Hinweis — vorausschauendes Profil. Diese Seite beschreibt ein Modell, das sich entweder in einer frühen Preview befindet, angekündigt aber nicht allgemein verfügbar ist oder auf Basis von Roadmap-Signalen prognostiziert wird. Spezifikationen und Fähigkeiten können sich vor dem öffentlichen Launch noch verschieben. Die Live-Benchmark-Daten auf dieser Seite spiegeln den Endpunkt wider, den unser Testsystem heute erreichen kann.
gpt-5.2 ist der schwebende Slug für die 5.2-Generation. Wenn du ihn über die API ansprichst, erreichst du das, worauf OpenAI diesen Namen aktuell abbildet. Dieses Mapping ändert sich. Leise, bewusst und ohne dass dein Code angepasst werden müsste. Für viele Teams ist genau das das, was sie wollen. Für andere — alle, die Compliance-Audits durchführen, Reproduzierbarkeitsprüfungen vornehmen oder versionsgebundene, kundennahe Features betreiben — ist es ein stilles operatives Risiko.
Was der schwebende Slug tatsächlich bedeutet
Das Muster von OpenAI ist mit jeder Generation gleich: Es gibt einen Basisnamen (gpt-5.2) und einen datierten Snapshot (gpt-5.2-2025-12-11). Die datierte Variante fixiert die exakten Gewichte. Die schwebende Variante folgt jeweils dem Snapshot, den OpenAI aktuell als empfohlenen 5.2-Endpunkt betrachtet. Updates werden in den meisten Fällen ohne Vorankündigung ausgerollt. Das Verhalten verschiebt sich. Ausgaben verändern sich. Latenzprofile verschieben sich. Auch Token-Kosten verschieben sich gelegentlich.
Das ist in Ordnung für Prototypen und für Produkte, bei denen der Antwortraum breit ist und eine grobe Ausrichtung an der aktuellen Qualität wertvoller ist als exakte Reproduzierbarkeit. Es ist ein Problem für Evaluations-Harnesses, die heutige Ausgaben mit jenen vom Vormonat vergleichen, für regulierte Workflows, die wissen müssen, welches Modell eine bestimmte Entscheidung erzeugt hat, und für jeden Vertrag, der Abnahmekriterien an konkretes Modellverhalten knüpft.
Die Lösung ist einfach: In der Produktion auf den datierten Snapshot pinnen und den schwebenden Slug ausschließlich für die Entwicklung verwenden. Der Aufwand ist gering. Das vermiedene Risiko ist real.
Unter der Haube
GPT-5.2 ordnet sich in die breitere GPT-5-Familie von Transformer-Decodern ein, multimodal über Text- und Bildeingaben hinweg. OpenAI hat weder Parameteranzahlen noch Details zu Expert-Routing veröffentlicht. Das Modell akzeptiert Bilder zusätzlich zu Text, die Ausgabe bleibt jedoch reiner Text — keine Bilderzeugung, kein Audio-Output von diesem Endpunkt.
Der Trainings-Cutoff liegt auf Basis des beobachteten Wissensstands zu gängigen Sprachstandards, aktuellen Framework-Versionen und kürzlich erfolgten öffentlichen Ereignissen irgendwo im Spätjahr 2025. Alles, was darüber hinausgeht, ist Spekulation, solange OpenAI es nicht offiziell veröffentlicht. Die Vision-Fähigkeiten decken die üblichen Bereiche ab: Verständnis von Diagrammen und Grafiken, OCR-artige Textextraktion, Szenenbeschreibung und Layout-Analyse von Dokumenten.
Die Tokenisierung erfolgt mit dem BPE-Vokabular von GPT-5. Bildeingaben werden in Kacheln kodiert, mit fixen Token-Kosten pro Kachel. Bei Dokumenten mit gemischtem Text und Screenshots summiert sich das schneller, als viele erwarten; kalkuliere die Bild-Token-Kosten in deine Prompts ein, bevor du in Produktion gehst.
Wo es heute steht
Für allgemeine Aufgaben — Chat, strukturierte Output-Generierung, vision-gestützte Analyse — bewegt sich GPT-5.2 im oberen Bereich der derzeit produktiv einsetzbaren Frontier-Modelle. Das Intelligence Leaderboard verfolgt die vergleichende Position; die Reihenfolge verschiebt sich, sobald Anthropic, Google und andere Updates ausliefern.
Das Modell kommt gut mit strukturierter Ausgabe, JSON-Schema-Einschränkungen und Tool-Use-Schleifen zurecht. Die Vision-Leistung bei der Diagramminterpretation ist stark, bei dichten technischen Schaltbildern bleibt sie wechselhaft, und bei adversarialen Layouts (mehrspaltige Scans, gedrehter Text, niedrig aufgelöste Screenshots) macht es dieselben Arten von Fehlern wie schon die vorherige Generation.
Für Content-Workflows ist das Modell ein glaubwürdiger Standard. Für die Datenextraktion aus gemischten Text-Bild-Dokumenten ist die Vision-Fähigkeit ein echter Vorteil gegenüber rein textbasierten Konkurrenten.
Das Drift-Problem in der Praxis
Wenn du den schwebenden Slug in ein kundennahes Produkt einbaust und OpenAI einen neuen 5.2-Snapshot ausliefert, der eine bestimmte Art von Anfragen anders behandelt, werden deine Nutzer das vor dir bemerken. Die Änderung mag im Durchschnitt qualitätspositiv sein und an bestimmten Edge Cases qualitätsnegativ. Ohne ein Evaluations-Harness, das gegen den alten und den neuen Snapshot läuft, wirst du die Regression erst dann erkennen, wenn jemand ein Support-Ticket einreicht.
Drei Muster helfen. Erstens: In der Produktion auf den datierten Snapshot pinnen und den schwebenden Slug nur in Pre-Release-Umgebungen lesen, in denen sich Ausgaben Seite an Seite vergleichen lassen. Zweitens: Eine Canary-Suite repräsentativer Prompts pflegen, die bei jedem Modell-Update gegen beide Versionen läuft — klein genug, um schnell durchzulaufen, breit genug, um Drift bei den Anfragen aufzufangen, die zählen. Drittens: Explizit entscheiden, wann ein neuer Snapshot übernommen wird: nicht „immer dann, wenn OpenAI einen ausliefert", sondern „wenn unsere Canary-Suite besteht und unsere kundennahen Evals keine Regressionen bei den Top-20-Intents zeigen".
Wo es an Grenzen stößt
Halluzinationen bei Nischenthemen sind weiterhin vorhanden. Das Modell ist bei Allgemeinwissen gut kalibriert und bei weit dokumentierten technischen Inhalten verlässlich sicher, aber es erfindet plausibel klingende Fakten zu obskuren historischen Ereignissen, kürzlich erschienenen Nischenpublikationen und kleinen Organisationen. Behandle jede Aussage des Modells als Hypothese, bis sie verifiziert ist.
Die Long-Context-Kohärenz ist gut, aber nicht perfekt. Über sehr lange Eingaben hinweg verliert das Modell gelegentlich den Überblick über Vorgaben, die früh im Prompt etabliert wurden. Für Workflows, die strikte Einhaltung umfangreicher Anweisungen erfordern, sollte der Prompt so strukturiert sein, dass kritische Vorgaben in der Nähe der Generierungsstelle wiederholt werden.
Nicht-englische Ausgaben sind solide, aber ungleichmäßig. Die wichtigsten europäischen und ostasiatischen Sprachen sind stark. Sprachen mit geringerer Ressourcenausstattung verlieren deutlich an Flüssigkeit. Führe in jeder Zielsprache eine Stichprobe durch, bevor du dich festlegst.
Wann den schwebenden Slug verwenden, wann den Snapshot
Verwende gpt-5.2 (schwebend) für Entwicklung, Experimente, interne Tools und jeden Workflow, bei dem die automatische Übernahme neuer Snapshots tatsächlich ein Feature und kein Risiko ist. Beispiele: ein Chatbot für interne Wissenssuche, bei dem leichte Verhaltensänderungen tolerierbar sind, ein Content-Drafting-Tool, bei dem ein Mensch die Ausgabe stets prüft, ein vision-gestütztes Triage-System, bei dem die finale Handlung vom Menschen ausgeht.
Verwende gpt-5.2-2025-12-11 (oder den jeweils aktuellen datierten Snapshot zum Zeitpunkt des Releases) für Produktions-Workflows, die Reproduzierbarkeit verlangen, für kundennahe Features mit Qualitäts-SLAs, für regulierte Entscheidungen, für Evaluations-Vergleiche über die Zeit und für jeden Fall, in dem eine spät entdeckte Regression teuer wäre.
Die Kombination — schwebend intern, datiert extern — liefert dir sowohl das aktuellste Verhalten als auch die operative Stabilität. Auf dieses Muster konvergieren die meisten Teams nach dem ersten Mal, in dem ein stilles Modell-Update etwas verändert hat, das für Kunden sichtbar war.
Alternativen
Wenn Vision-Fähigkeit für deinen Workflow nicht tragend ist, könnten rein textbasierte Konkurrenten in ähnlichen Qualitätsklassen günstiger oder schneller laufen. Vergleiche immer anhand der konkreten Workload, die zählt; die Unterschiede zwischen Modellen sind bei eng umrissenen Aufgaben in der Regel größer, als es die zusammenfassenden Leaderboards suggerieren.
Wenn du starke Vision-Fähigkeiten plus On-Prem-Deployment brauchst, geben dir die multimodalen Open-Weights-Modelle — wähle das größte, das in dein Inferenz-Budget passt — die Datenresidenz-Story, die dieser Endpunkt nicht bieten kann. Der Genauigkeitsabstand ist real, schließt sich bei Dokumenten-Extraktion aber rasch, sobald die Eingabe strukturiert ist.
Letzter technischer Review: 2026-05-22 — Tokonomix.ai
