qualität zu beeinträchtigen. Wenn Optimierungen jedoch gleichzeitig mit anderen Konfigurationsexperimenten eingeführt werden, könnten Nutzer dennoch Veränderungen bemerken.
OpenAI hat die verfügbare Kontextbeschränkung für GPT-5.6 Sol von 272k bei GPT-5.5 auf etwa 372k erhöht.
Größerer Kontext führte zu höheren Nutzungsabzügen als erwartet. OpenAI setzte die Beschränkung vorübergehend wieder auf 272k zurück und gab an, die 372k wieder bereitzustellen, sobald das Abrechnungsverhalten korrigiert sei.
Dies erklärt, warum zwei Probleme gleichzeitig diskutiert wurden:
Die Anpassung des Kontextfensters hat nichts mit Änderungen der Modellgewichte zu tun, kann aber dennoch lange Repository-Aufgaben und dokumentintensive Arbeitsabläufe beeinflussen.
OpenAI gab an, den Reasoning-Einsatz während der Verfolgung ungewöhnlich hoher Nutzungszahlen angepasst zu haben, wobei diese internen Einstellungen als Saftwert bezeichnet wurden.
Das Unternehmen gab an, dass das Experiment rückgängig gemacht wurde.
OpenAI berichtete auch, dass die tatsächliche Nutzungsrate von Multi-Agenten in den Modi „Hoch“ und „Sehr hoch“ etwas höher als erwartet war. Das Unternehmen gab an, dieses Verhalten zu korrigieren und die Effizienz der automatischen Überprüfung zu verbessern.
Dies ist wichtig, da Agenten-Delegierung viele Ressourcen verbraucht. Läufe, die mehr Sub-Agenten starten oder zusätzliche Überprüfungsarbeit leisten, können ihr Abonnement-Kontingent viel schneller verbrauchen als Single-Agenten-Läufe.
Nicht unbedingt, aber es kann dazu führen, dass das Modell bei schwierigen Aufgaben weniger fähig erscheint.
Es ist hilfreich, drei Ebenen getrennt zu betrachten:
Diese stammt hauptsächlich vom trainierten Modell selbst: seinen Gewichten, seiner Architektur, seinem erlernten Wissen und seinen Kern-Problemlösungsfähigkeiten.
Diese bestimmt, wie viel Zeit oder Rechenressourcen das System dem Modell für eine bestimmte Anfrage erlauben darf.
Diese umfasst Tools, Kontext, Gedächtnis, Berechtigungen, Sub-Agenten, Test-Runner, Dateizugriffsrechte und Wiederholungsstrategien.
Ein leistungsstarkes Modell mit begrenzter Reasoning-Zuweisung kann einfache Fragen möglicherweise dennoch richtig beantworten, aber bei langwierigen Codierungsaufgaben schlechter abschneiden. Es könnte nach der ersten plausibel erscheinenden Lösung aufhören, ohne Alternativen zu versuchen oder von einem ursprünglich fehlerhaften Ansatz zurückzukehren.
Dies bedeutet nicht, dass die zugrundeliegenden Fähigkeiten des Modells verschwunden sind. Es bedeutet, dass der Grad, in dem diese Fähigkeiten während eines bestimmten Laufs demonstriert wurden, möglicherweise reduziert wurde.
Produktions-KI-Systeme sind keine statischen Dateien, die immer auf genau die gleiche Weise bereitgestellt werden. Anbieter können viele operative Parameter ändern, ohne das Modell umzubenennen.
Zum Beispiel können Nutzer Unterschiede spüren, wenn die Plattform Folgendes ändert:
Deshalb garantiert der Modellname allein kein konsistentes Verhalten über verschiedene Daten, Produkte, Tarife oder Reasoning-Einstellungen hinweg.
Für Unternehmensnutzer ist die Schlüsselfrage nicht nur „Welches Modell wurde gewählt?“, sondern auch „Welche Laufzeitgarantien sind mit diesem Modell verbunden?“
Beschreibe deine Idee einmal, und We0 AI erstellt eine Showcase-Website, Seiten und ein CMS und hilft nach dem Launch bei Kunden und Traffic.
Eine komplette Projektgeneration zur kostenlosen Registrierung
Am besten geeignet, um einen vollständigen Generierungsablauf auszuprobieren und schnell einen ersten Projektentwurf zu sehen.
Effektives Testen erfordert die weitestgehende Kontrolle von Variablen. Es reicht nicht aus, einen Prompt einmal vor und einmal nach dem vermuteten Wandel auszuführen.
Verwenden Sie denselben Repository-Commit, dieselben Eingabedateien, Abhängigkeiten, Umgebungsvariablen und Testsuiten.
Erstellen Sie vor jedem Lauf einen Git-Checkpoint, um sicherzustellen, dass der Ausgangszustand vollständig identisch ist.
Überprüfen Sie in der Codex CLI das aktuell aktive Modell und die Sitzungskonfiguration:
/status
Verwenden Sie bei Bedarf den Modellauswähler:
/model
Sie können Codex auch mit einem bestimmten Modell starten:
codex
--model gpt-5.6
Für wiederholbare, nicht-interaktive Aufgaben:
codex exec -m gpt-5.6 "Aktuelle Änderungen überprüfen"
Dokumentiere Folgendes:
Inferenzstufe, Berechtigungen, Kontextnutzung, Codex-Version sowie alle aktivierten Tools oder Plugins.
Definiere vor Beginn klar die Ergebnisse. Nützliche Metriken sind:
Vermeide es, allein danach zu bewerten, wie „intelligent" eine Antwort wirkt.
Führe mehrere Durchläufe unter derselben Bedingung durch. Inferenzmodelle und Agenten können zwischen verschiedenen Versuchen variieren, daher kann ein einzelner Durchlauf irreführend sein.
Vergleiche Mediane und Fehlerraten, anstatt die besten oder schlechtesten Beispiele auszuwählen.
Vergleiche Medium mit Max, während alle anderen Bedingungen gleich bleiben. Vergleiche dann nacheinander Datum, Version oder Kontextfenstergrenzen.
Wenn du mehrere Variablen gleichzeitig änderst, kannst du nicht feststellen, welche Variable die Ergebnisänderung verursacht hat.
Speichere Prompts, Terminalausgaben, Diff-Vergleiche, Testergebnisse, Zeitaufwand und Ressourcennutzungsdaten. Eine klare Aufzeichnung hilft dabei, Regressionen zu melden und ermöglicht es anderen Benutzern, Tests zu reproduzieren.
Für alltägliche Aufgaben empfiehlt OpenAI, mit den Standard-Inferenzeinstellungen zu beginnen und die Stufe nur dann zu erhöhen, wenn eine tiefgreifendere Planung oder Analyse erforderlich ist.
Die folgenden Verfahren machen die Ausführung schwieriger Aufgaben zuverlässiger:
Für besonders schwierige Projekte können Max oder Ultra geeignet sein. Ultra ist nützlich, wenn Aufgaben an Unteragenten delegiert werden können, verbraucht aber auch mehr Ressourcen.
Das größere Problem ist nicht, ob eine umstrittene interne Zahl nun 960 oder 128 ist. Die tiefergehende Sorge besteht darin, dass Benutzer typischerweise annehmen, dass ein Modellname ein festes und stabiles Verhaltensniveau repräsentiert.
In Wirklichkeit hängt die Benutzererfahrung vom Modell und der ihn umgebenden Dienstkonfiguration ab. Anbieter können Inferenz optimieren, Kontextbegrenzungen ändern, Inferenzzuweisungen anpassen oder die Agentenorchestrierung modifizieren, während der Modellname unverändert bleibt.
Diese Flexibilität ist nützlich für den Betrieb großer Dienste, schafft aber auch Transparenzprobleme. Entwickler, die kritische Arbeitsabläufe erstellen, müssen wissen, welche Eigenschaften zuverlässig sind und welche sich dynamisch ändern können.
Eine klarere Dokumentation sollte Folgendes enthalten:
Fehlen diese Informationen, können Benutzer Systemänderungen nur anhand von Antwortgeschwindigkeit, Token-Nutzung und subjektiver Ausgabequalität ableiten.
OpenAI gibt an, dass die Modellleistung nicht bewusst geschwächt wurde. Offiziell wird eingeräumt, dass es temporäre Experimente gab, bei denen die Einstellungen für die Inferenzstärke sowie Parameter für Kontext, Multi-Agenten und Nutzungsstatistiken angepasst wurden.
OpenAI verwendet diesen Begriff für eine interne Einstellung im Zusammenhang mit der Inferenzstärke. Der Wert scheint Inferenzressourcen zu steuern oder zu repräsentieren, das Unternehmen hat jedoch noch keine vollständige technische Definition oder eine offizielle numerische Skala veröffentlicht.
Diese Behauptung stammt aus Community-Screenshots und Experimenten mit Hidden Prompts. OpenAI hat keinen der beiden Werte offiziell bestätigt, daher sollten sie nicht als verifizierte Modellspezifikationen betrachtet werden.
Eine geringere Inferenzzuweisung führt dazu, dass das Modell weniger Methoden erkundet, weniger Überprüfungen durchführt oder früher abbricht. Andere Faktoren wie Kontextbeschränkungen, Tool-Verhalten, Serverkonfiguration und zufällige Schwankungen können ebenfalls ähnliche Effekte hervorrufen.
OpenAI gibt an, dass die Kontextbegrenzung von GPT-5.6 Sol von 272k auf 372k erhöht wurde, diese Änderung jedoch dazu führte, dass die Nutzung schneller als erwartet abgezogen wurde. In Vorbereitung auf die Wiedereinführung der 372k wurde vorübergehend wieder auf die 272k-Begrenzung zurückgesetzt.
Nein. Höhere Inferenzeinstellungen dauern länger und verbrauchen mehr Ressourcen. Es wird empfohlen, mit den Standardeinstellungen zu beginnen und die Einstellungen nur dann zu erhöhen, wenn die Aufgabe tatsächlich eine tiefgreifende Planung, Tests oder Fehlerbehebung erfordert.
Führe wiederholte Durchläufe mit derselben Codebasis, denselben Prompts, Tools, Berechtigungen, Inferenzstufen und Tests durch. Verfolge objektive Metriken wie Testbestehensrate, Fehlerrate, Fertigstellungszeit, Tool-Aufrufe und Nutzungsverbrauch.
Die Kontroverse um GPT-5.6 Sol begann mit echtem Benutzerfeedback, dass die Max-Inferenz schneller, aber weniger tiefgründig geworden sei. Community-Screenshots brachten diese Erfahrung mit bekannten Anpassungen des internen "Saftwerts" in Verbindung, aber die Behauptung eines Rückgangs von genau 960 auf 128 bleibt unbewiesen.
OpenAI bestreitet eine bewusste Modellabschwächung, bestätigt jedoch gleichzeitig, dass Anpassungen der Inferenzaufwands-Einstellungen, vorübergehende Änderungen der Kontextbeschränkungen und unerwartete Nutzungen in Multi-Agenten- und automatischen Überprüfungs-Workflows getestet wurden. Dies sind betriebliche Änderungen und keine bestätigte Ersetzung der zugrunde liegenden Modellgewichte, aber betriebliche Anpassungen können dennoch die tatsächliche Leistung beeinflussen.
Für Teams, die auf Codex angewiesen sind, ist die beste Reaktion, reproduzierbare Benchmarks zu erstellen, Laufzeiteinstellungen zu dokumentieren und Ergebnisse anhand von Tests und nicht durch Bauchgefühl zu messen.
Die wichtigste Lehre ist: Ein Modellname beschreibt nicht vollständig das Verhalten, das ein Benutzer tatsächlich erhält; Inferenzzuweisung, Kontext, Tools und Dienstkonfiguration sind ebenso entscheidend.
Starte mit einem Satz und erhalte in wenigen Minuten eine vollständige Website.
