Für einen überschaubaren Code-Review oder einen Bericht aus ein paar Quellen würde ich mit GPT-6.2 Sol beginnen. GPT-6.2 Astra ist den Aufpreis eher wert, wenn ein Fehler mehrere Dienste betrifft oder das Modell widersprüchliche Quellen zu einer begründeten Entscheidung zusammenführen soll. Entscheidend ist, wie viele Anläufe du bis zu einem brauchbaren Ergebnis brauchst und wie viel du danach selbst korrigieren musst.
Welche Aufgaben zu Astra und Sol passen
Sol für Aufgaben, die du schnell prüfen kannst. Du möchtest einen Pull Request auf unerwünschte Änderungen prüfen, aus Besprechungsnotizen einen Plan machen oder eine vorhandene Tabelle um ein Feld ergänzen. Gib im Prompt an, welchen Teil das Modell bearbeiten soll und woran du erkennst, dass die Aufgabe erledigt ist. Bei einem Review könntest du nach Stellen fragen, an denen sich das Verhalten ändert und ein Test fehlt.
Astra für Aufgaben, bei denen der Lösungsweg offen ist. Ein Fehler tritt erst auf, wenn zwei Dienste zusammenarbeiten. Oder ein Briefing stützt sich auf Quellen, in denen dieselbe Kennzahl unterschiedlich definiert ist. Gib Astra die Belege und ein klares Ziel. Bitte es bei der Kennzahl zum Beispiel, die Definitionen gegenüberzustellen und vor einer Empfehlung zu prüfen, ob beide Quellen denselben Zeitraum abdecken. Wie sich Astra bei einer Präsentation mit Vorlage schlägt, zeigen wir im Astra-Praxistest.
Wenn du hauptsächlich viel Material in einer Codex-Sitzung unterbringen willst, schau zuerst auf den voreingestellten Kontext. OpenAI nennt für Sol 500.000 Tokens und für Astra 272.000 Tokens. Bei Detailfragen zur Wahl von Modell und Denkstufe hilft die Modellübersicht von OpenAI.
Erst den Engpass finden, dann die Denkstufe ändern
Schau dir nach einem ersten Sol-Entwurf an, weshalb du noch eingreifen musst. Wenn Sol Werte aus dem falschen Tabellenblatt übernimmt, gib den Dateipfad und den Namen des gewünschten Blatts an. Wenn eine gewünschte Prüfung ausgelassen wurde, obwohl alle Quellen vorliegen, wiederhole den Auftrag mit einer höheren Denkstufe. Halte den Rest des Prompts gleich. So siehst du, ob sich der zusätzliche Aufwand für genau diesen Schritt lohnt.
Astra würde ich als Nächstes mit demselben Auftrag testen, wenn Sol trotz vollständiger Quellen mehrere plausible Erklärungen nicht sauber gegeneinander abwägt. Du kannst mit der in deiner Oberfläche angebotenen Standardstufe starten. Bei einem direkten Vergleich beider Modelle ist dieselbe verfügbare Denkstufe ein sinnvoller Ausgangspunkt. In Codex empfiehlt OpenAI Medium für einen ersten Überblick und High, wenn sich eine vermutete Ursache über mehrere Systeme verfolgen lässt. OpenAIs Prompt-Leitfaden für Codex
So liegen Astra und Sol im Ranking
Am 17. November 2026 lag GPT-6.2 Astra auf Max mit 59,6 Punkten auf Platz 2 im KI-Weekly-Gesamtranking. GPT-6.2 Sol auf Max kam mit 55,7 Punkten auf Platz 5. Der Gesamtscore bündelt Messungen zu Intelligenz, Coding und Agenten. Der Preis im Bild ist ein Mischpreis je Million Tokens. Im direkten Ranking-Vergleich findest du die einzelnen Werte.
Was ein brauchbares Ergebnis kostet
Artificial Analysis hat beide Modelle auf Max in seinem Intelligence Index v5.0.1 vermessen. Die Kosten sind gewichtete Durchschnittswerte pro Aufgabe in dieser Testreihe.
| Modell auf Max | AA-Punkte | Kosten je Index-Aufgabe |
|---|---|---|
| GPT-6.2 Astra | 62 | 4,00 USD |
| GPT-6.2 Sol | 57 | 1,01 USD |
Sol kam in dieser Messung auf rund ein Viertel der Kosten. Die Denkstufe kann den Abstand verändern. Auf Medium erreicht Astra im selben Index gerundet 57 Punkte, genau wie Sol auf Max. Was beide für deine Aufgabe leisten, lässt sich mit einem festen Abnahmekriterium prüfen.
Ein Rechenbeispiel für die API. Bei 100.000 Eingabe- und 20.000 Ausgabetokens kostet ein Durchlauf im Standardmodus ohne Cache mit Sol 0,40 USD und mit Astra 1,60 USD. Vier gleich große Sol-Durchläufe kosten damit so viel wie einer mit Astra. Für eine faire Rechnung zählst du alle Durchläufe bis zur Abnahme zusammen und vergleichst, wie viel Zeit du je Ergebnis für Prüfung und Korrekturen brauchst. Die Tarife findest du in den API-Datenblättern für Astra und Sol.
Was der Coding-Test über die Modellwahl sagt
OpenAI berichtet für FrontierCode 2.0 von einem Abstand von höchstens 0,5 Punkten bei rund einem Fünftel der Kosten für Sol. Beide liefen auf Max. Der Test bewertet, ob Änderungen in bestehenden Codeprojekten den Anforderungen der jeweiligen Maintainer entsprechen. In der zum Start abrufbaren Rangliste des Benchmark-Betreibers Cognition standen die beiden neuen Modelle bei unserer Prüfung noch nicht. Der Zahlenvergleich stammt aus OpenAIs Veröffentlichung und gilt für diesen Testaufbau.
Für dein Projekt kannst du mit demselben Auftrag und denselben Tests beginnen. Prüfe anschließend, welche Änderungen außerhalb des Auftrags lagen und welche Annahmen du korrigieren musstest. Bitte beide Modelle, offene Punkte ausdrücklich aufzuführen. Welche Hindernisse die Modelle in OpenAIs Tests übergingen, zeigt unsere Auswertung zur Zuverlässigkeit.
Ein Vergleich mit deinen eigenen Unterlagen
Nimm einen Monatsbericht, bei dem dieselbe Kennzahl in zwei Tabellen auftaucht. In einer Datei steht der Umsatz vor Rückerstattungen, in der anderen danach. Gib beiden Modellen denselben Auszug und dieselbe Frage. Je eine neue Sitzung sorgt dafür, dass die Antwort des ersten Modells dem zweiten Versuch keinen Hinweis gibt.
Erkläre, warum der Umsatz in den beiden Tabellen abweicht. Nenne pro Zahl ihr Tabellenblatt und die zugehörige Definition. Berechne die Differenz für den gemeinsamen Zeitraum. Sag am Ende, welche Aussage für die Monatsübersicht belegt ist und welche Angaben noch fehlen.
Prüfe zuerst, ob beide Antworten die Definitionen richtig zuordnen und mit demselben Zeitraum rechnen. Bewerte anschließend den Satz, den du tatsächlich ins Reporting übernehmen könntest. Muss danach jemand die Beträge neu berechnen, zählt diese Zeit zur Nacharbeit. Eine belegte offene Frage kannst du getrennt erfassen, weil sie dir zeigt, welche Quelle du noch brauchst.
Wenn beide Antworten in diesem Beispiel gleich gut abschneiden, nimm einen zweiten Fall mit einer fehlenden Spalte oder einer geänderten Definition. Bei wiederkehrender Arbeit lohnt sich die einfachere Variante, sobald sie auch solche Grenzfälle zuverlässig behandelt. Wie gut ein Modell eine konkrete Zwischenprüfung erklärt, ist dafür oft aussagekräftiger als die Länge seiner Abschlussmeldung.
Wo du die Modelle auswählst
Sobald der Rollout dein Konto erreicht hat, findest du Astra und Sol in ChatGPT Work und Codex. Dort teilen sich beide Anwendungen das Nutzungskontingent. Bei Verwendung eines eigenen API-Schlüssels gelten die API-Preise. Einen Überblick über die Oberflächen und den Zugang findest du im Vergleich der ChatGPT-Modelle. Für kurze Wartezeiten gibt es auf berechtigten Tarifen Sol Ultrafast in Codex. Der Modus verbraucht mehr vom Kontingent, daher lohnt sich die Wahl vor allem dann, wenn du unmittelbar auf die nächste Antwort wartest.
Häufig gestellte Fragen
Kann ich Sol und Astra für denselben Auftrag kombinieren?
Ja. Lass Sol etwa die relevanten Belege aus mehreren Dateien sammeln und gib Astra anschließend die Fundstellen samt Originalen. So kann Astra die Schlussfolgerung prüfen und die Belege bei Bedarf selbst nachlesen.
Zählen Denktokens zur API-Ausgabe?
Ja. OpenAI berechnet Denktokens als Ausgabetokens. Für den Ausgabeposten zählt in der Responses API usage.output_tokens. Der Anteil fürs Denken steht unter usage.output_tokens_details.reasoning_tokens. OpenAI zu Denktokens
Kann ich dieselben Screenshots an Astra und Sol geben?
Beide nehmen in der API Bilder entgegen und antworten mit Text. Wenn ein Diagramm wichtig ist, kannst du die Zahlen zusätzlich in einem zweiten Durchlauf als Tabelle übergeben. So prüfst du getrennt, wie gut das Modell Werte abliest und wie es sie einordnet.
Kommentare (0)
Der Kommentarbereich wird geladen, sobald du ihn erreichst.
Weiterlesen