KI-Modelle
OpenAI veröffentlicht GPT-5.6-Leitfaden, während Agenten günstiger über Modellmischungen werden
OpenAI erklärt, dass GPT-5.6 mit Modellauswahl, beibehaltenem Reasoning, Multi-Agent-Orchestrierung und programmatischen Tool-Aufrufen die Kosten produktiver Agenten senken kann.
OpenAI hat einen Leitfaden für Entwickler zu GPT-5.6 veröffentlicht, der die neue Modellfamilie weniger als einzelnes Spitzenmodell und mehr als Baukasten für produktive Agenten beschreibt. Der Leitfaden vom 13. August argumentiert, dass Startups starke Agentenleistung erreichen können, indem sie Modelle mischen, Reasoning-Aufwand senken, nützliche Zwischenergebnisse über Turns hinweg behalten und deterministische Datenarbeit aus dem Modellkontext auslagern.
Nach Angaben von OpenAI setzt GPT-5.6 den mit GPT-5 begonnenen Kurs fort: längere Aufgaben mit weniger Tokens und weniger Reibung für bestehende Harnesses. OpenAI verweist auf Agents’ Last Exam, wo GPT-5.6 Sol mit low reasoning im gleichen Harness besser abschnitt als GPT-5.5 mit high reasoning. Für Entwickler heißt das, dass nicht jede anspruchsvolle Aufgabe automatisch die teuerste Einstellung braucht.
Am konkretesten ist die Modellauswahl. OpenAI sagt, GPT-5.6 Luna erhalte in Hyphas Dokumentenworkflow 98 Prozent der Extraktionsgenauigkeit von GPT-5.5 zu einem Achtzehntel der Kosten. Browser Use berichtete, Luna habe 78 Prozent von 106 schwierigen Browseraufgaben für etwa 14 Dollar erledigt, während ein aktuelles Spitzenmodell für etwa 235 Dollar 80 Prozent erreichte.
Diese Modellökonomie verbindet OpenAI mit neuen Primitiven der Responses API. Beibehaltenes Reasoning und native Kompaktierung sollen verhindern, dass ein Modell bei langen Aufgaben Kontext ständig neu aufbauen muss. Native Multi-Agent-Orchestrierung lässt einen Hauptagenten parallele Subagenten koordinieren. Programmatische Tool-Aufrufe erlauben GPT-5.6, JavaScript zu schreiben und Tool-Ergebnisse außerhalb des Kontextfensters zu filtern oder zusammenzuführen.
Das ARC-AGI-3-Beispiel zeigt, warum diese Steuerungen zählen. OpenAI zufolge erreichte GPT-5.6 Sol mit einem Standard-Harness 13,3 Prozent. Mit beibehaltenem Reasoning und Kompaktierung stieg der Wert auf 38,3 Prozent, während etwa sechsmal weniger Ausgabe-Tokens genutzt wurden. Das ist keine Garantie für jede Anwendung, zeigt aber, dass Agentenarchitektur selbst Leistung freisetzen kann.
Auch Prompt-Caching wird praktischer. OpenAI sagt, die minimale Cache-Laufzeit der Modellfamilie sei auf 30 Minuten verlängert worden, und Cache-Breakpoints könnten nun deterministisch im Kontextfenster gesetzt werden. Ploy meldete, dass Breakpoints und workspace-spezifische Schlüssel in einem gemeinsamen 29.000-Token-Prompt den nicht gecachten Input um 28 Prozent senkten.
Die größere Bedeutung liegt darin, dass Agentenentwicklung zu Systemdesign wird. Legal-Tech, Browser-Automation, Finanzanalyse und Coding-Workflows müssen entscheiden, welche Schritte Frontier-Reasoning brauchen, welche kleinere Modelle übernehmen und wann Arbeit parallelisiert wird. Teams mit guten Evaluationen können Kostenvorteile eher nutzen, ohne kleine Qualitätsverluste zu übersehen.