Grok 4.5 und GPT-5.6 landeten fast zeitgleich — doch der eigentliche Wettlauf dreht sich nicht mehr um den Benchmark, sondern um Token-Effizienz. Anthropic konterte ganz ohne neues Modell.
Der Benchmark ist nicht mehr die ganze Geschichte. In 48 Stunden schickten xAI und OpenAI zwei neue Frontier-Modelle ins Rennen — und beide werben mit derselben Botschaft: nicht nur klüger, sondern günstiger pro erledigter Aufgabe. Der Preis pro Token ist zur halben Wahrheit geworden.
OpenAI bringt drei Varianten in die allgemeine Verfügbarkeit: Sol (stärkste), Terra (Alltag) und Luna (schnell/günstig). Preise pro Mio. Token (In/Out): Luna 1 $/6 $, Terra 2,50 $/15 $, Sol 5 $/30 $. Auf Agents' Last Exam (55 Berufsfelder) setzt Sol mit 53,6 die neue Bestmarke — 13,1 Punkte vor Claude Fable 5. Laut OpenAI schlagen Terra und Luna Fable 5 zu rund einem Sechzehntel der Kosten.
Nicht überall führt OpenAI: Auf SWE-Bench Pro erreicht Claude Fable 5 80 %, GPT-5.6 Sol nur 64,6 %. OpenAIs Antwort ist keine bessere Zahl, sondern eine Benchmark-Kritik — geschätzt ~30 % der SWE-Bench-Pro-Aufgaben seien „kaputt". Wer Modelle einkauft, sollte Benchmarks künftig genauso hinterfragen wie die Modelle selbst.
ChatGPT Work (auf GPT-5.6) zieht Kontext aus Team-Tools zusammen und macht aus Notizen fertige Arbeitsergebnisse. Bereits am 8. Juli startete GPT-Live: eine neue Sprachmodell-Generation mit Full-Duplex — hört und spricht gleichzeitig, ersetzt die bisherige ChatGPT-Voice.
xAIs neues Flaggschiff (1,5-Bio.-Parameter-Basis V9, zusammen mit Cursor trainiert) kostet 2 $ In / 6 $ Out pro Mio. Token. Der eigentliche Verkaufsvorteil ist die Effizienz: Auf SWE-Bench Pro löst Grok 4.5 Aufgaben mit im Schnitt 15.954 Output-Token — Opus 4.8 braucht 67.020, Faktor 4,2. Musks Einordnung: grob Opus-4.7-Niveau, aber deutlich schneller.
Grok 4.5 schlägt Opus 4.8 auf DeepSWE 1.0 und Terminal-Bench 2.1, verliert aber auf DeepSWE 1.1 und SWE-Bench Pro. Kein Modell dominiert — die Wahl hängt zunehmend vom konkreten Task und den Kosten pro Lösung ab, nicht von einer einzelnen Rangliste.
Statt neuem Modell zeigt Reflect, wie viel Zeit man mit Claude verbringt — Themen, aktivster Tag, Peak-Stunde, Zeiträume 1/3/6/12 Monate. Verfügbar auf Free, Pro, Max bei aktiviertem Memory. Datenschutz: ignoriert Incognito-Chats, zieht keine Ursprungsdateien, klammert Health-Integrationen aus.
TechCrunch liest Reflect gegen den Strich: Ein Tool, das einem vor Augen führt, wie unverzichtbar Claude im Alltag geworden ist, erhöht den psychologischen Wechsel-Aufwand. Ein Selbstkontroll-Feature wird so zum Lock-in-Mechanismus. Parallel zieht Claude Cowork in die Cloud — geräteübergreifend, läuft auch offline weiter.
Google verschiebt Gemini 3.5 Pro und baut die Architektur komplett neu — statt auf 2.5-Pro-Basis. Der genannte Grund passt zum Thema der Woche: Enterprise-Tester klagten über übermäßigen Token-Verbrauch bei langen agentischen Aufgaben. Geplant sind ein 2-Mio.-Token-Kontext und ein „Deep Think Reasoning Layer" als Konter gegen GPT-5.6 und Fable 5.
Metas Prediction-Market-App Arena lässt Llama Fragen generieren, personalisierte Märkte empfehlen und Märkte in Nahe-Echtzeit selbst auflösen. Das ist ein bewusster Bruch mit Kalshi und Polymarket, die auf Human-Dispute-Windows und Oracle-Netze setzen — und ein Vertrauensvorschuss an ein Modell, das über Fakten urteilt.
Mistral betritt das Robotik-Feld — bewusst minimalistisch: eine RGB-Kamera, kein LiDAR, ausgelegt auf Massen-Deployment. Damit tritt der französische Anbieter gegen DeepMind und NVIDIA an und setzt wie so oft auf den günstigeren, schlankeren Ansatz.
Der Preis pro Token auf der Website ist nur die halbe Kostenwahrheit.
Die andere Hälfte ist, wie viele Token ein Modell pro Aufgabe verbrennt. Grok löst eine Coding-Aufgabe mit rund 16.000 Output-Token, wo Opus etwa 67.000 braucht — bei 6 $ je Mio. Output ein 4×-Kostenhebel, der auf keiner Preisseite steht. Dass sogar Google seine Gemini-3.5-Verschiebung mit „zu hohem Token-Verbrauch" begründet, zeigt: Wer KI-Kosten steuert, misst künftig Token-pro-Task, nicht Preis-pro-Token.