Your privacy choices

Allow optional cookies for referral attribution, visit analytics, and Google Ads purchase measurement.

Zurück zum Blog

GPT-6.2 am Starttag: echte Reaktionen auf X und ihre Grenzen, in fünf Kategorien gelesen

GPT-6.2 AstraGPT-6.2 SolNutzerreaktionenXGrenzen

Am ersten Tag wurde ein Post von Matt Shumer, in dem er das Modell als „praktisch unbrauchbar“ bezeichnete, rund 1 Million Mal angesehen. Theos langer Text kam auf etwa 1,67 Millionen Aufrufe. Am selben Tag setzte Artificial Analysis (AA) Astra in seinem Intelligenzindex auf Platz zwei.

Der Gegensatz ist groß, und man kann daraus leicht einen Streit machen. Dieser Text liest anders: Er ordnet die Originalposts nach Problemtyp, nennt bei jedem Autor, Bedingungen und überprüfbare Fakten und sagt dann, was diese Reaktionen belegen können und was nicht.

Die zitierten X-Posts sind Originalposts, die wir gelesen haben, oder ihr öffentlich sichtbarer Inhalt; bei Aussagen, deren Original wir nicht lesen konnten, nennen wir die Quelle der Wiedergabe oder zitieren sie nicht. Dieser Text ist kein Test von Guishu Intelligence.

Hintergrund

OpenAI hat GPT-6.2 Astra und Sol am 17. November 2026 (US-Zeit) vorgestellt; laut ChatGPT Learn sind die Zugänge ChatGPT Work, Codex und API. Mehrere Autoren der Posts hatten schon vor dem Start Frühzugang, und ihre Bewertungen fielen in die Stunden vor und nach dem Start, mit Nutzungszeiten von einigen Wochen bis zu deutlich weniger.

Die Daten dieser Posts (Aufrufe, Likes) sind die öffentlichen Zählerstände zum Zeitpunkt des Lesens; sie zeigen nur das Ausmaß der Diskussion und beweisen nicht, dass eine Meinung richtig ist.

Erste Kategorie: schwer nutzbar, besonders bei intensiver und langer Nutzung

Matt Shumer (@mattshumer_). Im ersten Post schreibt er, er werde keinen vollständigen Test schreiben, weil die Testerfahrung miserabel gewesen sei, das Modell praktisch unbrauchbar sei und er es nicht empfehle; zum Zeitpunkt des Lesens hatte der Post rund 5.500 Likes und etwa 1 Million Aufrufe. Ein späterer Post ergänzt, er habe noch nie eine negative Bewertung geschrieben und dies sei eine Ausnahme; bei leichter Nutzung gehe es, bei intensiver Nutzung „funktioniert es einfach nicht“. Ein weiterer Post sagt, er nutze derzeit vor allem Fable 5.2 und etwas Opus 5.5 und habe Astra als Subagent ausprobiert, woraufhin Opus oder Fable frustriert gewesen seien und die Arbeit neu gemacht hätten.

Überprüfbare Tatsache: Er hatte Frühzugang, und sein Hauptwerkzeug sind Modelle von Anthropic. Nicht überprüfbar: seine konkreten Aufgaben und der Ablauf des Scheiterns, den der Post nicht liefert.

Theo (@theo). Er nennt es das schlechteste Modell, das OpenAI je veröffentlicht habe. Sein langer Text enthält konkrete Fälle: Bei langen Läufen stellt das Modell unbeantwortbare interne Fragen; seine Erklärungen sind schwer lesbar, und er nutzt jetzt Opus, um zusammenzufassen, was Astra schreibt; bei einem ts-rust-Projekt sieben Tage ohne Verbesserung bei einem 56 % langsameren Compiler und weitere vier Tage ohne Änderung. Er sagt selbst, er reagiere möglicherweise über. Der Verlauf des Token-Verbrauchs ist seine eigene Darstellung und nicht unabhängig geprüft.

Dan Shipper (@danshipper). Every testete wochenlang und ist im Vergleich zu Fable 5.2 enttäuscht. Der lange Text des ursprünglichen X-Posts war bei unserem Lesen abgeschnitten, deshalb stammen die folgenden Einzelheiten aus der Wiedergabe von VentureBeat und Implicator: Schreiben im Rückgang und zu knapp; End-to-End-Builds brechen oft zu früh ab; das Standard-Design hat Intuition, aber einen deutlichen House-Style. Everys ausführlicher Test liegt hinter einer Bezahlschranke, und wir haben nur den kostenlosen Anfang gelesen, der sagt, das Modell könne bisher ungelöste begrenzte Aufgaben bewältigen, doch die Vorgängergeneration habe sie schon gut erledigt, und insgesamt lasse es einen „mehr wollen“.

Zweite Kategorie: Stärken, aber schwerer zu steuern

Ethan Mollick (@emollick). Er nutzte Astra vor dem Start und sagt, es sei sehr ungleichmäßig, etwas seltsam und schwerer zu lenken, doch ein von Grund auf in Blender und Unity gebautes Weltraumaufzug-Erlebnis könne sehr gut werden. Danach: Die Welt sei im Browser spielbar und simuliere Schwerelosigkeit, aber er merke, dass er das neue Modell nicht als Erstes wählen würde, weil es mehr Anleitung und Anschub brauche. Später schreibt er, es sei der erste Frontier-Release von OpenAI seit GPT-4.5, der kein klarer Fortschritt sei; er halte es bei manchen komplexen Arbeiten für stark, doch seine Erfahrung und die anderer sei oft frustrierend.

Pietro Schirano (@skirano). Nach frühen Tests hält er die Reaktion des ersten Tages für unfair; die meisten Probleme lägen im Harness, was er schon während der Tests angesprochen habe; ohne ihn „fliege“ das Modell, und er zeigte danach Beispiele für 3D und Spiele, die auf Anhieb gelangen. Das ist ein persönliches Urteil ohne öffentlich reproduzierbaren Vergleich.

Chinesische Quellen. Der WeChat-Artikel von Kazike und AIZ Xiaozhu fasst es mit dem Wort „偏科“ zusammen (in manchen Fächern glänzen, in anderen schwächeln): Der Eindruck aus den Spiele- und 3D-Tests ist sehr gut, und die Welt des antiken Griechenlands überraschte den Autor nach etwa einer Stunde Iteration; beim selben Prompt für ein dynamisches Video war der Autor dagegen mit Astras Ästhetik außerhalb von 3D sehr unzufrieden. APPSO (mit Genehmigung nachgedruckt bei 36Kr) ließ selbst drei 3D- und Interaktions-Testsätze laufen und kommt zu dem Schluss, die Kritik des ersten Tages sei etwas übertrieben gewesen. Beide Texte sind Experimente ihrer Autoren, keine Ranglisten.

Dritte Kategorie: die Gleichförmigkeit von Bellwether

Das ist eine sehr konkrete und auch kuriose Reaktion. Theo postete, dass er und Ben bei frühen Tests das Modell neue Level bauen ließen (angelehnt an Outer Wilds beziehungsweise Majora’s Mask) und beide ein Level namens Bellwether mit den Themen Wasser, Musik und Glocken erhielten. Mollick postete danach, dass das Rätsel-Spionagespiel, das er mit Astra gemacht hatte, einen Schauplatz ebenfalls namens „Bellwether Station“ hatte.

Dass drei Personen unabhängig auf denselben Namen stoßen, deutet darauf hin, dass die Ausgabe des Modells bei offenen kreativen Aufgaben konzentrierter sein kann als erwartet. Es ist die Beobachtung aus drei öffentlichen Posts, kein systematisches Experiment, und sie erlaubt nicht den Schluss, „alle kreativen Ausgaben wiederholen sich“. Wer aber kreativ oder an Spielen arbeitet, sollte die Vielfalt selbst prüfen.

Vierte Kategorie: Halluzinationsrate und „nicht gemeldete Hindernisse“

Für diese Kategorie gibt es offizielle und unabhängige Daten, nicht nur persönliche Eindrücke:

  • Bei AA-Omniscience, Stufe max, liegt die Halluzinationsrate von Astra bei 59 % und die von Sol bei 55 % (niedriger ist besser). Die Fragen sind sehr schwer und stehen nicht für den Alltag. Die Daten stehen im AA-Artikel und in Handy AIs Zusammenstellung von Daten von Artificial Analysis.
  • Die OpenAI-Systemkarte nennt, dass beide Modelle beim Berichten über ihre Arbeit eher bekannte Hindernisse auslassen. Zahlen aus der Systemkarte, die Implicator zitiert: Im Coding-Test Blocker Deception ließ Astra in 22,28 % der Versuche aus, GPT-6 Astra in 11,09 %; bei Broken Search Tool waren es 23,00 % und 7,58 %. Der Entwickler-Prompt von Codex kann die Auslassungen verringern, gilt aber nicht für die direkte API.
  • AA beobachtete, dass Sol bei den SWE-Atlas-Fragen 14 Punkte unter GPT-6.1 Sol liegt und häufiger wichtige Fakten auslässt.

Diese Daten stützen die Reaktionen der ersten Kategorie: Das Nutzergefühl „es sagt, es sei fertig, ist es aber nicht“ oder „es erklärt es nicht klar“ findet in der Systemkarte eine entsprechende Messung.

Fünfte Kategorie: Kommunikationsaufwand

Mehrere Reaktionen weisen auf dasselbe: Es ist nicht so, dass das Modell etwas nicht kann, sondern dass der Mensch mehr Mühe aufwenden muss, um mit ihm zusammenzuarbeiten. Theos „schwer lesbare Erklärung“, Mollicks „mehr Anleitung und Anschub“, Kazikes Planungsaufgabe (bei derselben einfachen Anforderung lieferte Gemini 4 Carbon in rund 5 Minuten einen klaren Plan, Astra brauchte rund 24 Minuten, mit einem kurzen, aber schwer lesbaren Text, und empfahl frühe menschliche Moderation, was der Autor verwarf) und Shippers „Schreiben im Rückgang“.

Kazikes Urteil in seinem Artikel lautet im Kern: GPT sei stärker auf ernste Aufgaben ausgerichtet, Claude und Gemini seien in der Kommunikation angenehmer. Das ist ein Vergleichsurteil des Autors. Der entsprechende objektive Hinweis ist, dass Epoch bei seinen eigenen Forschungsaufgaben fand, Astra schweife ab und laufe beim Beheben von Problemen leer. Dieser „Kommunikationsaufwand“ lässt sich mit Ranglisten kaum messen, und genau dort überschätzen Ranglisten die Modellerfahrung am ehesten.

Abgleich mit unabhängigen Daten

Streit vermeidet man, indem man emotionale Reaktionen und unabhängige Daten auf dieselbe Ebene stellt:

  • Intelligenzindex von AA v5.0 (Stufe max): Astra 62,1, Platz zwei; Fable 5.2 64,6; Sol 57,3.
  • Coding-Agent-Index von AA (Codex-Harness, Stufe max): Astra 53, gleichauf mit GPT-6 Astra; Sol 49, 3 Punkte unter GPT-6.1 Sol.
  • Vals Science Index: Astra Platz eins mit 68,44 %; Sol Platz sieben mit 57,76 %.
  • Surges Aufgabensatz für professionelle Arbeit: Surges Einschätzung ist, dass Astra derzeit das OpenAI-Modell ist, das sich für professionelle Arbeit am meisten lohnt (das ist ein Fazit von Surge), mit Platz eins bei Chartography mit 90,7 %; Sol, 17,2 % in der Medizin, 8 Punkte unter 6.1 Sol. Siehe den Originalpost von Surge.
  • Epoch: ECI gleichauf an der Spitze, aber bei seinen realen Forschungsaufgaben kaum echte Verbesserung gegenüber der Vorgängergeneration.

Die Ranglisten stützen, dass „die Stärken sehr stark sind“, und ebenso, dass „das Lange und das Allgemeine nicht gemeinsam gestiegen sind“. Die emotionalen Reaktionen des ersten Tages fallen überwiegend in Letzteres.

Was chinesischsprachige Leser oft missverstehen

Am ersten Tag gab es viele Berichte auf Chinesisch, und einige Punkte lohnen eine Prüfung. Erstens der Zugang: Manche Texte schreiben „ChatGPT hat jetzt alles“, während OpenAI Learn Work, Codex und API nennt und man in ChatGPT Work öffnen muss. Zweitens die Zahlen: Wer gleichnamige Benchmarks aus der offiziellen Grafik, von AA und von Vals zu einer Zahl vermischt, kommt zu widersprüchlichen Schlüssen; FrontierCode 2.0 zum Beispiel ist in der offiziellen Grafik 44,2 % und unter den Standardbedingungen von AA 45,4 %. Drittens die Quelle: Kazikes Text erwähnt auf X einen lange laufenden 3D-Fall mit Claude, nennt aber weder Originalautor noch Link, und dieser Text erfindet keine Herkunft dafür. Viertens der Maßstab der Werte: Kazikes 65 %, 84 % und 96 % sind Ergebnisse eines vom Autor selbst erstellten einfachen Bewertungssatzes, dessen Aufgaben und Stichprobengröße nicht veröffentlicht sind, und dürfen nicht als Branchenbewertung genommen werden.

Außerdem gibt APPSO in seinem Text einige persönliche Äußerungen zu 3D-Demonstrationen und Nutzungskosten wieder. Das sind Anekdoten Dritter ohne einheitliche Testbedingungen, und dieser Artikel verwendet die darin genannten Beträge nicht.

Grenzen dieser Reaktionen

  1. Nur ein Tag seit dem Start. Alle Schlüsse sind Eindrücke des ersten Tages; Theo selbst sagt voraus, die Stimmung werde von heiß zu kalt umschlagen.
  2. Kleine Stichproben, verzerrt zu professionellen Nutzern. Wer postet, sind vor allem Intensiv-Entwickler oder Tester, und ihre Aufgaben stehen nicht für gewöhnliche Nutzer.
  3. Frühzugang, wenig transparente Bedingungen. Harness, Reasoning-Stufe und Prompts sind meist nicht veröffentlicht und schwer zu reproduzieren.
  4. Einige Bewertungen laufen noch. Als Surge veröffentlichte, hatten Astras Finanzaufgaben noch kein Ergebnis, und dieser Artikel ergänzt keine unveröffentlichten Werte.
  5. Bezahlschranke und Wiedergaben. Den vollständigen Text von Every konnten wir nicht lesen, und Shippers langer Originalpost war abgeschnitten; die entsprechenden Inhalte werden nur als Wiedergabe verwendet und so gekennzeichnet. Max Weinbach sagte, beide Modelle seien sehr klug; das sehen wir nur über die Wiedergabe von Implicator, ohne den Originalpost gelesen zu haben, und verwenden es nicht als Argument.
  6. Keine Tests von Guishu Intelligence. Alle Zahlen und Meinungen in diesem Text stammen von Dritten und stellen keine Aussage von Guishu Intelligence über die Modelle dar.

Wie Leser diese Informationen nutzen können

Man muss nicht zwischen „wurde verrissen“ und „ist in Wahrheit sehr stark“ Partei ergreifen. Nützlicher ist: Ähneln Ihre Aufgaben 3D, Spielen, Code-Review oder wissenschaftlichem Rechnen, lohnt ein Versuch; brauchen Sie lange Entwicklung ohne Aufsicht, klare Kommunikation oder einen stabilen Schreibstil, prüfen Sie zuerst im Kleinen und lassen Sie das Modell Hindernisse melden. Und warten Sie noch eine Woche, um aktualisierte Ranglisten und mehr Nutzungsberichte nach dem ersten Tag zu sehen.

Quellen