Hierbei handelt es sich um den datierten Snapshot des ursprünglichen GPT-5-Basismodells, veröffentlicht am 7. August 2025 und zu diesem Zeitpunkt eingefroren. Während der gleitende gpt-5-Slug bei Teams, die ihn referenziert haben, weiterhin verändert wurde, erfasst diese datierte Version genau einen bestimmten Satz von Gewichten, ein spezifisches Verhaltensprofil und ein reproduzierbares Artefakt. Das macht ihn nützlich für eine eng umrissene, aber wichtige Gruppe von Aufgaben: Vergleichsbasislinien, regulierte Workflows und alle Produkte, die in sechs Monaten auf dasselbe Modell zeigen und dieselbe Antwort erhalten müssen.
Warum datierte Snapshots existieren
OpenAI veröffentlicht jede Generation in zwei Varianten. Der gleitende Name (gpt-5) verweist stets auf den jeweils aktuell empfohlenen Snapshot. Der datierte Name (gpt-5-2025-08-07) fixiert eine spezifische Version der Gewichte. Der gleitende Slug profitiert von stillen Verbesserungen; der datierte Slug profitiert davon, niemals zu überraschen.
Für Evaluationsvergleiche über die Zeit ist der datierte Slug die einzige ehrliche Wahl. Wenn Ihr Benchmark-Report vom Dezember besagt „GPT-5 erreichte X in unserer Suite“, und jemand führt ihn im Mai gegen den gleitenden Slug erneut aus, dann werden nicht dieselben Modelle verglichen. Der datierte Snapshot behebt das. Das Verhalten vom 7. August 2025 ist genau jenes Verhalten, das Sie bei jedem Zugriff auf diesen Endpunkt erhalten, bis OpenAI ihn irgendwann abschaltet.
Was dieser Snapshot ist
GPT-5 war das erste Modell der GPT-5-Familie, veröffentlicht als multimodales Frontier-Modell für Text und Bild. Der Snapshot vom 2025-08-07 spiegelt das Verhalten zum Launch-Zeitpunkt wider: Trainingsdaten bis zu dem von OpenAI Mitte 2025 verwendeten Stichtag, der ursprüngliche Safety-Trainingsdurchlauf, die ursprüngliche Kalibrierung des Vision-Encoders, die ursprünglichen Verhaltensweisen bei der Tool-Nutzung.
Spätere Updates des gleitenden Slugs haben diese Eigenschaften verschoben. Dokumentierte Änderungen über die breitere 5.x-Linie hinweg umfassten verfeinertes Instruction-Following bei Grenzfällen, angepasstes Ablehnungsverhalten bei bestimmten Inhaltskategorien sowie inkrementelle Verbesserungen bei der Vision-OCR. Keine dieser Änderungen berührt diesen Snapshot. Was Sie im August 2025 erhalten haben, ist das, was Sie auch heute bekommen.
Unter der Haube
Das Modell ist ein Transformer-Decoder, der verschachtelte Text- und Bildeingaben akzeptiert und ausschließlich Textausgaben erzeugt. Parameteranzahl, Details zum Expert-Routing und die exakten architektonischen Entscheidungen sind nicht öffentlich. Die Tokenisierung verwendet das GPT-5-BPE-Vokabular. Bildeingaben werden in Kacheln zu festen Token-Kosten pro Kachel kodiert, was sich bei mehrseitigen Dokumenten-Workloads schnell summiert.
Der Trainings-Cutoff für diesen Snapshot liegt in der Mitte des Jahres 2025. Das Modell kennt die zu jenem Zeitpunkt gängigen Sprachstandards und Framework-Versionen und wird zu allem Neueren munter halluzinieren. Für Workflows, die aktuelle Ereignisse oder neue Bibliotheks-APIs betreffen, ist das relevant — fixieren Sie den Snapshot, akzeptieren Sie, dass Wissen altert, und leiten Sie Anfragen zu aktuellen Ereignissen über Retrieval oder Websuche, statt sich auf das parametrische Wissen des Modells zu verlassen.
Wo es heute steht
Im Vergleich zur breiteren Frontier-Modelllandschaft liegt der August-2025-Snapshot von GPT-5 im oberen Bereich bei allgemeinen Aufgaben und im oberen Mittelfeld bei vision-lastigen Arbeiten. Die neueren Snapshots 5.1, 5.2 und spätere Versionen haben ihn in den meisten Metriken überholt. Das Intelligenz-Leaderboard verfolgt die vergleichende Rangordnung.
Für einen im August 2025 fixierten Snapshot ist das das erwartete Muster. Es geht nicht darum, im Mai 2026 das absolut beste verfügbare Modell zu sein; es geht darum, im Mai 2026 dasselbe Modell wie im August 2025 zu sein, damit Vergleiche und Audits gültig bleiben.
Wann auf diesen Snapshot fixieren
Greifen Sie zu gpt-5-2025-08-07, wenn Reproduzierbarkeit wertvoller ist als Spitzenqualität. Die klaren Anwendungsfälle:
Evaluationsvergleiche über die Zeit. Wenn Ihre Benchmark-Suite zum Erscheinungszeitpunkt gegen diesen Snapshot lief, führen Sie sie erneut gegen denselben Snapshot aus statt gegen den gleitenden Slug. Andernfalls messen Sie die Modellentwicklung statt Ihrer eigenen Veränderungen.
Regulierte Entscheidungen, bei denen Audit-Trails das exakte Modell identifizieren müssen, das eine bestimmte Ausgabe erzeugt hat. „Wir haben gpt-5 verwendet“ ist eine unzureichende Antwort, wenn ein Prüfer nach der Version fragt. „Wir haben gpt-5-2025-08-07 verwendet“ ist hinreichend.
Kundenseitige Funktionen mit Qualitäts-SLAs, die gegen ein spezifisches Modellverhalten kalibriert wurden. Wenn Ihre Prompts und Few-Shot-Beispiele auf diesen Snapshot abgestimmt sind, riskiert ein Wechsel zu einem neueren ohne erneutes Tuning subtile Regressionen.
Langlaufende A/B-Experimente, bei denen die Kontrollgruppe für die Dauer des Tests wirklich konstant bleiben muss.
Wann nicht auf diesen Snapshot fixieren
Vermeiden Sie ihn bei der Entwicklung neuer Funktionen. Verwenden Sie stattdessen den gleitenden Slug oder den jüngsten datierten Snapshot; während Sie etwas bauen, wollen Sie das leistungsfähigste verfügbare Modell, nicht das älteste, das noch funktioniert.
Vermeiden Sie ihn bei allgemeinen Chat- und Content-Workflows, in denen die Verbesserungen neuerer Snapshots real sind und die Kosten einer Verhaltensdrift gering ausfallen. Die Snapshots 5.1, 5.2 und spätere sind in denselben Workloads besser. Fixieren Sie nur dann auf die Vergangenheit, wenn die Vergangenheit zählt.
Vermeiden Sie ihn, wenn Sie einen Prompt einsetzen, der sich auf Wissen über Ereignisse nach Mitte 2025 stützt. Das Modell kennt sie nicht. Es wird raten. Die Vermutungen werden manchmal richtig klingen und manchmal völlig falsch sein.
Betriebliche Hinweise
OpenAI veröffentlicht Deprecation-Zeitpläne für datierte Snapshots. Ältere Snapshots werden irgendwann abgeschaltet. Wenn das mit diesem geschieht, beginnt Ihr Code, der auf diesen Slug fixiert ist, Fehler zurückzugeben. Planen Sie vorausschauend: Abonnieren Sie die Deprecation-Ankündigungen und pflegen Sie einen Migrationspfad zu dem Snapshot, auf den Sie als Nächstes fixieren werden.
Für Datenextraktions-Workflows, bei denen die Vision-Fähigkeit tragend ist, ist der August-2025-Snapshot kompetent, wurde aber durch spätere Verfeinerungen des Vision-Encoders übertroffen. Wenn der Arbeitskontext es zulässt, verarbeiten Sie dieselben Dokumente einige Wochen lang parallel durch diesen Snapshot und einen neueren, bevor Sie über eine Migration der Fixierung entscheiden.
Alternativen
Für Workflows, die dieselbe Art von fixierter Reproduzierbarkeit benötigen, aber ein anderes Modell bevorzugen, liefert mittlerweile jeder Frontier-Anbieter datierte Snapshots neben den gleitenden Slugs. Das Muster ist Industriestandard. Wählen Sie das Modell, das Ihren Qualitäts- und Modalitätsanforderungen entspricht, und fixieren Sie dann die datierte Version statt der gleitenden.
Für reine Kostenoptimierung bei Routine-Workloads decken die kleineren Mitglieder der 5.x-Familie (die Mini- und Nano-Tiers) das meiste ab, was allgemeiner Chat tatsächlich benötigt, zu einem Bruchteil der Kosten. Fixieren Sie auch diese Snapshots, wenn Ihnen Reproduzierbarkeit dort wichtig ist.
Letzte technische Überprüfung: 2026-05-22 — Tokonomix.ai
