GPT 5.2: Benchmarks, Modell-Übersicht und Performance in der Praxis

Update: Seit der Veröffentlichung dieses Artikels hat OpenAI mehrere neue Modelle herausgebracht. Um auf dem Laufenden zu bleiben, schau dir auch unsere Guides zu GPT-5.4, GPT-5.3-Codex und GPT-5.3-Instant an.

Es ist erst ein Monat vergangen seit dem Launch von GPT-5.1. Aber ein Monat ist in der Welt der KI eine lange Zeit. Inzwischen hat Google Gemini 3 veröffentlicht, das viele der meistbeachteten Benchmarks anführt, und Anthropic hat Claude Opus 4.5 herausgebracht, das erneut in Software Engineering die Spitze übernimmt.

OpenAI will sich als das Unternehmen positionieren, das den größten geschäftlichen Mehrwert liefert. Nach Rückschlägen in wichtigen Leaderboards wuchs jedoch die Sorge, Nutzer oder sogar Unternehmenskunden zu verlieren. Laut Berichten löste dieser Druck einen „Code Red“ aus und beschleunigte die Veröffentlichung von GPT-5.2.

In diesem Artikel fasse ich alles zusammen, was mit GPT-5.2 angekündigt wurde – inklusive der Vorteile für Unternehmen durch die drei neuen Modelle, die derzeit für alle zahlenden ChatGPT-Nutzer ausgerollt werden (und jetzt auch in der API verfügbar sind). Lies außerdem unseren Guide zum ChatGPT-Images-Tool sowie zu den zwei neueren Modellen GPT-5.3 Codex und GPT-5.2 Instant.

Wir halten unsere Leser mit „The Median“, unserem kostenlosen Freitags-Newsletter, bei dem wir die wichtigsten KI-News der Woche einordnen, auf dem Laufenden. Abonniere ihn und bleib mit wenigen Minuten pro Woche up to date:

Was ist neu in GPT-5.2?

GPT-5.2 bringt gezielte Verbesserungen bei Reasoning, Gedächtnis und Tool-Nutzung. Aus OpenAIs Sicht übersetzen sich diese Upgrades in bessere Enterprise-Workflows und weniger Fehlstellen während der Arbeit. Die drei Modelle der Serie liefern diesen Wert jeweils auf unterschiedliche Art.

GPT‑5.2 Instant

GPT-5.2 Instant setzt auf niedrige Latenz und schnelle Antworten. Es ist als Alltags-Arbeitstier für Recherche, Entwürfe und Übersetzungen gedacht. Die meisten werden standardmäßig mit diesem Modell interagieren – sein Vorteil ist Durchsatz statt Tiefe. Praktisch schließt es die Lücke, wenn du schnelle Antworten oder leichte Automatisierung brauchst, ohne für schwergewichtiges Reasoning zu zahlen.

GPT‑5.2 Thinking

GPT-5.2 Thinking erweitert die Reasoning-Fähigkeiten, sodass das Modell komplexe Probleme Schritt für Schritt durchgeht, bevor es antwortet.

In OpenAIs eigenen Benchmarks setzt es neue Bestwerte bei Wissensarbeit, Coding und Long-Context-Aufgaben – besonders, wenn es Tools wie Tabellen und Präsentationen einsetzen kann.

Es ist OpenAIs Versuch eines universellen Wissensarbeitsmotors und das Modell der Wahl, wenn Genauigkeit durch bewusstes Nachdenken steigt. Für viele Organisationen wird es der Favorit für Analysen, mehrstufige Workflows und agentische Aufgaben sein.

GPT‑5.2 Pro

Das Flaggschiff, entwickelt mit Blick auf Unternehmenskunden.

Es ist auch die teuerste Option, denn es zielt auf Szenarien mit hohem Risiko, in denen zusätzliche Prozentpunkte bei Reasoning-Qualität, Faktentreue und abstrakter Problemlösung die höheren Kosten pro Token rechtfertigen.

Pro ist gedacht für Umgebungen, in denen Fehler teuer sind und Teams ein Modell brauchen, das auch über sehr lange Kontexte hinweg konsistent bleibt. Es eignet sich für Entscheidungsunterstützung, komplexe Planung und Workloads, bei denen Zuverlässigkeit genauso wichtig ist wie reine Leistung.

Wann ist GPT-5.2 verfügbar?

GPT-5.2 wird bereits ausgerollt. OpenAI hat das Modell am 11. Dezember 2025 offiziell gestartet. Zuerst erhalten zahlende ChatGPT-Pläne Zugriff, anschließend wird die Verfügbarkeit über Regionen und Plattformen hinweg erweitert. Nutzer können alle drei GPT-5.2-Modelle direkt in ChatGPT verwenden, und Entwickler greifen über die OpenAI-API via Responses- und Chat-Completions-Endpunkte darauf zu.

GPT-5.2 Benchmarks

Die Veröffentlichung von GPT 5.1 war auffallend leicht an Benchmark-Ergebnissen, da der Fokus auf der User Experience lag. Wenig überraschend versucht GPT 5.2 nun, das Ruder mit stärkerem Fokus auf Ergebnisse herumzureißen.

Arbeitstasks

GDPval ist der meistbetonte Benchmark im neuen Release. Er wurde jedoch erst Anfang Oktober 2025 auf arXiv vorgestellt – die Hervorhebung sagt also viel über die Natur dieses Releases aus.

GDPval testet Aufgaben, die Berufstätige täglich erledigen – etwa Berichte erstellen und Präsentationen bauen. Die Fragen stammen aus 44 Berufen in den neun größten Branchen, die zum US-BIP beitragen. Das reicht von Pflegekräften über Data Scientists bis zu Hochschulprofessoren. Die Tasks verlangen echte Arbeitsergebnisse wie Tabellen, Buchhaltungsjournale, Videos und Präsentationen.

Coding

Der zweitwichtigste Benchmark in diesem Release ist SWE-Bench Pro, ein anspruchsvolles Software-Engineering-Eval, auf dem GPT-5.2 55,6% erreicht. SWE-Bench Pro verlangt die Lösung langwieriger Issues aus realen Repos, inklusive mehrerer Dateiänderungen. 

Du hast vielleicht von SWE-bench Verified gehört – der einfacheren Variante. Hier erzielte GPT 5.2 80%. Zum Kontext: Wir haben kürzlich berichtet, dass Claude Opus 4.5 80,9% erreicht – die beiden Modelle liegen also etwa gleichauf.

Long-Context-Reasoning

GPT 5.2 überzeugt außerdem in einem Benchmark namens MRCR v2 (Multi-Round Coreference Resolution, Version 2). Es erreicht nahezu perfekte Werte – OpenAI will damit zeigen, dass GPT 5.2 sehr gut mit langen Dokumenten arbeiten kann.

Tatsächlich erzielt es bis 256k Tokens fast perfekte Genauigkeit. Das entspricht grob 200.000 Wörtern – also in etwa der Länge eines Romans.

GPT-5.2 in der Praxis: Neue Fähigkeiten im Test

OpenAI verspricht deutliche Sprünge bei Intelligenz, Long-Context-Verständnis, agentischem Tool-Calling und Vision. Entsprechend habe ich diese Bereiche einzeln geprüft. 

Long-Context-Verständnis

Um das Long-Context-Verständnis von GPT-5.2 zu testen, habe ich eine Online-Version von J. M. Coetzees Roman Disgrace hochgeladen und das Modell nach einem kleinen, leicht zu übersehenden Detail tief in einem langen Abschnitt gefragt.

Ich habe GPT-5.2 diese Frage gestellt: 

What did David serve Melanie for supper in one of their early encounters?Bereitgestellt von

GPT-5.2 fand die richtige Antwort, obwohl es sich wie die sprichwörtliche Nadel im Heuhaufen anfühlte. Dieses Abendessen wird im Buch nur einmal erwähnt und hat keine wirkliche erzählerische Bedeutung.

Der Test zeigte mir, dass GPT-5.2 nicht bloß Muster rät, sondern echte Informationen über eine lange Sequenz hinweg „festhält“.

Diese Art von Retention ist wichtig, denn echte Long-Context-Performance bedeutet, einen granularen Zustand über große Textmengen hinweg zu halten. Wenn ein Modell ein flüchtiges Abendessen tief in einer 90-seitigen Erzählung erinnert, kann es Variablen in einem Codebase, Klauseln in einem Vertrag oder Finanzdetails in einem 200-seitigen Bericht nachverfolgen.

Agentisches Tool-Calling

Test 1

Um die agentischen Fähigkeiten von GPT-5.2 zu testen, gab ich eine Aufgabe, die Navigation und Klicken erfordert: als autonomer Wohnungs-Suchagent zu agieren. Das ist praktisch für alle, die umziehen wollen, aber keine Zeit haben, Mietportale selbst zu durchforsten.

Das Modell musste einen Browser nutzen, Filter setzen, in Listings klicken, Details extrahieren und einen Vergleichsreport erstellen.

Hier ist die Essenz des Prompts:

You are my autonomous apartment-hunting agent.

Find apartments for rent in Queens.
 
Open a rental site, apply a price and neighborhood filter, scroll through the results, 
click into each relevant listing, and extract structured details (price, address, 
beds/baths, square footage, amenities, pet policy, parking, fees, lease terms, and a 
short description of the layout/photos). 

Then assemble everything into a table, rank the units by overall value, and write a brief 
report naming the best-value pick, the cheapest acceptable unit, and the one with the 
best amenities. Save the table as a CSV in the VM and show the ranked table in chat.Bereitgestellt von

Dieses Setup sollte Long-Horizon-Reasoning, Tool-Calling und UI-Interaktion in einem Durchgang prüfen.

GPT-5.2 navigierte zu einem Portal, setzte Filter und arbeitete die Ergebnisse eigenständig durch. Es klickte in einzelne Einheiten, zog strukturierte Felder heraus, wählte sogar eigenständig einen Stadtteil und eine Preisspanne (die hätte ich auch vorgeben können, aber ich ziehe nicht wirklich um) und stellte anschließend eine kurze Rangliste zusammen. 

Sicher war die Recherche nicht perfekt. Im Trace des Modells sah ich, dass einige Seiten Scraping blockierten, aber der Agent wich auf andere Seiten aus und lieferte am Ende dennoch brauchbare Empfehlungen. 

In der finalen Tabelle fiel mir auf, dass keine echten URLs enthalten waren, sondern Screenshot-Verweise. Das liegt daran, dass die meisten Mietportale automatisierten Zugriff blockieren und das Browsing-Tool die tatsächlichen Links nicht extrahieren oder teilen darf. In solchen Fällen fügt es stattdessen einen Verweis auf den Screenshot aus der Sandbox ein. Das war etwas nervig.

Test 2

Ich wollte sehen, wie weit sich die agentischen Fähigkeiten in einem Bereich mit deutlich weniger sauberen Datenquellen strecken lassen – also versuchte ich ein zweites Experiment in der Genealogie.

Ich bat GPT-5.2 zu prüfen, ob Mitglieder der Familie Waples in englischen Kirchenbüchern auftauchen und ob es einen historischen oder genealogischen Bezug zu Herefordshire geben könnte.

GPT-5.2 führte konkrete Aktionen aus – etwa den Zugriff auf eine kostenlose Genealogie-Seite und das Durchklicken von Seiten, um Datensätze zu finden und herunterzuladen.

Das Modell zerlegte das Problem in Teilaufgaben, recherchierte in Quellen wie FreeBMD und Forebears und verfasste sogar eine gezielte Anfrage-E-Mail, um nicht digitalisierte Unterlagen anzufordern.

Gleichzeitig zeigte sich: Genealogie setzt harte Grenzen. Viele Schlüsselquellen – etwa Kirchenbücher oder Presentment Rolls – existieren nur in Archiven oder hinter beschränkten Katalogen. FreeBMD hat ein 50-Record-Download-Limit, der HARC-Katalog ist ohne Session-Cookies nicht zugänglich, und historisch relevante Dokumente bekommt man meist nur über kostenpflichtige Recherche-Dienste. 

Das Modell erkennt diese Hürden und schlägt nächste Schritte vor, kann sie aber nicht überwinden. Der Test brachte daher wenig Nützliches – nicht die Schuld des Modells.

All das zeigt, warum OpenAI sich auf Business-Use-Cases konzentriert – dort liegt die Chance. Es erinnert aber auch daran, dass viele Daten noch offline, fragmentiert, paywall-geschützt oder hinter echten Türen verschlossen sind.

Vision + allgemeine Intelligenz

Zum Schluss habe ich ein Sudoku hochgeladen – als Test für Vision und allgemeine Intelligenz.

Sudoku ist keine schwere Mathematik, weil es stark eingeschränkt ist. Liegt das Rätsel jedoch als Bild vor und nicht als strukturierter Text, muss das Modell mehrere Fähigkeiten zugleich einsetzen: das Gitter lesen, die „Givens“ beibehalten und anschließend logisch lösen.

can you fill out this sudoku for meBereitgestellt von

Das Bild war nicht perfekt gezeichnet – Absicht des Tests:

GPT-5.2 lieferte ein korrektes Rätsel zurück, ersetzte jedoch mindestens eine der fest vorgegebenen Zahlen, die unverändert bleiben sollten. Man könnte sagen, es hat unabsichtlich „geschummelt“.

Dieser Fehler ist kein Reasoning-Problem, sondern eher ein Bruch bei Vision und Genauigkeit. Das Modell hat entweder eine gegebene Zelle falsch gelesen, die Fixpositionen nicht erkannt oder beim Umwandeln des Bildes in ein internes Raster die Constraints verloren.

GPT-5.2: Kosten und API-Zugriff

Die obigen Tests zeigen, was in ChatGPT möglich ist. Die echte Flexibilität erhältst du jedoch in der API – dort steuerst du Reasoning-Aufwand, Token-Budgets und Tool-Integrationen selbst.

Alle drei Modelle sind jetzt verfügbar über OpenAIs Responses API und Chat Completions API:

Hier sind die Preise:

• Für GPT-5.2 Thinking: 1,75 $ pro Million Input-Tokens und 14 $ pro Million Output-Tokens für das Basis-Thinking-Modell, mit 90% Rabatt auf gecachte Inputs.
• GPT-5.2 Pro: Das Topmodell ist deutlich teurer: 21 $ Input, 168 $ Output.

Zwei Ergänzungen für Power-User: eine 1xhigh1-Einstellung für den Reasoning-Aufwand und ein /compact-Endpoint, der das effektive Kontextfenster für langlaufende Workflows erweitert.

GPT-5.2 im Vergleich

Werfen wir einen Blick darauf, wie GPT-5.2 gegen die jüngsten Releases abschneidet: 

GPT-5.2 vs Gemini 3

Gemini 3, Mitte November veröffentlicht, pulverisierte viele Scores der meistbeachteten Benchmarks. Es belegt Platz eins bei Humanity's Last Exam und liegt auch auf GPQA Diamond knapp vor GPT-5.2 Pro (93,8% vs. 93,2%). 

Geminis Leistungszuwachs spiegelt wahrscheinlich Fortschritte sowohl in der Mixture-of-Experts-Implementierung als auch in der Trainingsinfrastruktur wider. Gemini 3 nutzt tokenbasiertes Sparse Routing und wurde auf Googles TPU-Infrastruktur trainiert. GPT-5.2 punktet aktuell vor allem bei professionellen Arbeitsbenchmarks wie GDPval und bei Enterprise-Tool-Calling-Evals. Hier hat OpenAI offensichtlich den Schwerpunkt gesetzt.

GPT-5.2 vs Claude Opus 4.5

Claude Opus 4.5, Ende November erschienen, wählte einen anderen Weg. Anthropic fokussierte „Hybrid Reasoning“ – die Kombination aus erweitertem Denken und stärkerer Basisintelligenz – und lieferte ein Modell, das in Software Engineering und offenen Aufgaben glänzt. Auf SWE-bench Verified erreicht Opus 4.5 80,9% – nur minimal über GPT-5.2 mit 80%.

Die Modelle unterscheiden sich im Stil: Opus 4.5 tendiert zu längeren, überlegteren Antworten, während GPT-5.2 Thinking den Tool-Einsatz und strukturierte Outputs wie Tabellen und Präsentationen betont. Für Coding-Agents und komplexe Refactorings sind sie praktisch gleichauf; bei Enterprise-Workflows mit Slides und Reports setzt OpenAI darauf, dass GPT-5.2 die Nase vorn hat.

Fazit

Die GPT-Benchmarks stehen stark im Fokus, und der Druck auf OpenAI, zu liefern, ist groß. Vor einem Monat wurde GPT 5.1 von Gemini 3 überschattet. Jetzt liegt OpenAI mit GPT 5.2 auf GPQA knapp hinter Gemini 3 und auf SWE-Bench Verified knapp hinter Claude Opus 4.5 – sicher frustrierend für das Team.

OpenAI hebt stattdessen starke Ergebnisse auf GDPval und SWE-Bench Pro hervor – wobei Ersterer im Vergleich zu den branchenüblichen, schlagzeilenträchtigen Tests eher obskur ist. Man könnte meinen, OpenAI erzählt eine Erfolgsgeschichte, ohne die Leaderboards zu betonen, auf denen man aktuell nicht vorn liegt.

Doch das Rennen ist extrem eng, und alle Beteiligten haben noch viel zu beweisen. Besonders gespannt sind wir darauf, wie neue Modelle beim kommenden ARC-AGI-3-Benchmark abschneiden, der derzeit entwickelt wird.