GPT-5.6 Sol schlägt Fable 5 um 13 Punkte – rechnen Sie nach

Wer einen Coding-Agenten produktiv betreibt, für den hat sich die Rangliste, auf der die eigene Architektur aufbaut, gerade verschoben. Innerhalb von nur 48 Stunden veröffentlichte OpenAI das Modell GPT-5.6 Sol und xAI das Modell Grok 4.5 – beide günstiger als das Modell, das die meisten Teams als Standard einsetzen. GPT-5.6 Sol erreicht im Agents' Last Exam einen neuen Höchstwert von 53,6 und übertrifft Claude Fable 5 damit um 13,1 Punkte (OpenAI). Dieser Beitrag zeigt, was die Zahlen tatsächlich aussagen, wo sie in die Irre führen und wie Sie entscheiden, welches Modell Sie einsetzen, bevor Sie irgendetwas umbauen.

In unseren eigenen Läufen mit Coding-Agenten hat das auf dem Papier günstigere Modell wiederholt auf der Rechnung verloren: Ein um 20–30 % niedrigerer Token-Preis löst sich in dem Moment auf, in dem ein schwächeres Modell zwei zusätzliche Korrekturschleifen braucht, um denselben lauffähigen Diff zu liefern. Deshalb bewerten wir jedes Modell nach den Kosten pro abgeschlossener Aufgabe und nicht nach dem Preis pro Million Token. Genau diese Brille braucht der gesamte Vergleich, denn die Rohwerte weiter unten sind real – und trotzdem nicht die Zahl, mit der Sie kalkulieren sollten.

Die Woche, in der die Reihenfolge kippte

Zwei Spitzenmodelle erschienen im Abstand von zwei Tagen, und beide unterboten Fable 5 beim Preis. GPT-5.6 Sol ist das neue Spitzenmodell von OpenAI und kostet 5 US-Dollar pro Million Eingabe-Token sowie 30 US-Dollar pro Million Ausgabe-Token (Praxistest). Claude Fable 5 liegt dagegen bei 10 US-Dollar für die Eingabe und 50 für die Ausgabe (The July 2026 Frontier) – Sol kostet also bei vergleichbarer Intelligenzklasse etwa ein Drittel der Mischkosten von Fable 5 (Artificial Analysis).

Grok 4.5 kam einen Tag früher, am 8. Juli 2026. Es ist das erste Modell von xAI, das gezielt für Programmier- und Agentenaufgaben trainiert wurde, und zwar auf zehntausenden Nvidia-GB300-GPUs mit Daten aus Cursor, dem KI-Code-Editor, den SpaceX für 60 Milliarden US-Dollar in Aktien übernommen hat (Flowtivity). Sein Argument ist reine Ökonomie: Grok 4.5 verbraucht bei SWE-Bench-Pro-Aufgaben 4,2-mal weniger Token als Opus 4.8 und liefert Ergebnisse mit 80 Token pro Sekunde, was es zur mit Abstand günstigsten Option seiner Leistungsklasse macht (The Decoder).

Dieses Bild vom Dreieck (Kingy) ist die ehrlichste Art, diese Tage zu lesen. Sol besetzt die Ecke Intelligenz pro Dollar. Grok besetzt die Ecke der reinen Kosten. Und auch Fable 5 hält eine Ecke, nur eben nicht die, über die gerade alle Schlagzeilen laufen.

Die Preise stammen aus den Praxistests und von Artificial Analysis, die Benchmark-Werte von OpenAI, BenchLM und The Decoder gemäß den Quellen unten.

Was die Zahlen wirklich sagen

Beginnen wir mit der zentralen Aussage. Im Agents' Last Exam – einer Bewertung langlaufender beruflicher Abläufe über 55 Fachgebiete hinweg – erreicht GPT-5.6 Sol mit 53,6 einen neuen Höchstwert und liegt damit 13,1 Punkte vor der adaptiven Reasoning-Konfiguration von Claude Fable 5 (OpenAI). Das ist ein deutlicher Abstand, und zwar auf einem Benchmark, der genau für jene mehrstufige Agentenarbeit gebaut ist, die die meisten Teams inzwischen betreiben.

Unabhängige Tests stützen die Kostengeschichte, statt ihr zu widersprechen. Artificial Analysis setzt Sol auf einen knappen zweiten Platz im Intelligence Index – dicht hinter Fable 5 – und zugleich an die Spitze des Coding Agent Index in der Codex-Umgebung von OpenAI, und das bei rund einem Drittel der Kosten von Fable 5 (Artificial Analysis). Die Schlagzeile lautet also nicht „Sol ist überall klüger als Fable 5". Sie lautet: Sol reicht an die Intelligenz von Fable 5 heran und führt bei der Agenten-Programmierung, und das zu einem Drittel des Preises. Das sind zwei verschiedene Aussagen, und die zweite bewegt Budgets. Für Teams, die bereits vollständig auf Anthropic standardisiert sind, ist diese Lücke kein Grund, alles herauszureißen, sondern ein Anlass zu prüfen, welche Teile der eigenen Last zu Fable-5-Preisen erledigt werden, obwohl ein Modell zum Drittelpreis dieselbe Arbeit ebenso zuverlässig abschließen würde.

Dann das Gegensignal. Im direkten Vergleich mit Grok 4.5 erreicht Sol bei agentischen Aufgaben im Schnitt 92 gegenüber 83,3, und der größte einzelne Ausschlag liegt bei Terminal-Bench 2.0 mit 91,9 % zu 83,3 % (BenchLM). Doch Grok schlägt zurück, sobald es um die reine Code-Erzeugung geht – wenn also die Codegenerierung und nicht die Orchestrierung der Teil Ihrer Last ist, auf den es Ihnen am meisten ankommt, ändert sich die Antwort (BenchLM). Und bei Frontend- und visuellen Aufgaben tut sich Sol nach wie vor schwerer als Fable 5 und Opus 4.8 (Praxistest).

Liest man die Benchmark-Tabelle und die Preisspalte zusammen, ergibt sich kein neuer König, sondern drei Modelle, von denen jedes eine andere Aufgabe beherrscht.

Warum der reine Token-Preis die falsche Zahl ist

Genau hier gehen die meisten Wechselentscheidungen schief. Ein um 30 % günstigeres Modell macht Ihren Agenten nicht um 30 % billiger im Betrieb. Agenten arbeiten in Schleifen. Sie rufen Werkzeuge auf, lesen Ergebnisse, versuchen es bei Fehlern erneut und planen um. Auf Ihrer Rechnung landet die Gesamtzahl der Token über sämtliche Schleifen hinweg, bis eine Aufgabe tatsächlich besteht – und nicht der Listenpreis pro Million Token.

Deshalb wiegen die Daten zur Token-Effizienz schwerer als das Preisblatt. Dass Grok 4.5 pro Token günstig ist, ist nur die halbe Geschichte; die andere Hälfte ist der Verbrauch von 4,2-mal weniger Token als Opus 4.8 je SWE-Bench-Pro-Aufgabe (The Decoder). Ein Modell, das eine Aufgabe in einem sauberen Durchlauf bei 50 US-Dollar pro Million Ausgabe-Token löst, kann günstiger sein als eines, das drei Durchläufe bei 30 braucht. Nur die Kosten pro abgeschlossener Aufgabe bilden das ab, und an dieser Kennzahl messen wir jedes Modell, bevor es eine Kundenlast berührt.

Praxistests zum Routing zeigen die Spannweite bereits. Ein Entwickler betrieb ein gestuftes GPT-5.6-Setup – ein günstiges Modell auf 85 % der Token, ein mittleres auf 12 % und eine Eskalation auf Sol-Niveau bei nur 3 % – und kam bei vergleichbarer Qualität auf rund 15 US-Dollar im Monat gegenüber etwa 72 für einen Agenten mit einem einzigen Sonnet-4.6-Modell (Reddit-Test). Die Lehre daraus ist nicht „GPT-5.6 ist billig". Sie lautet: Wohin Sie das teure Modell setzen, entscheidet über die Rechnung weit mehr als die Frage, welches teure Modell Sie gewählt haben. Ein gut geroutetes System mit günstigem Standardmodell und seltener Eskalation auf das Reasoning-Niveau von Fable 5 schlägt fast immer ein einzelnes Premium-Modell, das man überall gleich einsetzt – und es schlägt auch ein einzelnes günstiges Modell, das man überall gleich einsetzt, weil das günstige Modell die Ersparnis auf den harten 3 % still in Wiederholungen verbrennt. Die Mechanik dieser Break-even-Rechnung für den Stack von Anthropic haben wir in unserem Kostenleitfaden zur Fable-5-Preisgestaltung beschrieben, und dieselbe Disziplin gilt für jedes Modell auf dieser Seite.

Wo der Aufpreis von Fable 5 sich weiterhin lohnt

Nichts davon macht Fable 5 zu einem Fehlkauf. Es macht Fable 5 zu einem gezielten Kauf. Fable 5 führt weiterhin bei Frontend- und visuellen Aufgaben, an denen Sol sichtbar scheitert (Praxistest), und es steht an der Spitze des Intelligence Index von Artificial Analysis – Sol ist nah dran, aber nah dran ist nicht vorn (Artificial Analysis). Für Aufgaben, bei denen ein einziges falsches Urteil auf Senior-Niveau teuer wird – Architekturentscheidungen, sicherheitskritische Refactorings, mehrdeutige Vorgaben, bei denen ein Modell eben nicht selbstbewusst raten darf – ist der Aufpreis eine Versicherung, keine Verschwendung. Der Fehler besteht darin, diese Versicherungsprämie standardmäßig auf jede Aufgabe zu zahlen, obwohl nur ein kleiner Teil Ihrer Last das Fehlerrisiko trägt, das sie rechtfertigt.

Die Betriebsregel, die wir anwenden: Ordnen Sie das Modell den Fehlerkosten der Aufgabe zu, nicht der Rangliste. Häufige, klar umrissene und leicht prüfbare Arbeit (Boilerplate, Test-Gerüste, mechanische Migrationen) sollte auf dem günstigsten Modell laufen, das besteht – oft Grok 4.5 oder ein gestuftes Sol-Setup. Seltene, folgenreiche und schwer prüfbare Arbeit rechtfertigt ein Premium-Modell. Dieselbe Logik haben wir für mittlere Standardmodelle in unserem Beitrag zu Claude Sonnet 5 als verlässlicher Mittelklasse-Wahl dargelegt: Das verlässliche Modell steht selten ganz oben in der Tabelle und selten ganz unten.

Wie Sie einen Stack bauen, der die nächste Wende übersteht

Die eigentliche Lehre ist nicht, auf welches Modell Sie wechseln sollten. Sie lautet: Die Antwort hat sich in 48 Stunden zweimal geändert und wird sich wieder ändern. Ist Ihr Code an die API-Form eines einzigen Anbieters gebunden, ist jede Wende eine Migration. Ist er an eine portable Schnittstelle gebunden, ist jede Wende eine Konfigurationsänderung. Der Abstand von zwei Tagen zwischen dem Erscheinen von Grok 4.5 und GPT-5.6 Sol ist das ganze Argument: Teams mit einer portablen Schicht verbrachten dieses Zeitfenster damit, eine Routing-Regel zu ändern, während Teams mit fest verdrahteter API es damit verbrachten, eine nicht eingeplante Migration abzuschätzen.

Diese Portabilität lohnt sich als bewusste Bauentscheidung. Routen Sie nach Aufgabenklasse, halten Sie die Modellwahl hinter einer einzigen austauschbaren Schicht und messen Sie die Kosten pro abgeschlossener Aufgabe je Klasse, damit Sie den Verkehr an dem Tag umleiten können, an dem ein günstigeres Modell Ihre Qualitätsschwelle erreicht. Warum man die Modellwahl als Absicherung und nicht als Ehe behandeln sollte, haben wir ausführlich unter Open-Weight-Modelle als Absicherung gegen Anbieterbindung begründet, und dieselbe Portabilität, die vor einer Preiserhöhung schützt, lässt Sie eine solche Phase überhaupt erst nutzen. Die MCP-Schicht ist ein großer Teil davon, wie Sie diese Schnittstelle stabil halten, während die Modelle darunter wechseln – wohin diese Verkabelung sich entwickelt, zeigt unser Leitfaden zur zustandslosen MCP-v2-Migration. Steht speziell GPT-5.6 auf Ihrer Roadmap, führt unsere Builder-Checkliste zu GPT-5.6 Pro durch die Prüfschritte, die Sie vor der Festlegung durchgehen sollten.

Die Wende bei den Benchmarks ist kein Urteil. Sie ist eine Erinnerung daran, dass der Stack länger lebt als das Modell. Bauen Sie für den Wandel, und jede dieser Wochen wird zum Upgrade statt zum Feueralarm. Wenn Sie eine helfende Hand beim Aufbau modell-portabler Agenten möchten, die die nächste Wende überstehen, sprechen Sie mit Context Studios.

Häufig gestellte Fragen

Hat GPT-5.6 Sol Claude Fable 5 tatsächlich geschlagen? Im Agents' Last Exam ja – Sol erreichte 53,6 und lag damit 13,1 Punkte vor der adaptiven Reasoning-Konfiguration von Fable 5 (OpenAI). Fable 5 führt jedoch weiterhin den Intelligence Index von Artificial Analysis an und ist bei Frontend-Arbeit vorn – „geschlagen" hängt also von der Aufgabe ab.

Kostet GPT-5.6 Sol wirklich ein Drittel von Fable 5? Ungefähr. Sol kostet 5 $ Eingabe / 30 $ Ausgabe je Million Token (Test) gegenüber 10 $ / 50 $ bei Fable 5 (Ken Huang), und Artificial Analysis verortet es bei rund einem Drittel der Kosten von Fable 5 in vergleichbarer Klasse (Artificial Analysis).

Wo ordnet sich Grok 4.5 ein? Grok 4.5 ist das günstigste der Klasse: Es verbraucht bei SWE-Bench Pro 4,2-mal weniger Token als Opus 4.8, bei 80 Token pro Sekunde (The Decoder). Bei Teilen der reinen Code-Erzeugung schlägt es zudem Sol (BenchLM).

Sollte ich meinen Coding-Agenten sofort umstellen? Nur wenn Sie die Kosten pro abgeschlossener Aufgabe messen, nicht den Token-Preis. Ein günstigeres Modell, das zusätzliche Korrekturschleifen braucht, kann pro fertiger Aufgabe teurer sein. Routen Sie nach Aufgabenklasse und halten Sie die Modellwahl austauschbar, damit die nächste Wende eine Konfigurationsänderung bleibt und keine Migration wird.

Quellen

1. GPT-5.6 — OpenAI
2. GPT-5.6 Benchmarks zu Intelligenz, Geschwindigkeit und Kosten — Artificial Analysis
3. GPT-5.6 Sol vs. Grok 4.5: Benchmarks, Preise, Tempo — BenchLM
4. Grok 4.5 ist so günstig, dass die Benchmark-Abstände kaum zählen — The Decoder
5. Grok 4.5 vs. Fable 5: Die Kosten der Intelligenz — Flowtivity
6. The July 2026 Frontier: Muse Spark 1.1, Grok 4.5, GPT-5.6 Sol — Ken Huang
7. GPT-5.6 im Vergleich zu Claude, Grok, Muse und Gemini — Kingy
8. GPT-5.6 Sol: besser UND günstiger als Fable — Praxistest
9. Grok 4.5 im vollen Test gegen GPT-5.6 Sol und Fable — Praxistest
10. GPT-5.6 mit drei Preisstufen im Agentenbetrieb getestet — Reddit
11. Eine Modell-Explosion: GPT-5.6 Sol, Grok 4.5 und Meta Muse — Überblick