GPT-6 wird als „Zeitalter der AGI“ angepriesen – nach der Analyse der Benchmarks: Die Stärke ist echt, AGI ist nur Marketing

Einleitung: Mit der Veröffentlichung von GPT-6 ruft das gesamte Netz „Das Zeitalter der AGI ist da“

Am 3. September hat OpenAI das neue Flaggschiffmodell GPT-6 Astra vorgestellt. Präsident Greg Brockman sagte, es „könnte am Ende als das Eintreffen der AGI betrachtet werden“ – die Medien übersetzten das direkt zu „Willkommen im Zeitalter der AGI“.

Darauf folgte das bekannte Szenario: Screenshot um Screenshot von Benchmarks gingen viral, die Nachricht von 98,6 % bei ARC-AGI-3 machte die Runde. In den Kommentaren rief die Hälfte „AGI ist da“, die andere Hälfte „Wieder nur ein Hype“.

Shiwen: Ist diese Welle von GPT-6 ein echter Durchbruch oder nur Redekunst der Pressekonferenz? Yongliang: Kurz gesagt – die Stärke ist echt, AGI ist nur Marketing. Shiwen: Gut, dann trennen wir erstmal, wo es wirklich stark ist und wo übertrieben wird.

Q1: Wo ist GPT-6 wirklich stark? Ist diese Stärke echt?

Yongliang: Die Stärke ist echt, und sie zeigt sich in konkreten Punkten, nicht in leeren Worten.

Zuerst ein paar harte Fortschritte – jeder einzelne lässt sich auf der offiziellen Seite und in unabhängigen Tests nachprüfen:

Erstens: Computer Use – es kann wirklich „deinen Computer bedienen“. Das ist die zentrale Fähigkeit, mit der GPT-6 wirbt: Du gibst ihm ein Ziel, und es bedient selbst Maus und Tastatur, öffnet Programme, füllt Formulare aus und durchläuft mehrstufige Abläufe. Früher war das ein Bereich, in dem alle viel versprachen, aber wenig umsetzten – dieses Mal ist wirklich ein großer Schritt nach vorne gemacht worden.

Zweitens: Agentic Coding – die „Agenten“-Fähigkeit beim Schreiben von Code. Bei DeepSWE v1.1, einem Benchmark für agentenbasiertes Programmieren mit 113 Aufgaben, erreichte Astra 74,1 % und übertraf damit den Vorgänger GPT-5.6 Sol mit 72,7 %. Unterschätze diesen Unterschied von knapp zwei Prozentpunkten nicht – in diesem hohen Wertebereich ist jeder Punkt schwer zu erreichen.

Drittens: Extrem langer Kontext. Ein Kontextfenster von 1,1 Millionen Token – es kann auf einmal Inhalte von Hunderttausenden Wörtern verarbeiten, ohne sie aufteilen zu müssen.

Viertens: Trainingsumfang. Zum ersten Mal wurde mit über 100.000 GPUs vortrainiert – das größte Projekt in der Geschichte von OpenAI. Das ist mit echtem Geld erkauft.

In dem offiziellen Vergleichsdiagramm von OpenAI liegt Astra bei 59,3 %, Claude Opus 5 bei 55,5 % und der Vorgänger Sol bei 53,6 %. Es ist wirklich stärker geworden, kein bloßer neuer Anstrich. Das muss ich OpenAI zugestehen: Dieses Mal ist echtes Neues dabei.

Q2: 98,6 % bei ARC-AGI-3 – ist die AGI wirklich da?

Yongliang: Nein, ist sie nicht. Und diese 98,6 % haben an sich schon einen Beigeschmack.

Zuerst zerlegen wir die Punktzahl. Beim Benchmark ARC-AGI-3 wurden von ARC Prize zwei Einstellungen verwendet: Bei einer durfte das Modell mit dem vollständigen Gesprächsverlauf antworten, bei der anderen nur mit Notizen. Beim selben GPT-6 ergab sich einmal 99,9 %, das andere Mal nur 62,7 % – derselbe Benchmark, andere Einstellung, Unterschied von 37 Punkten.

Was bedeutet das? Dass „98,6 %“ keine objektive Fähigkeitsmessung ist, sondern eine Zahl unter bestimmten Bedingungen. Wechselst du die Testumgebung, bricht die Punktzahl massiv ein. Die Medien greifen immer nach der höchsten Zahl, aber die tatsächliche Leistungsgrenze schwankt zwischen 62,7 % und 99,9 %.

Jetzt zur AGI selbst. Was misst ARC-AGI-3 überhaupt? Nach Aussage von ARC Prize selbst misst es „agentische Intelligenz“ – also ob das Modell in neuen, abstrakten Umgebungen explorieren, Ziele erraten und ein eigenes internes Modell aufbauen kann. Das misst, ob man in neuen Umgebungen denken kann – nicht, ob es sich um allgemeine Intelligenz handelt. Das als Urteil über die AGI zu nehmen, ist eine Begriffsverwirrung.

Und dann die Definition von AGI bei OpenAI – früher sagten sie selbst, es gehe darum, „alle wirtschaftlich wertvollen Aufgaben genauso gut oder besser als Menschen erledigen zu können“. Hat GPT-6 diesen Grad erreicht? Es kann nicht einmal die Stabilität seines eigenen Dienstes garantieren (am Tag vor der Veröffentlichung gab es einen massiven Ausfall) – von „allen Aufgaben“ ist es Lichtjahre entfernt.

Zum Schluss das am meisten übersehene Detail: Zur Zeit von ARC-AGI-2 erreichte GPT-5.4 nur 0,26 %, Menschen 100 %. Diese Generation springt plötzlich auf 98,6 % – ein so großer Sprung lässt an sich schon zweifeln, ob nicht gezielt auf den Benchmark trainiert wurde. Die Punktzahl ist echt, aber die „Bedeutung der Fähigkeit“ dahinter muss angezweifelt werden.

Mein Fazit ist also klar: Die Stärke ist echt, AGI ist nur Marketing. Aus „stark“ „AGI“ zu machen, ist Redekunst der Pressekonferenz – keine technische Aussage.

Q3: 100.000 GPUs, Recurrent Depth, eingeschränkte Cybersicherheitsfähigkeiten, 2,5-facher Preis – worauf wettet OpenAI, und wovor hat es Angst?

Yongliang: Diese Signale zusammengenommen zeigen: OpenAI wettet einerseits, andererseits hat es Angst.

Worauf wettet es? Auf den Umfang der Rechenleistung. 100.000 GPUs für das Training, 2,5-facher Preis, 1,1 Millionen Token Kontext – das ist eine Wette darauf, dass der Weg „mehr Ressourcen für mehr Fähigkeit“ noch funktioniert, und dass man damit den höchsten Preis verlangen kann. GPT-6 ist das teuerste öffentliche API-Modell in der Geschichte von OpenAI: 10 Dollar pro Million Eingabe-Token, 50 Dollar pro Million Ausgabe-Token. Es wettet nicht auf „ausreichend“, sondern darauf, dass „die stärksten Nutzer für das Stärkste bezahlen“.

Wovor hat es Angst? Vor dem Kontrollverlust über die Fähigkeiten. Drei Details:

Erstens: Recurrent Depth „versteckt“ Denkprozesse. GPT-6 nutzt eine neue Reasoning-Technik, die Teile der Denkkette des Modells verdeckt – man sieht nicht, wie es zur Antwort kommt. The Information hat das direkt als Sicherheitsrisiko benannt: Je stärker das Modell, desto weniger darf man sehen, wie es denkt – das ist an sich schon alarmierend.

Zweitens: Die Cybersicherheitsfähigkeiten sind gesperrt. GPT-6 erreicht bei Sicherheitsbenchmarks wie ExploitBench 100 %, und die Rate für beliebige Codeausführung liegt deutlich über dem Vorgänger. Klingt gut? Aber ein Modell, das so schnell Angriffscode schreiben kann, ist – wenn es uneingeschränkt nutzbar ist – ein fertiges Angriffswerkzeug. Deshalb gibt OpenAI die stärksten Cybersicherheitsfähigkeiten zunächst nur an eine kleine Gruppe geprüfter Tester frei. Es hat selbst schon die Bremse getreten.

Drittens: Diese Veröffentlichung wurde ohnehin verschoben. Im Juli gab es bei OpenAI einen Sicherheitsvorfall auf Hugging Face, danach wurde die Veröffentlichung extra verschoben, um Sicherheitsmaßnahmen nachzubessern. Dass GPT-6 heute zu sehen ist, geschah unter ständigem Bremsen.

Setzt man das alles zusammen, versteht man die wahre Lage von OpenAI: Es will, dass du glaubst, die AGI sei da (für die Bewertung und den Wettbewerb) – aber es weiß selbst genau: Je stärker die Fähigkeiten, desto vorsichtiger muss man sie einsetzen. Beide Einstellungen gibt es gleichzeitig in demselben Unternehmen.

Q4: Wenn Modelle schon von „AGI“ reden – worüber sollten Berufstätige wirklich besorgt sein?

Yongliang: Die allermeisten Menschen machen sich Sorgen in die falsche Richtung.

Wenn ein neues Modell veröffentlicht wird, hört man in den Kommentaren am häufigsten: „Schluss damit, die AGI ist da, werde ich ersetzt?“ Aber hast du genau hingeschaut? Dass GPT-6 stark ist, bedeutet nicht, dass Menschen, die GPT-6 nutzen, stark sind.

Mit demselben Messer schneidet ein Koch ein ganzes Festmahl, ein normaler Mensch schneidet sich nur in den Finger. Bei KI ist es genauso: Dass die Fähigkeit des Modells gestiegen ist, hebt nur die Obergrenze an. Ob du diese Obergrenze erreichst, hängt von deinen eigenen Fähigkeiten ab.

Worüber Berufstätige also wirklich besorgt sein sollten, ist nicht „das Modell ist zu stark“, sondern diese drei Dinge:

Erstens: Du kannst es nur „benutzen“, aber nicht „beurteilen“. Wenn du KI einen Entwurf oder einen Code schreiben lässt – kannst du sagen „das geht, das geht nicht“? Je stärker die KI, desto mehr braucht es Menschen, die die Kontrolle behalten – Menschen, die urteilen und einstehen können, werden sogar wertvoller.

Zweitens: Du kannst deine Fähigkeiten „nicht nachweisen“. Wenn ein Personaler fragt „kannst du KI nutzen?“, sagst du „ja“ – und dann? Wenn du nichts Konkretes vorweisen kannst, fliegst du auf. „Ich glaube, ich kann KI“ ist der gefährlichste Zustand.

Drittens: Du sammelst nur noch Bruchstücke. Hier ein Tutorial, da ein Video, hunderte Einträge in den Lesezeichen, aber kein System im Kopf. Fragmentiertes Lernen ist im KI-Zeitalter am ineffizientesten – denn das Modell selbst liefert dir schon die Bruchstücke. Was dir fehlt, sind keine Bruchstücke, sondern ein System.

Kurz gesagt: Je stärker die Modelle, desto mehr verschiebt sich der Unterschied zwischen Berufstätigen von „wer das Werkzeug kennt“ zu „wer nachweisen kann, es zu nutzen, und wer damit echte Probleme löst“.

Q5: Modelle werden immer stärker – wie sollen Berufstätige lernen und nachweisen, dass sie KI nutzen können?

Yongliang: Drei Punkte, einfach befolgen.

Erstens: Jag nicht den neuesten Modellen hinterher – jag „nachweisbaren Fähigkeiten“ nach. GPT-6 ist da, nächsten Monat kommt vielleicht GPT-6.5. Du wirst Versionen nie einholen, und das musst du auch nicht. Was du wirklich verfolgen solltest, ist die Frage: „Kann ich mit KI die Aufgaben in meinem Job von Anfang bis Ende erledigen?“ – Wenn ja, ist das eine Fähigkeit. Wenn nein, nützt das neueste Modell nichts.

Zweitens: Bringe Bruchstücke in ein System. Statt 100 einzelne Tutorials durchzugehen, verfolge lieber einen kompletten Lernpfad: Von „was kann KI“ bis „wie setze ich das in konkreten Szenarien meines Jobs um“, bis du eine Frage beantworten kannst: „Wie wende ich das Ganze in meiner Arbeit an?“ Was du selbst geordnet und erklären kannst, ist dein eigenes Wissen.

Drittens: Mache Fähigkeiten prüfbar und lieferbar. Dafür empfehle ich, es systematisch zu lernen und eine Zertifizierung zu machen. Achtung: Der Wert einer Zertifizierung liegt nicht im Papier, sondern darin, dass sie dich zwingt, verstreute Erfahrungen zu einem System zu ordnen – danach kannst du sagen „ich habe das gelernt, ich kann das machen, ich habe es in diesem Szenario getestet“, statt nur „ich habe viele Tutorials geschaut“. Auf dem Lebenslauf ist „sicherer Umgang mit KI“ weniger wert als eine nachprüfbare Zertifizierung; für Arbeitgeber sind „Systematik und Nachweisbarkeit“ ein Türöffner und Pluspunkt im Lebenslauf.

Verstehe eine Zertifizierung nicht als „damit kriegst du sofort mehr Gehalt“ – das ist gelogen. Verstehe sie als „harte Vorgabe, um deine Fähigkeiten einmal zu einem System zu ordnen“ – das ist ihr wahrer Wert.

Schluss

Shiwen: Zum Schluss ein Satz als Zusammenfassung? Yongliang: Die Modelle sind noch weit von der AGI entfernt, aber dein Abstand zu „KI richtig nutzen können“ ist näher als du denkst – der Schlüssel ist nicht, das neueste Modell zu jagen, sondern das, was du kannst, nachweisbar zu machen. Shiwen: Diesen Satz wünschen wir allen. Bis zum nächsten Mal.

[Technische Tiefe] Warum kann man Benchmark-Punkten nicht ganz trauen?

In dieser Folge geht es immer wieder um das „Zerlegen von Punktzahlen“ – also erklären wir dieses technische Problem genau: Warum kann dasselbe Modell so unterschiedliche Punktzahlen erreichen?

Erstens: Die Messmethode (Harness). Beim selben ARC-AGI-3 ändert sich das Ergebnis, ob das Modell den vollen Gesprächsverlauf hat oder wie viel „Kladde“ es benutzen darf. Die 62,7 % und 99,9 % von GPT-6 sind das Ergebnis solcher Unterschiede in der Messmethode. „Punktzahlen“ sind nie eine objektive Konstante, sondern ein Ergebnis unter bestimmten Versuchsbedingungen. Dass Medien nur die höchste Zahl nennen, ist so, als würden sie nur dein vorteilhaftestes Foto zeigen.

Zweitens: Overfitting (Punktzahljagd). Das Problem mit öffentlichen Benchmarks: Die Modellteams wissen, in welche Richtung die Fragen gehen, und können gezielt trainieren. Wie schwer war ARC-AGI-2 damals? GPT-5.4 schaffte nur 0,26 %. Weniger als ein Jahr später erreicht ARC-AGI-3 direkt 98,6 %. Ist die Fähigkeit wirklich so stark gestiegen? Ein Teil ist echt, aber ein großer Teil ist „das Modell hat die Tricks dieses Prüfungsbogens gelernt“. Deshalb ruft die Szene schon nach „neuen, geschlossenen Benchmarks“.

Drittens: Benchmarks „sättigen sich“, deshalb werden sie ständig gewechselt. Als ARC-AGI-2 fast vollpunktzahlreich war, kam ARC-AGI-3 mit neuen Aufgaben. Die 98,6 %, die du heute siehst, werden nächstes Jahr wahrscheinlich von einem neuen Benchmark wieder „auf den Boden der Tatsachen zurückgeholt“. Punktzahlen jagen Benchmarks hinterher – nicht „Intelligenz“.

Für normale Menschen reicht es, eines zu merken: Ob ein Modell gut ist, erkennst du nicht an der höchsten Schlagzeilen-Punktzahl, sondern daran, wie es bei deinen echten Aufgaben abschneidet. Lass GPT-6 dir einen Wochenbericht schreiben, eine Tabelle erstellen, Informationen recherchieren – ob es dir dabei gut von der Hand geht, ist genauer als jeder Benchmark.

Faktencheck-Tabelle

Aussage im Text	Faktenbasis
GPT-6 Astra erschien am 3.9. als Limited Preview, für die Öffentlichkeit ab 5.9.	Wikipedia-Eintrag „GPT-6 Astra“
Erstmaliges Training mit über 100.000 GPUs (Stargate in Texas)	Wikipedia mit Zitat von OpenAI-Forschungs-VP Aidan Clark
1,1 Millionen Token Kontextfenster	llm-stats.com / ComputingForGeeks u.a.
Preis 10 $/M Eingabe + 50 $/M Ausgabe, etwa 2,5-fach so hoch wie Sol	OpenAI offiziell + overchat.ai (Sol liegt bei 4 $/M)
Gesamtvergleich 59,3 % (Astra) vs. 55,5 % (Opus 5) vs. 53,6 % (Sol)	Offizielle Veröffentlichungsseite von OpenAI
DeepSWE v1.1: Astra 74,1 % vs. Sol 72,7 %	Vellum (mit Verweis auf offizielle Coding-Tabelle von OpenAI)
ARC-AGI-3 ergab bei demselben Benchmark zwei Punktzahlen 62,7 % und 99,9 % (je nach Messmethode)	ofox.ai / ARC Prize offiziell
ARC-AGI-3 misst „agentische Intelligenz“ (Erkunden neuer Umgebungen, Ableiten von Zielen)	Offizielle Erklärung auf arcprize.org
Zur Zeit von ARC-AGI-2 erreichte GPT-5.4 nur 0,26 % (Menschen 100 %)	happycapyguide mit Verweis auf ARC-Daten
Brockman sagte „könnte am Ende als das Eintreffen der AGI betrachtet werden“	Wikipedia-Eintrag
„Willkommen im Zeitalter der AGI“	Titel von Axios (kein Originalton von OpenAI)
Recurrent Depth verdeckt Teile der Denkkette, löst Besorgnis über Überwachbarkeit aus	Wikipedia + The Information
Cybersicherheitsfähigkeiten eingeschränkt (Tester bei Daybreak Blue)	Wikipedia + CNBC
ExploitBench 100 %, Rate beliebiger Codeausführung deutlich höher als beim Vorgänger	gptunnel / Offizielle Veröffentlichungsseite von OpenAI
Veröffentlichung nach Hugging-Face-Vorfall im Juli verschoben	Wikipedia-Eintrag
Zertifizierungen als „Pluspunkt im Lebenslauf, Türöffner, systematisches Lernen“, nicht als „Garantie für Erfolg/Gehaltserhöhung“	Persönliche Meinung des Gastes, entspricht den Compliance-Richtlinien

Unterschiede zur Zhihu-Version

Titel kann gewechselt werden: Hat die 98,6 % von GPT-6 einen Beigeschmack? Die Benchmark-Falle hinter dem „Zeitalter der AGI“ aufgedeckt (für lange Suchanfragen, mit Schlüsselwörtern)
Technische Tiefe vorziehen: Zhihu-Leser schätzen grundlegende Herleitungen. Man kann den Teil [Technische Tiefe] mit „Messmethode / Overfitting / Sättigung von Benchmarks“ nach Q2 setzen und eine methodische Diskussion ergänzen, warum geschlossene Benchmarks schwer vor Punktzahljagd zu schützen sind
Kritische Perspektive ergänzen: In Q2 einen Satz hinzufügen zum „Wesen von Pressekonferenz-Rede vs. technischer Sprache“ – warum KI-Unternehmen allgemein gerne Begriffe wie AGI oder Meilenstein verwenden: Denn Aufmerksamkeit bedeutet Finanzierung. Das erklärt, warum jede Veröffentlichung mit Übertreibungen einhergeht
Am Ende hinzufügen: „Das oben Genannte sind persönliche Ansichten, nur zur Information.“

Layout-Hinweise für die öffentliche Account-Version (WeChat)

Der Eröffnungs-Leitsatz „Die Stärke ist echt, AGI ist nur Marketing“ auf der ersten Seite fett hervorheben, um eine Verweildauer von 3 Sekunden zu gewährleisten
Folgende Leitsätze fett behalten: „Je stärker das Modell, desto weniger darf man sehen, wie es denkt“, „Menschen, die urteilen und einstehen können, werden sogar wertvoller“, „Der Wert einer Zertifizierung liegt nicht im Papier, sondern darin, dass sie dich zwingt, zu einem System zu ordnen“
Aus den vier „Stärken“ in Q1 kann man eine Karten-Grafik „Liste der echten Fähigkeiten von GPT-6“ machen, aus „62,7 % vs. 99,9 %“ in Q2 eine Vergleichsgrafik – zum einfachen Überfliegen auf dem Handy