GPT-6 ist nicht nur Astra, die internen Testergebnisse von Sol wurden enthüllt, die Geschwindigkeit ist sechsmal so schnell.

GPT-6 hat nicht nur Astra!

Wenige Tage nach der Veröffentlichung von Astra wurde bekannt, dass GPT-6 Sol sich derzeit in der internen Testphase befindet.

Seine Leistung ist ebenfalls beeindruckend: Die Geschwindigkeit eines einzelnen Tests ist 6-mal so hoch wie die von Astra.

Wagen wir eine kühne Vermutung: Sind Terra und Luna auch schon auf dem Weg?

Und am selben Tag veröffentlichte OpenAI gerade eine Reihe interner Daten:

Bis heute umgerechnet auf einen 8-Stunden-Arbeitstag laufen pro Arbeitstag eines OpenAI-Forschers mehr als 3 weitere Agenten-Arbeitstage gleichzeitig ab.

Berechnet nach API-Preisen übersteigen die von dem durchschnittlichen OpenAI-Forscher täglich genutzten Agenten-Inferenzressourcen bereits 600 US-Dollar.

OpenAI kündigte zudem an, dass es das „automatisierte Forschungs-Praktikanten“-Modell realisiert hat:

Diese Agenten können unter menschlicher Anleitung Aufgaben erledigen, für die ein Forscher früher mehrere Tage gebraucht hätte.

Sogar Jensen Huang sagte: Die AGI ist bereits da!

Er enthüllte, dass Astra mit etwa 100.000 Sätzen von NVIDIA Grace Blackwell NVLink72 trainiert wird, und in Kürze werden weitere 400.000 GPU-Einheiten in Betrieb genommen.

Es scheint, dass diese Welle keineswegs nur eine Übertreibung von OpenAI ist.

GPT-6 Sol soll mit internen Tests begonnen haben

Der Netznutzer Lentils enthüllte, dass OpenAI GPT-6 Sol derzeit intern testet.

Er gab an, dass die allgemeine Ausgabefähigkeit von Sol deutlich schwächer ist als die des gerade veröffentlichten Astra, aber es ist schneller und gehört immer noch zu den „monströsen“ Modellen.

Wie schnell ist es denn? Die Geschwindigkeit eines einzelnen Tests ist etwa 6-mal so hoch wie die von Astra.

Der Netznutzer lyra ließ verschiedene Modelle dieselbe Aufgabe testen: Er bat die Modelle, eine SVG-Grafik eines BMW M4 Competition zu erstellen.

Dabei nutzte GPT-6 Sol die Max-Stufe und erstellte das Ergebnis ohne Vorwissen in etwa 3 Minuten mit einer Ausgabe von etwa 28.000 Tokens.

GPT-6 Astra nutzte die Max-Stufe, gab etwa 25.000 Tokens aus und brauchte etwa 19 Minuten.

Gemini 3.1 DeepThink wurde auf die High-Stufe eingestellt, es zeigte eine Ausgabe von etwa 3300 Tokens an, aber der Inferenzprozess verbrachte etwa 458.000 Tokens und dauerte etwa 29 Minuten.

Gemini 3.8 Flash nutzte ebenfalls die High-Stufe, gab etwa 19.000 Tokens aus und brauchte nur etwa 42 Sekunden.

Im Vergleich dazu ist die Leistung von Sol am beeindruckendsten: Sein Ausgabevolumen ist ähnlich groß wie das von Astra, aber die Geschwindigkeit eines einzelnen Tests ist etwa 6-mal so hoch wie die von Astra – es braucht nur etwa ein Sechstel der Zeit des letzteren.

Darüber hinaus zeigte der Netznutzer Lentils auch einen Prototyp einer pixelartigen Sandbox-Welt namens „The Realm of Aurellune“.

GPT-6 Sol erstellte in einem Zug Städte, Felder, Flüsse, Burgen und eine Miniaturkarte, fügte Bedienfelder für Tag-Nacht-Umschaltung, Platzierung von Ortsnamen und Anpassung von Details hinzu – das Ganze ähnelt bereits einem Simulationsspiel mit fertigem Grundgerüst.

Dies ist das Ergebnis, das mit Zero-Shot, Max-Inferenzstufe in 15 Minuten und insgesamt 60.000 Tokens erstellt wurde.

Derzeit lässt sich vermuten, dass Astra auf tiefe Inferenz mit höchstem Schwierigkeitsgrad ausgerichtet ist, während Sol auf Geschwindigkeit, Durchsatz und skalierbare Agentenaufrufe abzielt.

Was das Veröffentlichungsdatum von Sol angeht, gab der Netznutzer Pankaj Kumar an, dass es möglicherweise auf der OpenAI-Entwicklerkonferenz am 29. September offiziell vorgestellt wird.

Es ist auch nicht auszuschließen, dass GPT-6 Terra, Luna und GPT-Image 2.5 gemeinsam vorgestellt werden.

OpenAI-Forscher arbeiten im Schnitt mit 3 Agenten-Praktikanten gleichzeitig

Am selben Tag veröffentlichte OpenAI auch eine Reihe interessanter interner Daten – wie stark KI-Modelle die Forschung in ihrem eigenen Labor beschleunigt haben.

Bis Mitte August dieses Jahres laufen pro 8-Stunden-Arbeitstag eines Forschers etwa 3,1 Agenten-Arbeitstage an Aufgaben parallel ab.

Das heißt im Klartext: Eine Person arbeitet mit drei schlaflosen Praktikanten zusammen.

Was die Kosten angeht: Nach API-Preisen übersteigen die täglichen Ausgaben des mittleren Forschers für Agenten-Inferenzressourcen bereits 600 US-Dollar.

Das entspricht ungefähr dem Tagesgehalt eines Junior-Ingenieurs.

Was machen diese Agenten genau?

Sie schreiben Forschungscode, Infrastrukturcode, richten Trainingsumgebungen ein, führen Bewertungsexperimente durch, beheben Fehler in Tools und Umgebungen, analysieren experimentelle Ergebnisse, überwachen Trainingsaufgaben … sogar die Erstellung und Kommunikation von Forschungsergebnissen können sie unterstützen.

Grundsätzlich können sie alle Aufgaben erledigen, außer zu entscheiden, woran geforscht werden soll.

Eine offensichtliche Veränderung: Früher musste ein Forscher, wenn die Experimentierumgebung abstürzte, im internen Kanal nach Hilfe rufen; heute können Agenten diese Art von Problemen zunehmend selbst lösen, sodass die Anzahl der manuellen Anfragen direkt zurückgeht.

Einige Teams haben sogar feste technische Sprechstunden abgeschafft, um die Mitarbeiter freizustellen, damit sie das System selbst verbessern können.

Auf Grundlage dieser Daten kündigte OpenAI offiziell an, dass das Ziel des „automatisierten KI-Forschungs-Praktikanten“ erreicht wurde.

Der „Praktikant“ ist hier genau genommen ein funktionierender Entwicklungsknoten: Unter menschlicher Anleitung kann er klar abgegrenzte Forschungsaufgaben selbstständig erledigen, von denen einige früher von erfahrenen Forschern mehrere Tage in Anspruch genommen wurden.

Der Effekt ist sofort sichtbar: Die Code-Produktivität und die Anzahl der Experimente der Forscher steigen stetig an.

Im August 2026 erreichte die durchschnittliche Anzahl von Experimenten pro Person den höchsten Stand seit Beginn der Statistik im Januar 2025. Die Aufgaben, die Agenten übernehmen, werden immer komplexer und ihre Laufzeiten immer länger.

Der Autor dieses Artikels, Kevin Liu, stellte diese Angelegenheit in einen größeren Kontext.

Er ist der Ansicht, dass die rekursive Selbstverbesserung höchstwahrscheinlich einer der wichtigsten Faktoren ist, die die Sprünge der KI-Fähigkeiten in den nächsten Jahren vorantreiben.

Einfach ausgedrückt: KI erstellt KI, und das immer schneller.

Aber das Problem ist: Nach dem aktuellen Entwicklungstrend wird diese Fähigkeit standardmäßig nur in wenigen führenden KI-Laboren verfügbar sein, und die Außenwelt kann kaum sehen, wie weit sie fortgeschritten ist.

Daher ist Liu der Meinung, dass eine transparente Offenlegung dringender denn je ist. Die Frage, wie schnell Modelle immer leistungsfähiger werden und ob der Entwicklungstempo gedrosselt werden soll, darf nicht nur von wenigen Unternehmen hinter versch