Grok 4.5, GPT-5.6: Der Krieg der Hausbenchmarks
xAI und OpenAI haben Grok 4.5 und GPT-5.6 am selben Tag veröffentlicht. Zwei Siegertreppchen, kein von Dritten bestätigter Wert. Der eigentliche Kampf findet woanders statt.
Am selben Donnerstag haben xAI und OpenAI je ein neues Modell vorgestellt. Zwei Pressemitteilungen, zwei Sätze bunter Diagramme, aber keine einzige Zahl, die sich außerhalb der eigenen Folien nachprüfen lässt. Auf der einen Seite Grok 4.5, auf der anderen GPT-5.6, und beide Modelle Spitzenreiter auf einer jeweils anderen Tabelle.
Willkommen im Modellkrieg des Jahres 2026: Gewonnen wird er längst nicht mehr im Labor, sondern in der Kommunikationsabteilung.
Zwei Siegertreppchen, kein Schiedsrichter
Am 8. Juli hat xAI Grok 4.5 veröffentlicht. Elon Musk positionierte das Modell in der Liga von Opus, zum Preis von 2 Dollar pro Million Input-Token, verglichen mit 5 Dollar bei Opus 4.8 und 10 Dollar bei Fable 5. Kurz darauf zog OpenAI mit GPT-5.6 und dem neuen Sol-Modus nach und verkündete 88,8 Prozent auf TerminalBench 2.1, knapp vor Claude Mythos 5 mit 88,0 Prozent.
Beide Seiten feiern ihren Sieg. Das Problem: Sie laufen nicht auf derselben Strecke. xAI stellt Effizienz und Preis in den Vordergrund, OpenAI das agentische Terminal. Zwei Siegertreppchen, aber niemand pfeift das Rennen ab.
Benchmaxxxing, die Kunst, sich das eigene Spielfeld auszusuchen
Für dieses Phänomen gibt es in der Branche einen eigenen Begriff: "Benchmaxxxing". Die Regel ist simpel. Man veröffentlicht die Tests, die man gewinnt, schiebt die verlorenen in die Schublade und macht aus der Pressemitteilung eine Ehrentafel.
Diese Launch-Zahlen haben eines gemeinsam: Sie stammen aus dem eigenen Haus. Das Ergebnis von GPT-5.6 auf TerminalBench etwa ist eine von OpenAI selbst durchgeführte Auswertung, kein von Dritten reproduzierter Test. Das ist ungefähr so, als würde ein Restaurant seine eigene Küche mit fünf Sternen bewerten und das Zertifikat ins Schaufenster hängen.
Illegal ist daran nichts. Aber eine Zahl, die derjenige, der sie veröffentlicht, selbst ausgewählt, gemessen und eingerahmt hat, beweist gar nichts. Sie dient dem Verkauf.
Und die Unterschiede können gewaltig ausfallen. Bei der Analyse von 2,8 Millionen Vergleichen auf der Plattform LMArena zeigten Forscher, dass ein Labor seinen Score allein durch die gezielte Auswahl der eingereichten Versionen um mehr als 100 Punkte aufblasen konnte, ganz ohne eine einzige Antwort zu manipulieren, nur durch geschicktes Spiel mit den Regeln der Arena.
Was die unabhängigen Prüfer sagen
Die gute Nachricht: Es gibt Schiedsrichter. Artificial Analysis fährt eine eigene Testbatterie mit offengelegter Methodik und nachvollziehbaren Formeln. Ihr Urteil fällt deutlich nüchterner aus als jede Keynote.
Im Intelligence Index landet Grok 4.5 nur auf Platz vier, hinter Fable 5, GPT-5.5 und Opus 4.8. Dasselbe Modell, das als "Opus-Klasse" verkauft wird, weist in dieser Messung zudem eine Halluzinationsrate von 54 Prozent auf. Bei OpenAI hat der Prüfer METR vor dem Rollout eine Vorab-Bewertung durchgeführt und bei GPT-5.6 eine Tendenz zum Reward Hacking festgestellt, also dazu, den Score zu optimieren statt die eigentliche Aufgabe zu lösen.
Sobald ein Dritter die Stoppuhr in der Hand hält, schrumpft die Erzählung zusammen. Aus der Nummer eins der Folien wird ein ehrlicher vierter Platz.
Der Präzedenzfall, aus dem man hätte lernen müssen
Dieses Muster kennt man bereits. Beim Launch von GPT-5.5 waren die offiziellen Diagramme makellos. Vierundzwanzig Stunden später maß ein unabhängiger Test 86 Prozent Halluzination auf dem Omniscience-Benchmark. Declic hatte diese Kluft zwischen Versprechen und Messung bereits damals dokumentiert.
Das Problem reicht über ein einzelnes Modell hinaus. Eine Studie von 42 Forschern zu 445 KI-Benchmarks kommt zu dem Schluss, dass viele nicht einmal grundlegende wissenschaftliche Standards erfüllen: kontaminierte Trainingsdaten, selektives Reporting, Tests, die nicht das messen, was sie vorgeben zu messen. Neu ist das nicht, Benchmarks sind weniger verlässlich als gedacht, und jeder neue Launch bestätigt es aufs Neue.
Wenn die Spielregeln unklar sind, hat ein Score keinen absoluten Wert mehr. Er hat nur den Wert, den man ihm zugestehen will.
Die einzige Zahl, die sich nachprüfen lässt
Es bleibt eine Größe übrig, die niemand schönrechnen kann: die Rechnung. Grok 4.5 kostet 2 Dollar pro Million Input-Token, während Opus 4.8 für die Ausgabe 25 Dollar verlangt. Bei derselben Coding-Aufgabe zeigt sich der Unterschied in echten Euro, nicht in Benchmark-Punkten.
Das Detail spricht für sich. Bei den Aufgaben von SWE-Bench Pro verbraucht Grok 4.5 4,2-mal weniger Token als Opus 4.8: rund 15.900 Ausgabe-Token pro Aufgabe gegenüber 67.000. In Geld übersetzt bedeutet das etwa 2,50 Dollar pro Aufgabe, während ein Premium-Modell dafür knapp 12 Dollar verlangt. Diese Zahl schönt keine Keynote-Grafik, sie steht schlicht auf der Abrechnung.
Wer diese Woche ein Modell auswählen muss, stößt auf ein unbequemes Fazit. Die Launch-Tabellen entscheiden gar nichts, sie sollen beruhigen, nicht vergleichen. Das einzige Terrain, auf dem sich Grok, GPT und die anderen wirklich messen, ist der reale Einsatz und dessen Kosten.
Genau dort verschiebt sich die eigentliche Schlacht. Solange die Scores unüberprüfbar bleiben, heben sie sich gegenseitig auf: Jeder gewinnt seine eigene Tabelle, aber niemand überzeugt jemand anderen. Der Preis dagegen steht am Monatsende schwarz auf weiß auf der Rechnung.
Der Modellkrieg hat vielleicht seinen einzigen echten Schiedsrichter gefunden. Es ist kein Benchmark, es ist ein Kassenbon.
