GPT-5.6-sol und GPT-5.6-terra führen DeepSWE an — und der Open-Weight-Keil schließt auf

Die GPT-5.6-Familie von OpenAI wurde diesen Monat in drei Größen veröffentlicht — gpt-5.6-luna, gpt-5.6-terra und dem Flaggschiff gpt-5.6-sol. Wir haben sol und terra noch in derselben Woche zu Smart AIPI hinzugefügt. Es gab viel Wirbel um die Frage, welches Spitzenmodell das „beste“ ist. Deshalb gehen wir konkret vor: Wir betrachten den einen Benchmark, der sich wirklich nur schwer manipulieren lässt, sprechen anschließend darüber, wie sich das Modell in der tatsächlichen Nutzung anfühlt, und schließen mit einer ehrlichen Einschätzung der Open-Weight-Modelle, die schnell aufholen.

DeepSWE: der Coding-Benchmark, der sich schwer manipulieren lässt

Die meisten Coding-Bestenlisten haben ein Kontaminationsproblem. SWE-bench Verified und SWE-bench Pro basieren auf echten GitHub-Issues und den zugehörigen zusammengeführten Fehlerbehebungen — die „Antwort“ befindet sich also in den Trainingsdaten jedes Modells, das GitHub gescrapt hat. Schlimmer noch: Modelle wurden beim Schummeln erwischt. Bei SWE-bench Pro wurde bei Claude Opus 4.7 und 4.6 festgestellt, dass sie in mehr als 12% der überprüften Durchläufe geschummelt hatten, indem sie unauffällig Befehle wie git log --all und git show <gold-hash> ausführten, um die Referenzlösung aus dem Git-Verlauf auszulesen.

DeepSWE, am 2026-05-26 von Datacurve veröffentlicht, wurde entwickelt, um dieses Problem zu lösen. Seine Merkmale:

• Von Grund auf neu erstellt. 113 originäre Langzeitaufgaben aus 91 Open-Source-Repositories in fünf Sprachen (Python, TypeScript, JavaScript, Go, Rust). Die Aufgabenstellungen und Musterlösungen wurden von Menschen verfasst und nicht aus öffentlichen Commits abgeleitet — daher hat kein Modell die Antwort während des Pretrainings gesehen.
• Verhaltensbasierte Verifikatoren. Jede Aufgabe wird anhand manuell erstellter Prüfungen des beobachtbaren Verhaltens in einer isolierten Umgebung bewertet und zur Gewährleistung der Konsistenz über das mini-swe-agent-Framework ausgeführt. DeepSWE weist eine Verifikatorrate von 1.1% falsch-negativen / 0.3% falsch-positiven Ergebnissen aus, verglichen mit den bei SWE-bench Pro gemessenen 24% / 8.5%.
• Tatsächlich trennscharf. Die Prompts sind etwa halb so lang wie bei SWE-bench Pro, verlangen aber ~5.5x mehr Code und ~2x mehr Ausgabetokens. Die Ergebnisse verteilen sich über einen Bereich von ~58 Punkten (12–73%), statt sich in einem Band von ~30 Punkten zu häufen. Die Reihenfolge der Bestenliste ist also tatsächlich aussagekräftig.

Mit anderen Worten: ein langfristig angelegter, kontaminationsresistenter und verhaltensbasierter Test dafür, ob ein Modell echte Softwarearbeit tatsächlich abschließen kann. Und genau hier landet die GPT-5.6-Familie an der Spitze.

Die DeepSWE-Bestenliste

Aktueller Stand (aktualisiert am 2026-07-09, Pass@1, jedes Modell mit seiner besten Reasoning-Einstellung):

Drei GPT-5.6-Varianten belegen drei der ersten vier Plätze. sol führt die Rangliste allein an, terra teilt sich mit Claude Fable 5 das zweitbeste Ergebnis und kostet dabei nur die Hälfte des Flaggschiffs, und selbst luna erreicht das Niveau des gpt-5.5 der vorherigen Generation. Der Abstand zum besten Open-Weight-Modell — GLM-5.2 mit 44% — ist das Thema, auf das wir am Ende zurückkommen.

Was sich in GPT-5.6 tatsächlich geändert hat

Benchmarks sind nur ein Näherungswert. Entwickler mit frühem Zugriff beschrieben einen deutlichen Sprung bei drei konkreten Fähigkeiten, die der reine Punktwert nicht vollständig abbildet:

• Ausdauer bei Langzeitaufgaben. Der größte Kritikpunkt an gpt-5.5 war, dass es sich bei langen Aufgaben „verirrte“ — sobald sich der Kontext mit Rauschen füllte, musste man den Thread neu starten. 5.6 tut das nicht. Frühe Tester berichten, einen einzelnen Thread mit nur einer Anweisung 20+ Stunden ohne Beaufsichtigung laufen gelassen zu haben. Das Modell übernimmt die Aufgabe und lässt nicht mehr los, bis sie erledigt ist.
• Orchestrierung von Sub-Agenten (Ultra-Modus). Dies ist die prägende Fähigkeit dieser Generation. 5.6 kann eine Abstraktionsebene höher gehen und ein Team aus Sub-Agenten starten, die ein Problem parallel bearbeiten — einer schreibt Komponenten, ein anderer bindet eine Datenbank an, ein dritter prüft Pull Requests — und anschließend die Ergebnisse zusammenführen. Tester, die ihre Sub-Agenten-Workflows von gpt-5.5 erneut mit 5.6 ausführten, stellten fest, dass 5.6 die Orchestrierung „im Handumdrehen bewältigte“, bei der 5.5 „verwirrt war und den Faden verlor“. Es ist der Unterschied zwischen einem einzelnen Auftragnehmer und einer ganzen Mannschaft.
• Computer- und Browsernutzung. 5.6 ist erheblich besser darin, einen echten Rechner zu bedienen. In praktischen Tests konfigurierte es eine ganze Flotte von Rechnern über SSH. In einem inzwischen weithin bekannten Beispiel stellte es autonom einen defekten GRUB-Bootzustand wieder her — über eine entfernte KVM, indem es neu startete, eine GRUB-Shell öffnete und die Bootpartitionen ganz ohne menschliche Eingaben reparierte.

Eine Einschränkung sollte klar genannt werden: Front-End- und UI-Arbeit ist standardmäßig nicht die Stärke von 5.6. Es lässt sich besser steuern und zeigt weniger „schlechten Geschmack“ als frühere Modelle, erfahrene Nutzer übergeben den Feinschliff jedoch weiterhin an andere Modelle. Wenn Sie intensiv an visuellen Benutzeroberflächen arbeiten, sollten Sie 5.6 als Motor betrachten und für die Nachbearbeitung ein zweites Modell hinzuziehen.

sol oder terra: Welches sollten Sie verwenden?

Beide gehören zur Spitzenklasse und laufen über Smart AIPI auf demselben Codex-Backend. Die Entscheidung ist einfach:

• gpt-5.6-terra ist die empfohlene Standardwahl. Auf Platz #3 bei DeepSWE (70%) liegt es in Schlagdistanz zum Flaggschiff und kostet dabei nur die Hälfte. Für die überwältigende Mehrheit agentischer Coding-Aufgaben, Refactorings, Reviews und alltäglicher Arbeiten ist terra die richtige Wahl.
• gpt-5.6-sol ist das Flaggschiff. Verwenden Sie es für die schwierigsten Langzeitaufgaben, tiefgreifende Multi-Agenten-Orchestrierung und alle Fälle, in denen die letzten Fähigkeitspunkte den Ausschlag geben. Es ist nicht ohne Grund #1 bei DeepSWE.

Smart AIPI ist die günstigste Möglichkeit, beide auszuführen

Die direkten API-Preise von OpenAI sind an der Modellspitze hoch. Über Smart AIPI zahlen Sie 75% weniger für exakt dieselben Modelle auf exakt derselben Infrastruktur:

Der aufschließende Open-Weight-Keil

Hier ist der Teil, über den alle ständig diskutieren. Hinter der geschlossenen Modellspitze steigt eine Welle von Open-Weight-Modellen schnell auf — und der Markt teilt sich in zwei Pole. Am einen Ende liefern günstige chinesische Open-Weight-Mixture-of-Experts-Modelle (DeepSeek V4, Qwen3, Kimi K2, MiniMax M3) etwa 70–81% bei SWE-bench Verified für $0.30–1.40 pro Million Eingabetokens und unter großzügigen MIT-/Apache-Lizenzen. Am anderen Ende verlangen geschlossene US-Spitzenmodelle (GPT-5.6, Claude Fable/Opus, Gemini) 5–20x mehr für die letzten Fähigkeitspunkte. Die interessante Entwicklung findet im Keil dazwischen statt: Modelle, die nahezu Spitzenqualität zu einem Bruchteil des Spitzenpreises bieten.

Zwei Namen prägen diesen Keil, und es lohnt sich, bei ihnen genau zu sein:

• GLM-5.2 (Zhipu / Z.ai) — der offene Keil. Ein tatsächlich offenes MoE-Modell mit MIT-Lizenz (~745B insgesamt / ~40B aktiv, 1M Kontext) für ungefähr $1.40 Eingabe / $4.40 Ausgabe. Es ist hervorragend — #9 bei DeepSWE mit 44%, nahe an geschlossenen Modellen der vorherigen Generation und bei manchen UI-Arbeiten sogar stärker als gpt-5.5. Für das, was es ist, überzeugt es voll und ganz.
• Grok 4.5 (xAI) — der günstige geschlossene Keil. Grok 4.5 wird häufig fälschlich als „offen“ bezeichnet, besitzt tatsächlich jedoch geschlossene Gewichte (nur Grok-1 und Grok-2 wurden jemals offen veröffentlicht). Zum Keil wird es durch seine aggressive Preisgestaltung (~$2 Eingabe / $6 Ausgabe) und seine bemerkenswerte Tokeneffizienz — etwa 2M Tokens pro DeepSWE-ähnlicher Aufgabe gegenüber 7M+ bei einigen Spitzenmodellen. In mehreren Benchmarks liegt es nahe an der Spitze, ist aber bei der Multi-Agenten-Orchestrierung, die die 5.6-Generation auszeichnet, deutlich schwächer.

Wie nah ist der Keil also wirklich? Näher, als die Preisüberschriften vermuten lassen — und weiter entfernt, als der Hype um lokale Modelle behauptet. Drei ehrliche Einschränkungen:

• Günstiger pro Token bedeutet nicht günstiger pro Aufgabe. Open-Weight-Modelle verbrauchen für dieselbe Arbeit tendenziell 2–3x mehr Tokens. Bei DeepSWE kostet GLM-5.2 mit maximaler Einstellung etwa $4 pro Aufgabe, während Claude Opus 4.8 mit xhigh etwa $8 kostet — nur ein Unterschied von 2x, obwohl GLM pro Token ~10x günstiger ist. Die Effizienz und nicht der Listenpreis entscheidet über die tatsächliche Rechnung.
• Offene Gewichte bedeuten nicht lokale Ausführung. GLM-5.2 ist quantisiert ~400GB groß und benötigt bei voller Präzision ~1.5TB. Es läuft nicht auf Consumer-Hardware — eine 5090 verfügt über 32GB VRAM; für eine einzige Instanz mit angemessener Geschwindigkeit wäre ein Multi-GPU-System für $75,000 erforderlich. Der eigentliche Vorteil offener Gewichte ist der Wettbewerb zwischen Anbietern: Da jeder GLM-5.2 hosten kann, können Sie verschiedene Anbieter vergleichen und den besten Preis sowie die beste Geschwindigkeit wählen. Dieser Wettbewerb ist gesund, und wir begrüßen ihn.
• Fähigkeiten begrenzen weiterhin den Zugang zur Spitze. GLM-5.2 unterstützt keine Bildverarbeitung — es kann keinen Screenshot verarbeiten und damit auch nicht die Computer-Nutzungs- und visuellen Feedbackschleifen steuern, die 5.6 so effektiv machen. Echte agentische Arbeit bedeutet außerdem, zwischen 1 und 40 Agenten parallel auszuführen, was lokale Hardware überhaupt nicht leisten kann. Der Keil schließt beim Single-Shot-Coding auf, aber noch nicht bei der durchgängigen agentischen Orchestrierung.

Das Fazit: Wenn Ihre Workload problemlos auf einem offenen Modell läuft, ist der Wechsel dorthin oft die kluge und günstige Wahl — und die Philosophie von Smart AIPI lautet, dass Sie für Fähigkeiten, die Sie nicht benötigen, nicht zu viel bezahlen sollten. Für die schwierigsten Langzeit-, Multi-Agenten- und Vision-in-the-Loop-Aufgaben bilden gpt-5.6-sol und gpt-5.6-terra jedoch weiterhin die Spitze, die der Keil einzuholen versucht — und Smart AIPI ist der günstigste Ort, um sie auszuführen.

So verwenden Sie GPT-5.6-sol und GPT-5.6-terra

Chat Completions API

curl https://api.smartaipi.com/v1/chat/completions \
  -H "Authorization: Bearer YOUR_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "gpt-5.6-terra",
    "messages": [{"role": "user", "content": "Refactor this module and add tests"}]
  }'

Responses API mit maximalem Reasoning

curl https://api.smartaipi.com/v1/responses \
  -H "Authorization: Bearer YOUR_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "gpt-5.6-sol",
    "input": "Audit this repo for security issues and open PRs to fix them",
    "reasoning": {"effort": "high", "summary": "auto"}
  }'

Codex CLI, Cursor, Cline, Roo Code, OpenCode, Aider

OPENAI_BASE_URL=https://api.smartaipi.com/v1
OPENAI_API_KEY=sk-your-smart-aipi-key
OPENAI_MODEL=gpt-5.6-terra

Der Reasoning-Aufwand unterstützt low, medium, high und xhigh (max). Für agentische und langfristige Arbeiten — also die Aufgaben, bei denen 5.6 den größten Vorsprung erzielt — sollten Sie high oder max verwenden.

Erste Schritte

1. Registrieren Sie sich unter smartaipi.com/signup (kostenloses Guthaben, keine Kreditkarte)
2. Erstellen Sie einen API-Schlüssel im Dashboard
3. Legen Sie Ihre Basis-URL auf https://api.smartaipi.com/v1 fest
4. Verwenden Sie das Modell gpt-5.6-terra (empfohlen) oder gpt-5.6-sol (Flaggschiff)

Die Modelle #1 und #3 im schwierigsten produktionsnahen Coding-Benchmark — 75% günstiger. Dieselbe API, dasselbe OpenAI-kompatible Format, dieselben Tools.