OpenAI stellt GPT-5 als drei Modellgrößen mit neuem Format und Reasoning-Steuerungen in der API bereit

Das API-Modell ist nicht das ChatGPT-Modell

Die für alle, die auf der Plattform entwickeln, folgenreichste Aussage steckt hinter den Benchmarks: GPT-5 in der API ist das Reasoning-Modell, nicht das System aus Router und Nicht-Reasoning-Modell, das ChatGPT den Endnutzern präsentiert. OpenAI stellt ausdrücklich klar, dass gpt-5 mit minimalem Reasoning ein eigenständiges Modell ist, getrennt vom Nicht-Reasoning-Pfad von ChatGPT, und dass das Nicht-Reasoning-Modell von ChatGPT separat als gpt-5-chat-latest zugänglich ist.

Das ist relevant, weil es Entwicklern zeigt, was sie tatsächlich aufrufen. ChatGPT abstrahiert die Modellauswahl hinter einem Router; die API gibt Ihnen die Reasoning-Engine direkt in die Hand und verlangt, dass Sie die Trade-offs selbst steuern. Die drei Größen – gpt-5, gpt-5-mini, gpt-5-nano – existieren genau deshalb, damit Sie Kosten-, Latenz- und Qualitätsentscheidungen pro Aufruf treffen, statt sie an einen undurchsichtigen Router zu delegieren.

Effizienzargumente stehen neben den Score-Angaben

GPT-5 erreicht 74,9 % auf SWE-bench Verified, gegenüber 69,1 % bei o3, und 88 % auf Aider Polyglot, was OpenAI als Reduktion der Fehlerrate um ein Drittel einordnet. Die Zahl, die OpenAI aber neben dem SWE-bench-Wert besonders betont, betrifft den Verbrauch: Im Vergleich zu o3 mit hohem Reasoning-Aufwand benötigt GPT-5 22 % weniger Output-Token und 45 % weniger Tool-Aufrufe, um seinen Score zu erreichen.

Bei agentischen Workloads, die Dutzende Tool-Aufrufe verketten, schlagen sich weniger Aufrufe und weniger Token direkt in niedrigeren Kosten und geringerer Latenz nieder. Das τ2-bench-Ergebnis im Telekom-Bereich – 96,7 %, in einem Feld, in dem zwei Monate zuvor noch kein Modell die 49-%-Marke überschritten hatte – ist die zentrale Aussage zu agentischen Fähigkeiten, doch praktisch bedeutet das vor allem: Derselbe Benchmark-Lauf kostet pro Versuch weniger. OpenAI argumentiert hier über Stückkosten, nicht nur über Fähigkeiten.

Der Hinweis zur Transparenz ist erwähnenswert: OpenAI hat 23 von 500 SWE-bench-Aufgaben ausgeschlossen, die auf der eigenen Infrastruktur nicht liefen, und die genauen Task-IDs offengelegt, außerdem wurde der MultiChallenge-Grader von GPT-4o auf o3-mini umgestellt, weil der Standard-Grader Antworten falsch bewertete. Solche Vorbehalte entscheiden letztlich darüber, ob sich ein Benchmark im eigenen Testaufbau reproduzieren lässt.

Custom Tools tauschen JSON-Zuverlässigkeit gegen Klartext-Grammatiken

Der neue Custom-Tools-Typ adressiert ein konkretes Fehlerproblem und keine Marketing-Idee. OpenAI weist darauf hin, dass gültiges JSON verlangt, dass das Modell jedes Anführungszeichen, jeden Backslash, jeden Zeilenumbruch und jedes Steuerzeichen escaped, und dass bei langen Eingaben – Hunderte Zeilen Code oder ein fünfseitiger Bericht – die Wahrscheinlichkeit fehlerhafter Escapes steigt. Custom Tools erlauben GPT-5, Tool-Eingaben als Klartext auszugeben, begrenzt durch einen vom Entwickler bereitgestellten regulären Ausdruck oder eine vollständige kontextfreie Grammatik.

OpenAI berichtet, dass GPT-5 auf SWE-bench Verified etwa gleich gut abschneidet, egal ob Custom Tools oder JSON-Tools verwendet werden – und genau das ist der Punkt: Die Funktion soll nicht den Benchmark-Score heben, sondern eine ganze Klasse von Parsing-Fehlern bei langen Ausgaben eliminieren. Zusammen mit dem minimalen reasoning_effort-Wert und dem Verbosity-Parameter ist das Release im Kern ein Satz von Reglern, mit denen Entwickler Geschwindigkeit, Ausgabelänge und Formatzuverlässigkeit pro Aufgabe justieren können.

Ein 400K-Kontextfenster und niedrigere Halluzinationsraten zielen auf korrektheitskritische Agenten

Jedes GPT-5-API-Modell akzeptiert bis zu 272.000 Input-Token und gibt bis zu 128.000 Reasoning- und Output-Token aus, insgesamt also 400.000 Token. OpenAI verknüpft dies mit Ergebnissen zum Long-Context-Retrieval – 89 % korrekt auf BrowseComp Long Context bei 128K–256K Token – und einer Angabe von rund 80 % weniger Faktenfehlern als bei o3 auf LongFact- und FactScore-Prompts, wobei die berichtete LongFact-Objects-Halluzinationsrate von 6,8 % bei o3 auf 1,2 % gefallen ist.

Die konkrete Implikation ist, dass OpenAI GPT-5 für agentische Systeme positioniert, in denen eine falsche Antwort sich über nachfolgende Tool-Aufrufe fortpflanzt – Code-Änderungen, Datenoperationen, Kundenservice-Aktionen an veränderbaren Zuständen. Günstigere Token und weniger Aufrufe senken die Kosten für den Betrieb solcher Agenten; niedrigere Halluzinationsraten und Preamble-Nachrichten zwischen Tool-Aufrufen sollen deren Verhalten nachvollziehbar machen. Die Preisgestaltung – 1,25 US-Dollar pro Million Input-Token und 10 US-Dollar pro Million Output-Token für gpt-5, bis hinunter zu 0,05 und 0,40 US-Dollar für nano – ermöglicht es Teams, günstiges Retrieval und einfache Schritte an kleinere Modelle zu routen und das vollständige Modell für die Schritte zu reservieren, bei denen Korrektheit tatsächlich Geld kostet.