Hinweis – zukunftsgerichtetes Profil. Diese Seite beschreibt ein Modell, das sich entweder in einer frühen Preview-Phase befindet, angekündigt, aber noch nicht allgemein verfügbar ist, oder anhand von Roadmap-Signalen prognostiziert wurde. Spezifikationen und Fähigkeiten können sich vor dem öffentlichen Launch noch verschieben. Die Live-Benchmark-Daten auf dieser Seite spiegeln den Endpoint wider, den unsere Testumgebung heute erreichen kann.
Dies ist der datierte Snapshot von GPT-5.2, eingefroren auf das Release vom 11. Dezember 2025. Der bewegliche Slug gpt-5.2 wird sich weiter verändern, sobald OpenAI nachgelagerte Point-Updates ausliefert. Diese fixierte Version bleibt unverändert – gleiche Gewichte, gleiches Verhalten, gleiche Ausgaben bei gleichen Eingaben, bis zu dem Tag, an dem der Endpoint schließlich abgeschaltet wird.
Warum dieser Snapshot separat vom beweglichen Slug existiert
Jede Modellgeneration erscheint in zwei Varianten: einem beweglichen Ziel und einer fixierten Referenz. Das bewegliche Ziel erhält stille Verbesserungen. Die fixierte Referenz bekommt nichts – nicht einmal Bugfixes –, aber es wird ihr auch nichts weggenommen. Für Evaluierungen, regulierte Entscheidungen und jedes Produkt, dessen Akzeptanztests auf ein konkretes Verhalten kalibriert wurden, ist die fixierte Referenz die einzig vernünftige Wahl.
Die Trennung zwischen gpt-5.2 und gpt-5.2-2025-12-11 ist die operative Antwort auf ein reales Problem. Teams, die in früheren Generationen auf bewegliche Slugs gezeigt haben, haben durch stille Snapshot-Rotationen häufiger ein funktionierendes Produktionsverhalten verloren, als irgendjemand öffentlich zugibt. Den datierten Snapshot in der Produktion zu pinnen, löst genau das. Den beweglichen Slug im Pre-Release auszulesen, gibt Ihnen das neue Verhalten zur Evaluierung, bevor Sie es übernehmen.
Was dieser Snapshot festhält
Der Snapshot vom Dezember 2025 ist GPT-5.2 zum Launch. Der Trainings-Cutoff liegt im späten Jahr 2025. Die Kalibrierung des Vision-Encoders entspricht der Launch-Konfiguration. Safety-Training, Verweigerungsmuster, Sonderfälle der Instruction-Following-Logik – all das ist auf diesem Stand eingefroren. Jedes spätere Update des beweglichen Slugs hat andere Snapshots betroffen, nicht diesen.
Was Sie zum Launch getestet haben, ist das, was heute in Produktion läuft. Das ist der Vertrag.
Unter der Haube
GPT-5.2 ist ein Transformer-Decoder, der verschränkte Text- und Bildeingaben akzeptiert und ausschließlich Text als Ausgabe erzeugt. OpenAI hat weder Parameterzahlen noch Details zum Expert-Routing veröffentlicht. Das Modell verarbeitet Dokumente, Diagramme, Screenshots, Fotos und Schaubilder als Bildeingaben; die Ausgabe ist auf Text begrenzt, einschließlich strukturierter Formate wie JSON und Markdown.
Die Tokenisierung verwendet das BPE-Vokabular von GPT-5. Bildeingaben werden in Kacheln zerlegt und mit einem festen Token-Kostensatz pro Kachel codiert. Das exakte Kachel-Budget hängt von Auflösung und Seitenverhältnis ab; bei typischen Dokumenten-Workloads liegt das bei einigen hundert bis zu ein paar tausend Bild-Tokens pro Seite, was die Gesamt-Tokenzahl schnell dominiert.
Das Modell unterstützt in diesem Snapshot den Standard-Funktionsumfang von OpenAI: strukturierte Ausgaben, Function Calling, parallele Tool-Aufrufe, Vision-Eingaben sowie das Long-Context-Verhalten des GPT-5.2-Release. Alles, was nach Dezember 2025 dem beweglichen Slug hinzugefügt wurde, ist hier möglicherweise nicht verfügbar.
Wo es heute einzuordnen ist
Für allgemeine Aufgaben und visuell unterstützte Analysen liegt der Snapshot vom Dezember 2025 von GPT-5.2 in der oberen Klasse der Frontier-Modelle aus jenem Zeitraum. Das Intelligence-Leaderboard verfolgt den Vergleich zu aktuellen Modellen; rechnen Sie damit, dass der Abstand zu einem aktuellen beweglichen Slug mit der Zeit wächst, da sowohl OpenAI als auch Wettbewerber neuere Snapshots veröffentlichen.
Für Content-Generierungs-Workflows liefert das Modell verlässliche Ausgaben im mittleren Längenbereich. Für die Datenextraktion aus Dokumenten ist die Vision-Fähigkeit ein echter Vorteil gegenüber reinen Text-Extraktoren, insbesondere bei layoutreichen Eingaben wie Rechnungen, Formularen und strukturierten Reports.
Wann dieser Snapshot zu pinnen ist
Die eindeutigen Fälle sind durch Reproduzierbarkeit motiviert. Verwenden Sie den Snapshot vom Dezember 2025, wenn:
Sie eine Evaluierungs-Suite betreiben, die über die Zeit vergleichbar sein muss. Wenn Ihre Benchmark-Zahlen auf diesen Snapshot referenzieren, dann misst ein Vergleich zukünftiger Läufe gegen den beweglichen Slug Modell-Drift, nicht Ihre eigenen Änderungen.
Sie in einer regulierten Domäne arbeiten, in der das Modell, das eine bestimmte Entscheidung erzeugt hat, in Audit-Logs identifizierbar sein muss. „GPT-5.2 floating" ist kein Identifier. „gpt-5.2-2025-12-11" schon.
Sie ein kundenseitiges Feature betreiben, dessen Prompts und Few-Shot-Beispiele auf das Verhalten dieses Snapshots abgestimmt wurden, und bei dem ein Re-Tuning im Zuge einer Snapshot-Migration teuer oder riskant wäre.
Sie ein kontrolliertes Experiment durchführen, bei dem der Kontrollarm für die Dauer des Tests tatsächlich fixiert bleiben muss.
Wann dieser Snapshot nicht zu pinnen ist
Vermeiden Sie den datierten Slug für die Entwicklung neuer Features. Verwenden Sie den beweglichen Slug oder den jeweils aktuellen datierten Snapshot; während Sie entwickeln, wollen Sie Zugriff auf das neueste Verhalten haben, nicht auf das Launch-Verhalten eines sechs Monate alten Release.
Vermeiden Sie ihn für Workflows, deren Qualität durch das Modell und nicht durch den Prompt begrenzt ist. Wenn ein neuerer Snapshot bei der Aufgabe spürbar besser ist und die Kosten von Verhaltens-Drift gering sind, nehmen Sie den neueren Snapshot.
Vermeiden Sie ihn, sobald OpenAI den Deprecation-Zeitplan für diesen Snapshot ankündigt. Planen Sie die Migration vor dem Sunset-Datum, statt am Tag X festzustellen, dass Ihr Produktions-Endpoint plötzlich Fehler zurückgibt.
Praktisches Migrationsmuster
Die meisten Teams konvergieren auf ein Zwei-Slug-Muster: den datierten Snapshot in der Produktion, den beweglichen Slug im Pre-Release. Neue Snapshots werden gegen die Canary-Suite evaluiert, bevor sie übernommen werden. Wenn der neue Snapshot die Evaluierung besteht und etwaige kundenwirksame Regressionen akzeptiert oder gemildert sind, werden die Produktions-Pins auf die neue datierte Version aktualisiert, und der Zyklus wiederholt sich.
Dieses Muster gibt Ihnen die operative Stabilität von gepinntem Verhalten mit einem strukturierten Pfad, um Verbesserungen zu integrieren. Es kostet einen kleinen zusätzlichen Engineering-Aufwand – zwei Versionen für die Dauer der Evaluierung parallel zu betreiben – und spart einen deutlich größeren Aufwand an Incident-Response durch stille Modellrotationen.
Alternativen
Wenn die Reproduzierbarkeit des Vision-Verhaltens kritisch ist und der Deprecation-Zeitplan von OpenAI nicht zu Ihren Aufbewahrungspflichten passt, geben Ihnen multimodale Open-Weights-Modelle dauerhafte Kontrolle. Die Kompromisse bei Genauigkeit und Latenz sind real, aber die Gewichte bewegen sich nicht unter Ihnen weg.
Wenn Sie dasselbe gepinnte Verhalten brauchen, aber in einer anderen Qualitätsklasse, dann liefert jedes andere Modell der GPT-5.2-Familie – und jeder bewegliche Slug der breiteren 5.x-Linie – ein datiertes Gegenstück mit. Wählen Sie das Qualitäts- und Modalitätsprofil, das zur Arbeitslast passt, und pinnen Sie dann die datierte Version.
Letzte technische Prüfung: 22.05.2026 – Tokonomix.ai
