GPT-6 Sol und Luna starten günstiger, Claude Opus 5.5 zieht nach

OpenAI hat am 22. September GPT-6 Sol und GPT-6 Luna als Ergänzungen zur GPT-6-Familie vorgestellt. Sol ist für professionelle Aufgaben wie Programmierung, Automatisierung und Computersteuerung gedacht. Luna soll große Mengen von Anfragen günstiger verarbeiten. Beide Modelle sind über die API sowie in Codex und ChatGPT Work für Plus-, Pro-, Business-, Enterprise- und Edu-Nutzer verfügbar.¹²

Laut OpenAI liegen die API-Preise um 50 % unter den bisherigen Aktionspreisen von GPT-5.6. Das Unternehmen führt die Senkung auf Verbesserungen beim Caching und bei der Inferenz zurück. Sol und Luna ergänzen GPT-6 Astra, statt es zu ersetzen. Unternehmen können damit unterschiedliche Modelle für anspruchsvolle Abläufe und große Mengen einfacherer Anfragen prüfen. Aussagen zu weniger Fehlern bei Sol stützen sich bislang auf eine interne Bewertung von OpenAI.²

Anthropic hat Claude Opus 5.5 am 22. September 2026 vorgestellt. Das Modell ist über die Claude-Plattform und bei Cloud-Anbietern verfügbar.¹² Die API kostet 4 US-Dollar je Million Eingabetokens und 20 US-Dollar je Million Ausgabetokens.² Laut Anthropic erzeugt Opus 5.5 bei typischen Aufgaben Ausgaben mehr als 30 % schneller als Opus 5.²

Anthropic beziffert die Kostenersparnis bei typischen Aufgaben auf etwa 40 %, weil das Modell für deren Bearbeitung weniger Tokens benötigt.² Dieser Wert geht damit über die Senkung der reinen Tokenpreise hinaus; die tatsächliche Ersparnis hängt vom Einsatz ab.² Das Unternehmen meldet bessere Ergebnisse in einzelnen Entwicklertests sowie Fortschritte bei der Erkennung visueller Diagramme und in designbezogenen Bewertungen.² Einen allgemeinen Vorsprung bei visueller Gestaltung belegen diese Angaben nicht.²

OpenAI hat Astra for Law am 17. September 2026 vorgestellt. Das Angebot ist eine Konfiguration von GPT-6 Astra für juristische Recherche und Textarbeit, kein eigenständiges Modell.¹² Es verbindet spezielle Arbeitsanweisungen mit einem Legal Search Index für US-Recht.¹³ Laut OpenAI umfasst der Index mehr als 230 Millionen URLs und wird täglich um neue Quellen ergänzt.¹³ Zunächst erhalten ausgewählte Kanzleien Zugang.⁴

Damit tritt OpenAI direkter gegen Anbieter juristischer KI an, die bereits Kanzleien bedienen.² OpenAI nennt unter anderem Harvey und Legora als Partner.⁴² Der Suchindex könnte die Recherche nach einschlägigen Quellen erleichtern. Seine Ausrichtung auf US-Recht begrenzt jedoch den Einsatz für andere Rechtsordnungen; Fundstellen und daraus abgeleitete Argumente müssen weiterhin fachlich geprüft werden.¹³

xAI hat Grok 4.7 am 21. September 2026 veröffentlicht und positioniert das Modell für Programmierung und Wissensarbeit.¹ Es bietet konfigurierbares Reasoning, soll Antworten besser selbst prüfen und unterstützt laut Dokumentation ein Kontextfenster von 500.000 Tokens.¹² Zum Start war Grok 4.7 über Cursor, Grok Build und die Grok API verfügbar; xAI nannte zudem weitere Zugangswege über Drittanbieter.¹

Die API-Preise bleiben gegenüber Grok 4.6 unverändert.¹² Damit verbindet xAI ein größeres Kontextfenster und Änderungen am Reasoning, ohne den regulären Tokenpreis anzuheben.¹² Wie stark sich die angekündigten Verbesserungen bei konkreten Aufgaben auswirken, lässt sich aus den Angaben des Herstellers allein nicht abschließend beurteilen. Für die Modellauswahl zählen daher weiterhin Tests mit eigenen Codebeständen, Dokumenten und Arbeitsabläufen.

OpenAI hat ChatGPT Voice am 23. September für Aufgaben in ChatGPT Work erweitert. Nutzer können per Sprache Dokumente, Präsentationen, Websites und Tabellen erstellen lassen, im Web und in mobilen Apps.¹² Endet das Gespräch, bevor eine Aufgabe fertig ist, kann die Arbeit im Textchat weiterlaufen.¹ Längere Aufgaben müssen damit nicht innerhalb einer Sprachsitzung abgeschlossen werden.¹

Die Neuerung bindet Sprache stärker in Arbeitsabläufe von ChatGPT ein, statt sie auf gesprochene Antworten zu beschränken.¹² Voice kann außerdem Plugins verwenden und so mit verbundenen Diensten arbeiten.¹ Welche Funktionen verfügbar sind, hängt vom jeweiligen Tarif und den Einstellungen des Workspaces ab.¹² Die Funktionen sind Teil von ChatGPT Work; die Ankündigung beschreibt kein eigenständiges Office-Produkt.¹²

Unsloth hat am 22. September eine GGUF-quantisierte Fassung von Qwen-Image-2.1 auf Hugging Face veröffentlicht. Das Repository bietet mehrere Varianten für den lokalen Einsatz.¹² Das zugrunde liegende Modell von Qwen kombiniert Text-zu-Bild-Generierung und Bildbearbeitung. Es unterstützt auch die Erzeugung und Bearbeitung transparenter Bilder.³

Für lokale Bildworkflows ist vor allem der Speicherbedarf entscheidend. Unsloth nennt für seine GGUF-Version einen Betrieb mit 12 GB Grafikspeicher.⁴ Aus den veröffentlichten Angaben lässt sich jedoch kein allgemeiner Mindestbedarf von nur 4 GB ableiten: Das Repository enthält unterschiedlich große Quantisierungsvarianten, ohne einen solchen Wert für die gesamte Veröffentlichung festzulegen.¹⁴ Die Version schafft damit eine weitere Möglichkeit, das Modell lokal einzusetzen. Welche Konfiguration auf vorhandener Hardware funktioniert, müssen Nutzer für die jeweilige Variante prüfen.¹⁴

White Circle hat am 21. September 2026 Halo veröffentlicht, ein quelloffenes Framework für verteiltes Training und Nachtraining von Hugging-Face-Modellen.¹² Halo soll sich in bestehende Modelle und Trainingsabläufe einfügen, ohne einen Modellumbau oder ein eigenes Checkpoint-Format zu verlangen.¹² Die Ergebnisse lassen sich laut Unternehmen weiterhin über den üblichen from_pretrained-Weg laden.¹

White Circle meldet in eigenen Tests einen bis zu 2,8-fachen Durchsatz gegenüber Standard-TRL sowie einen geringeren maximalen Speicherbedarf.¹ Die Leistungswerte stammen vom Anbieter; eine unabhängige Bestätigung für andere Modelle und Hardware liegt in den vorliegenden Quellen nicht vor.¹ Für Teams mit Hugging-Face-Infrastruktur könnte Halo zusätzliche Möglichkeiten zur Verteilung des Trainings bieten, während sie ihre Modelle weiterhin auf dem gewohnten Weg laden.¹²

Forscher von Stanford, Together AI und der Emory University berichten über KI-Agententeams, die ihre Zusammenarbeit anhand früherer Durchläufe anpassen.¹² Ein Team aus o3-mini, Claude Sonnet 4 und DeepSeek-V3 erreichte im Durchschnitt 66,7 % über fünf Mathematik- und Physiktests; das stärkste Einzelmodell erreichte 48,8 %.¹² Vorgestellt wurde ein Forschungsergebnis, kein verfügbares Produkt.¹²

Statt feste Gesprächsregeln vorzugeben, ließ das Forschungsteam ein Modell frühere Teamverläufe auswerten und Regeln für Rollen, Diskussionsablauf und Teilergebnisse überarbeiten.¹³ Der Ansatz ging damit über die Auswahl unabhängiger Antworten hinaus: Ein Auswahlverfahren, das aus den Einzelantworten die richtige wählte, kam auf 59,0 %.¹³ Die Tests betreffen Mathematik und Physik. Ob die gelernte Zusammenarbeit auch bei Aufgaben in Unternehmen hilft, bleibt offen.¹²

PrismML hat am 17. September 2026 Bonsai 2 27B veröffentlicht. Das herunterladbare Modell basiert auf Qwen3.8 27B: Es ist eine komprimierte Version des bestehenden Modells, keine neue Modellentwicklung von Grund auf.¹² Nach Angaben des Unternehmens benötigt es etwa 5,9 GB statt rund 54 GB für die FP16-Version der Vorlage. Damit ist es mehr als neunmal kleiner.¹²

In PrismMLs aggregierter Benchmarkauswertung erreicht Bonsai 2 27B 83,9 Punkte gegenüber 85,4 Punkten für das unkomprimierte Modell. Das Unternehmen beziffert den erhaltenen Leistungswert auf 98,2 %.¹² Diese Zahl stammt aus PrismMLs eigenen Tests und sagt nicht aus, dass jede einzelne Aufgabe nahezu gleich gut gelingt. Für Unternehmen ist der geringere Speicherbedarf interessant, wenn sie Modelle lokal betreiben wollen; die Eignung für konkrete Anwendungen bleibt gesondert zu prüfen.

Empero hat am 16. September Qwen3.8-35B-A3B-Distill veröffentlicht.¹ Das Mixture-of-Experts-Modell wurde aus Ausgaben von Qwen3.8 destilliert und ist für Reasoning, Mathematik, Programmierung und Tool-Nutzung gedacht.¹ Es hat insgesamt 35 Milliarden Parameter, von denen pro Token etwa 3 Milliarden aktiv sind.¹ Empero stellt quantisierte GGUF-Dateien für die lokale Inferenz mit llama.cpp bereit.²³

Die Zahl aktiver Parameter beschreibt den Rechenaufwand des Modells genauer als seine Gesamtgröße. Sie belegt aber keine bestimmte Laufzeit oder Speicherersparnis auf konkreter Hardware.¹ Für die GGUF-Dateien ist eine aktuelle llama.cpp-Version mit Unterstützung für Qwen3.6 und Gated DeltaNet MoE erforderlich; ältere Builds können die Architektur nicht laden.³ Wer das Modell lokal testen will, muss daher neben der Quantisierung auch die verwendete Laufzeitumgebung prüfen.³