GPT-5

GPT-5 erzeugte den ersten Commit eines leeren Repositorys bei OpenAI, ausgeführt über Codex CLI und geleitet von Vorlagen. Aus diesem Repository wurde über fünf Monate hinweg ein internes Beta-Produkt von rund einer Million Zeilen ohne eine einzige von Hand geschriebene Zeile: drei Ingenieure, später sieben, deren Codex-Agenten etwa 1500 Pull Requests eröffneten, bewerteten und mergten, im Schnitt 3,5 pro Ingenieur und Tag. OpenAIs Darstellung dieser Arbeit verortet die Grenze außerhalb des Modells. Der Flaschenhals für die Leistung des Agenten liegt meist im Design der Umgebung (Regeln der Abhängigkeitsebene, eigene Linter, versionierte Architekturdokumente) und nicht in der Intelligenz des antreibenden Modells.

Die Messungen weisen in die andere Richtung. Anthropics Auswertung mit gepaarten Prompts, 1.350 Prompt-Paare zu 150 Themen, bewertete GPT-5 mit 89% bei politischer Ausgewogenheit, hinter Gemini 2.5 Pro (97%), Grok 4 (96%), Claude Opus 4.1 (95%) und Claude Sonnet 4.5 (94%), vor Llama 4 (66%). GPT-5 stand in dieser Studie auf beiden Seiten: Anthropic nutzte es, um den eigenen Bewerter zu überprüfen, und seine Bewertungen stimmten bei 92% der ausgewerteten Paare mit denen von Claude Sonnet 4.5 überein, Korrelation 0,86.

Im Magentic Marketplace von Microsoft, 100 simulierte Kunden gegen 300 Unternehmen, waren GPT-5 und Gemini 2.5 Flash die Ausnahmen von dem Muster, dass Agenten sich mit einer Handvoll Anbietern zufriedengeben. Gegen sechs Manipulationsstrategien widerstand nur Claude Sonnet 4 jedem Versuch. METRs Einschätzung zu GPT-5: geringes katastrophales Risiko, besorgniserregende Trends.