Dies ist der datierte Snapshot des ursprünglichen GPT-5 Mini, eingefroren zum Launch am 7. August 2025. Es ist der am stärksten gealterte datierte Snapshot innerhalb der GPT-5-Mini-Familie — gepinnt von Teams, die Mini zum GPT-5-Launch eingeführt und seither nicht migriert haben. Die entscheidende operative Frage für diesen Pin lautet nicht mehr „soll ich ihn pinnen", sondern „wann plane ich die Migration weg davon, und worauf wechsle ich".
Das Argument der Deprecation-Laufzeit
OpenAI veröffentlicht Deprecation-Zeitpläne für datierte Snapshots. Das Muster über die Modellgenerationen hinweg war konsistent: Snapshots werden irgendwann abgekündigt, mit mindestens einigen Monaten Vorlaufzeit. Das genaue Datum wird zum Zeitpunkt der Ankündigung bekanntgegeben und ist nicht im Voraus planbar.
Für einen Snapshot, der seit dem GPT-5-Launch existiert, lautet die Frage nicht, ob die Deprecation kommt. Sie lautet, ob Sie einen Migrationsplan bereit haben, wenn OpenAI den Zeitplan veröffentlicht. Teams, die am längsten gegen diesen Pin betrieben haben, tragen die größte angesammelte technische Investition — Prompts, die auf das spezifische Verhalten des Modells kalibriert sind, nachgelagertes Parsing, das von Output-Eigenheiten abhängt, Evaluations-Harnesses, die diesen Snapshot als Baseline referenzieren. All das muss verschoben werden, wenn dieser Snapshot abgekündigt wird.
Die Gegenmaßnahme ist Vorausplanung. Identifizieren Sie, auf welchen neueren Mini Sie migrieren wollen. Führen Sie regelmäßige Evaluationen gegen dieses Ziel durch. Bauen Sie die Migrations-Prompt-Engineering-Arbeit als bekanntes Projekt auf und nicht als Krisenreaktion. Die Kosten sind gering, wenn geplant. Sie sind erheblich höher, wenn unter Termindruck gearbeitet wird, sobald das Deprecation-Datum erreicht ist.
Was dieser Snapshot festhält
Den August-2025-Launch von GPT-5 Mini: Launch-Gewichte, Launch-Verhalten bei Klassifikation und Extraktion, Launch-Latenzprofil, Launch-Vision-Encoder-Konfiguration für diese Größenklasse. Das Modell hat sich seitdem nicht verändert.
Die Verbesserungen, die die breitere GPT-5-Linie in den nachfolgenden Generationen angesammelt hat — bessere Klassifikationsgenauigkeit, präziserer strukturierter Output, verbesserte Vision-Fähigkeit, Wissen über Entwicklungen nach Mitte 2025 — nichts davon ist hier vorhanden.
Unter der Haube
Architektonisch handelt es sich um den GPT-5-Mini-Transformer-Decoder auf einer kleineren Parameterskala als 5.0 Base. Das Modell akzeptiert verschachtelte Text- und Bildeingaben und gibt ausschließlich Text aus. OpenAI hat keine Parameterzahlen veröffentlicht.
Die Tokenisierung nutzt das Standard-GPT-5-BPE-Vokabular. Bildeingaben werden mit fester Token-Kosten pro Kachel kachelkodiert. Der Trainings-Cutoff liegt in der Mitte des Jahres 2025. Das Modell kennt die zu diesem Zeitpunkt gängigen Mainline-Sprachstandards und Framework-Versionen.
Die Profile für Kosten pro Token und Latenz pro Anfrage sind auf den Launch-Werten festgeschrieben.
Wo es heute steht
Gegenüber den aktuellen Angeboten der Small-Tier-Klasse rangiert der August-2025-Snapshot von GPT-5 Mini in den meisten Benchmark-Dimensionen deutlich unter den neueren GPT-5 Minis. Das Intelligence-Leaderboard verfolgt die vergleichende Position; der Abstand zu aktuellen Snapshots vergrößert sich mit jedem Erscheinen neuer Generationen.
Für Routine-Workloads — einfache Klassifikation, einfache Extraktion, kurzer strukturierter Output, Customer-Service-Automatisierung auf etablierten Mustern — leistet der Snapshot weiterhin nützliche Arbeit. Für alles, was Wissen nach Mitte 2025, aktuelle Vision-Fähigkeiten oder die Qualitätsverbesserungen neuerer Minis erfordert, ist das Modell zunehmend die falsche Wahl.
Für Content-Workflows am sehr routinemäßigen Ende und Datenextraktion bei Standarddokumenten ist der Snapshot weiterhin funktional. Für anspruchsvollere Workloads ist die Lücke zu neueren Pins sichtbar.
Wann dieser Pin beibehalten werden sollte
Die Argumente, bei diesem Snapshot zu bleiben, sind eng gefasst und schrumpfen:
Sie haben nachgelagerte Werkzeuge eng auf die spezifischen Output-Muster dieses Modells kalibriert, und die Migrationskosten bleiben höher als die kumulierten Kosten des Verbleibens.
Sie befinden sich in einem regulierten Kontext, in dem dieser spezifische Pin Teil eines aktiven Audit-Zyklus ist und ein Modellwechsel eine Rezertifizierung erfordert, die bislang nicht ausgelöst wurde.
Ihr Workload ist tatsächlich routinemäßig, und die Qualitätslücke zu neueren Minis wirkt sich in keiner messbaren Weise auf die Ergebnisse aus.
Sie betreiben langlaufende A/B-Experimente, bei denen der Kontrollarm für die Dauer des Tests wirklich fix bleiben muss, und der Test ist noch nicht abgeschlossen.
Wann jetzt migriert werden sollte
Die klaren Auslöser:
OpenAI hat den Deprecation-Zeitplan für diesen Snapshot veröffentlicht, und das Datum liegt nahe genug, um aktive Migrationsplanung zu erfordern.
Ihr Workload ist gewachsen und benötigt Fähigkeiten, die diese Generation nicht besitzt — Wissen nach dem Cutoff, Vision-Qualität, Zuverlässigkeit strukturierter Outputs, die neuere Minis bieten.
Ihr Evaluations-Harness zeigt, dass die kumulative Qualitätslücke spürbare Ergebnisse kostet — mehr Support-Tickets, mehr Nacharbeit, mehr für Kunden sichtbare Probleme.
Sie befinden sich an einem natürlichen Umbaupunkt in Ihrer Pipeline, an dem die Migrationskosten geringer als üblich sind.
Auswahl des Migrationsziels
Die natürlichen Ziele sind die datierten Snapshots neuerer Mini-Generationen: 5.2 Mini, 5.4 Mini, 5.5 Mini oder das jeweils Aktuelle, wenn Sie migrieren. Die Wahl hängt von denselben Überlegungen ab wie jede andere Mini-Wahl: Fähigkeitsanforderungen, Kostensensitivität, Bereitschaft, später erneut zu migrieren, gegenüber dem Pinnen des aktuell verfügbaren Modells.
Die meisten Teams, die von diesem Snapshot wegmigrieren, landen auf dem neuesten stabilen datierten Mini, der lange genug im Markt war, damit die frühen Patches eingelaufen sind. Das gibt Ihnen die Qualitätsgewinne der neueren Generation kombiniert mit der operativen Stabilität eines ausgereiften Pins.
Das Migrationsmuster
Pinnen Sie den Ziel-Snapshot im Pre-Release. Lassen Sie Ihre bestehenden Prompts hindurchlaufen. Erwarten Sie gewisse Anpassungen, da sich Output-Muster zwischen Generationen leicht unterscheiden. Validieren Sie gegen Ihre Evaluations-Suite. Aktualisieren Sie das nachgelagerte Parsing, falls sich Format-Eigenheiten verändert haben. Schalten Sie den Produktions-Traffic um. Stellen Sie den alten Pin außer Betrieb.
Das gesamte Projekt nimmt für einen Workload moderater Komplexität in der Regel einige Ingenieur-Wochen in Anspruch. Vor der Deprecation durchgeführt, ist es ein geplantes Projekt. Unter Termindruck durchgeführt, ist es eine Feueralarmübung.
Alternativen
Für Workloads, die gepinntes Mini-Tier-Verhalten bei einem anderen Anbieter benötigen, bieten die vergleichbaren datierten Snapshots von Anthropic und Google dasselbe Pinning-Muster zu potenziell anderen Kosten-Qualitäts-Verhältnissen.
Für kostenoptimierte Workloads, bei denen das OpenAI-Ökosystem nicht tragend ist, liefern kleine Open-Weights-Klassifikatoren auf eigener Infrastruktur die Residency-Story und die operative Vorhersagbarkeit, die fließende Slugs nicht bieten können.
Letzte technische Prüfung: 2026-05-22 — Tokonomix.ai
