GPT-6.1 Sol Reasoning Traces: Lesbar, weil sie Zusammenfassungen sind, nicht weil sie durchgesickert sind

Am 21. Oktober 2026 um 00:46 UTC begann ein Screenshot von GPT-6.1 Sols Reasoning-Text auf X zu kursieren, gepostet von @scaling01 mit der Bildunterschrift „Reasoning-Traces völlig lesbar, kein Grund zur Sorge.“ Der Witz – und es ist ein Witz – ist, dass die Traces in klarem Englisch lesbar sind, was genau die Bedingung ist, von der Andrej Karpathy im September 2024 sagte, sie würde bedeuten, dass das Reinforcement Learning aufgehört habe, richtig zu funktionieren. Zwei Dinge müssen vor allem anderen gesagt werden. Erstens ist das Modell nicht neu: GPT-6.1 Sol wurde am 29. September 2026 veröffentlicht auf dem O​penAI DevDay, und nichts in diesem Beitrag ist ein Launch, ein Versionssprung oder eine Feature-Ankündigung. Zweitens ist der Screenshot ein Screenshot – die Sicht eines Beobachters auf eine Antwort, weiterverbreitet von Leuten, die sie nicht reproduziert haben. Neu und datierbar ist die Argumentation, die der Screenshot ausgelöst hat; sie zog sich über den 21. Oktober hin und bezog eine Antwort von Karpathy sowie eine Gruppe von Forschenden ein, die über latentes Reasoning diskutierten. Es lohnt sich, diese Argumentation auseinanderzunehmen, denn die Prämisse dahinter ist auf eine konkrete und überprüfbare Weise falsch. Nichts davon ist hypothetisch: Die dokumentierten KI-Ausfälle und Agentenvorfälle hinter Veröffentlichungen wie dieser sind in dem OrcaRouter AI Incident Archive, wo jeder Eintrag seine eigenen Quellen, Schweregrad, Konfidenzstufe und Disputed-Flag trägt.

Was tatsächlich gepostet wurde und was tatsächlich verifiziert ist

Zieht man die Rahmung ab, ist die Evidenz dünn, was bei so etwas normal ist. Ein Nutzer postete einen Screenshot einer Modellausgabe, die sich als gewöhnliche, wohlgeformte englische Prosa liest und nicht als die komprimierte, satzzeichenfreie Kurzschrift, zu der Chain-of-Thought-Text bei hohem Trainingsdruck oft zusammenfällt. Der Beitrag hatte ungefähr 65.600 Aufrufe, als er archiviert wurde. Karpathy antwortete: „Ja, ich würde sagen, das RL funktioniert jetzt durchaus“, und zitierte damit seine eigene Aussage von September 2024, dass man erkennen könne, dass RL richtig gemacht werde, wenn Modelle in ihrer Gedankenkette aufhörten, Englisch zu sprechen. Andere gingen weiter: Eine Antwort schlug vor, das Feld „könne genauso gut in den sauren Apfel beißen und zu vollständig latentem Schlussfolgern wechseln“, und ein anderer argumentierte, die Spuren hätten lediglich ihre Leerzeichen verloren, und deren Wiederherstellung habe gewöhnliche, knappe Modellformulierungen ergeben, die die Überwachung und das Nicht-Erfinden von Anforderungen betrafen.

In diesem Thread sind also drei getrennte Behauptungen miteinander verflochten, und sie haben einen sehr unterschiedlichen Beweisstatus. Dass lesbares Englisch in Ausgaben erschien, die GPT-6.1 Sol zugeschrieben werden – nicht verifiziert, ein einzelner Screenshot, weder Prompt noch Request-ID veröffentlicht. Dass die Lesbarkeit impliziert, dass das interne Reasoning des Modells nun lesbar ist – nicht verifiziert und, wie der nächste Abschnitt zeigt, wahrscheinlich ein Kategorienfehler. Dass die Lesbarkeit etwas darüber aussagt, wie gut das RL funktioniert hat – eine Interpretation, als Scherz vorgebracht, von jemandem, der das Modell in dieser Konfiguration nicht ausgeführt hat. Behandle alle drei als Community-Beobachtung. Keines davon ist ein Befund.

Was die API tatsächlich zurückgibt – der Teil, den niemand zitiert hat

Hier ist das Detail, das der Thread übersprungen hat. GPT-6.1 Sol gibt seine Gedankenkette nicht zurück, und die Dokumentation von OpenAI sagt es in aller Deutlichkeit: Die API legt die rohen Reasoning-Tokens, die das Modell ausgibt, nicht offen, und die Reasoning-Elemente, die sie zurückgibt, bleiben undurchsichtig. Was an einen Aufrufer zurückkommt, sind drei verschiedene Dinge, und nur eines davon ist Prosa:

• Rohe Gedankenkette – wird niemals zurückgegeben, für jede Aufwandsstufe, unter jeder Parameterkombination.

• Eine Zusammenfassung der Denkschritte – optional, über den summary-Parameter angefordert und vom Modell als narrative Darstellung verfasst statt aus den Tokens übernommen, mit denen es tatsächlich gearbeitet hat.

• Eine Token-Anzahl – output_tokens_details.reasoning_tokens, eine Zahl, und der einzige Ort, an dem Reasoning standardmäßig auftaucht.

Bei diesem mittleren Punkt handelt es sich mit ziemlicher Sicherheit um das, was auf dem Screenshot zu sehen ist. Ein Zusammenfassungskanal ist konstruktionsbedingt lesbar; genau das ist sein Zweck. Er wird erzeugt, damit ein Mensch ihn liest, in dem Register, in dem ein Mensch liest, und seine Flüssigkeit verrät etwas über den Stil des Zusammenfassers, nicht über die Form der zugrunde liegenden Berechnung. Das verräterische Zeichen ist auch nicht subtil: Wenn der Text im Screenshot mit intakten Leerzeichen und aufgelösten Sätzen daherkam, war er nie die rohe Spur. Die Antwort, die argumentiert, die Leerzeichen seien einfach entfernt worden und könnten wiederhergestellt werden, macht denselben Punkt aus der anderen Richtung und ist der technisch fundierteste Beitrag im Thread.

Warum die Karpathy-Aussage hier nicht so zutrifft, wie sie angewendet wurde

Die Behauptung von 2024 bezog sich auf eine bestimmte Diagnose: Rohtext der Gedankenkette, der in nicht-englisches oder nicht parsebares Kürzelwerk abgleitet, ist ein Beleg dafür, dass die Policy so weit optimiert wurde, dass ihre verbale Schicht etwas anderes tut als zu kommunizieren. Diese Diagnose funktioniert nur auf der Rohspur. Wendet man sie auf eine Zusammenfassung an, testet man den Zusammenfasser, bei dem es sich um einen separaten Modelldurchlauf mit eigenem Ziel handelt – lesbar zu sein. Eine lesbare Zusammenfassung bekommt man, unabhängig davon, ob die zugrunde liegende Policy sauber ist oder nicht.

Das ist keine Unterscheidung, die eigens für diesen Anlass erfunden wurde. Sie ist der Grund, warum OpenAI überhaupt einen Nachtrag zur Überwachbarkeit veröffentlicht: Wäre das rohe Reasoning das, was Nutzer lesen könnten, würde das Sicherheitsargument darauf beruhen, dass Nutzer es lesen. Stattdessen beruht das Argument auf Monitoren, die den Tokens näher sitzen als jeder API-Aufrufer, und auf einem Zusammenfassungskanal, der bewusst eine Darstellung ist. Die Konsequenz für Leser ist unmissverständlich. Sie können das Reasoning von GPT-6.1 Sol nicht über die API prüfen. Sie können seine Antworten, seine Token-Zahlen und seine angegebenen Zusammenfassungen prüfen. Wer behauptet, durch einen Screenshot seinen Geist gelesen zu haben, hat ein Dokument gelesen, das das Modell über sich selbst geschrieben hat.

Die Zahl, die tatsächlich darauf Einfluss hat, „ob dort etwas nicht stimmt“

Wenn Sie Belege dafür wollen, was im Inneren des Modells geschieht, statt dafür, was es über sich selbst sagt, ist der September-Nachtrag zur Deployment-Sicherheit die einzige substanzielle öffentliche Quelle, und er ist anbieterbetrieben – OpenAI hat sein eigenes Modell gemessen, die Methode veröffentlicht, und keine außenstehende Partei hat dies reproduziert. Zwei Zahlen aus seinem Chain-of-Thought-Abschnitt sind es wert, im Hinterkopf behalten zu werden.

• Steuerbarkeit der CoT – 44,8 % für GPT-6.1 Sol, gegenüber 60,9 % für GPT-6 Astra, 23,2 % für GPT-6 Sol und 16,1 % für GPT-5.6 Sol. Ein höherer Wert bedeutet, dass ein externer Prompt den Reasoning-Text leichter lenken kann.

• Umgehung des CoT-Monitors bei maximalem Aufwand – nahezu null, wobei der Vollkontext-Monitor 100 % der eingestreuten Verhaltensweisen im eigenen Harness des Anbieters wiederherstellte.

• Steganografische Kodierung im Reasoning — versucht und nicht nachgewiesen, laut demselben Dokument.

Liest man beides zusammen, ergibt sich ein Bild, das in der vom Tweet nahegelegten Richtung das Gegenteil von alarmierend ist. Das Modell, das an der Oberfläche am flüssigsten wirkt, ist nicht dasjenige, dessen Reasoning am besten steuerbar ist; Astra erzielt höhere Werte bei der Kontrollierbarkeit und ist zugleich das Modell, das die Prüfenden insgesamt als leistungsfähiger beschreiben. Das Reasoning von GPT-6.1 Sol lässt sich vergleichsweise schwer beeinflussen und ist, nach den eigenen Zahlen des Anbieters, für einen Full-Context-Monitor leicht nachzuvollziehen. „Nichts, worüber man sich Sorgen machen müsste“ ist ein Scherz, aber mit Blick auf die veröffentlichte Evidenz liegt es nicht weit daneben – jedenfalls bei der Frage der Überwachbarkeit, die eine enge Frage ist.

Latentes Schlussfolgern ist eine echte Antwort auf ein anderes Problem

Die Antwort „Wechsel zum vollständig latenten Schlussfolgern“ verdient mehr Respekt, als ihr der Diskussionsfaden entgegengebracht hat, denn sie benennt eine echte Spannung. Wenn das Schlussfolgern in kontinuierlichen Vektoren verbleibt, gibt es nichts Lesbares, das man falsch lesen könnte, nichts, das man zusammenfassen könnte, und nichts, das man steuern könnte – und auch nichts, das ein Monitor lesen könnte, weshalb Labore es nicht einfach so gemacht haben. Latentes Schlussfolgern tauscht Überwachbarkeit gegen Leistungsspielraum ein. Niemand in diesem Diskussionsfaden schlug ein Gratisessen vor; vorgeschlagen wurde, das Fenster zu schließen, damit die Leute aufhören, hindurchzustarren.

Es gibt eine zweite Flanke, die es sich zu kennen lohnt. In diesem Jahr veröffentlichte Arbeiten zur Extraktion von Reasoning-Traces aus proprietären APIs über Seitenkanäle – Prompt-Injection- und Token-Timing-Angriffe statt des Lesens des Antwortkörpers – haben gezeigt, dass eine Trace, die Sie nie zurückgeben wollten, dennoch nach außen gelangen kann. Das Design von OpenAI schließt die offensichtliche Variante dieses Angriffs, weil der Antwortkörper eine gerenderte Darstellung statt der Trace enthält. Es schließt den Timing-Kanal nicht, und das wird auch nicht behauptet. Das ist das Risiko, das ernsthafte Leser im Blick behalten sollten, und es ist nicht das Risiko, um das es in dem Screenshot ging.

Wie Sie all das selbst kostengünstig überprüfen können

All das lässt sich an einem Nachmittag testen, und die Kosten sind so niedrig, dass es keinen Grund gibt, irgendjemandem einfach zu glauben, auch uns nicht. GPT-6.1 Sol kostet 2 $ pro Million Input-Tokens und 10 $ pro Million Output-Tokens, wobei zwischengespeicherter Input 0,10 $ und Cache-Schreibvorgänge 2,50 $ kosten. Der Kontext umfasst 1.050.000 Tokens und die maximale Ausgabe beträgt 128.000. Die Effort-Leiter hat fünf Stufen – low, medium als Standard, high, xhigh und max – und es gibt keine Einstellung „none" oder „minimal", man kann dieses Modell also nicht bitten, das Reasoning vollständig zu überspringen. reasoning.context akzeptiert all_turns, der den Reasoning-Zustand über eine mehrteilige Konversation hinweg trägt, statt ihn bei jeder Runde neu zu starten.

Das Experiment, dessen Durchführung sich lohnt, ist nicht „liest es sich wie Englisch“, sondern „folgt die Zusammenfassung der Antwort“. Senden Sie denselben schwierigen Prompt mit niedriger, hoher und maximaler Stufe, fordern Sie bei jeder Stufe eine Zusammenfassung an und vergleichen Sie die Zusammenfassung mit der bewerteten Korrektheit und mit reasoning_tokens. Wenn die Zusammenfassungen anschwellen, während die Genauigkeit unverändert bleibt, ist die Zusammenfassung Dekoration. Wenn die Genauigkeit mit den Reasoning-Tokens steigt und die Zusammenfassung knapp bleibt, ist die Zusammenfassung ein verlustbehafteter, aber ehrlicher Index. Beide Ergebnisse sind aussagekräftiger als ein Screenshot.

Dieser Vergleich ist auch der Punkt, an dem eine Routing-Schicht ihren Platz verdient, statt nur nachträglich angeschraubt zu werden. OrcaRouter führt openai/gpt-6.1-sol zusammen mit über 200 weiteren Modellen über einen einzigen Key zu 0 % Aufschlag, sodass die oben genannten 2 $/10 $ genau der Betrag sind, den du zahlst, und jede Preisänderung eines Anbieters noch am selben Tag wirksam wird. Failover ist für diesen speziellen Test wichtig: Drei Effort-Stufen parallel laufen zu lassen bedeutet drei Gelegenheiten, auf ein Rate-Limit oder ein fehlerhaftes Gateway zu stoßen, und ein automatisches Failover auf einen gesunden Anbieter sorgt dafür, dass der A/B/C-Vergleich zu Ende läuft, statt nur halb fertig zu werden. Wenn du den Zusammenfassungs-Kanal und den Rohantwort-Kanal Seite an Seite messen möchtest, ohne für jeden Endpoint separaten Client-Code zu schreiben, fasst die Routing-DSL die Aufrufe an einer Stelle zusammen.

Was würde dieses Stück tatsächlich verändern?

Zwei Entwicklungen würden daraus statt einer Leak-artigen Lesart eine Nachrichtengeschichte machen. Die erste ist jede Änderung am API-Vertrag, die etwas anderes als eine Zusammenfassung zurückgibt – ein Raw-Trace-Parameter, ein Debug-Modus, eine Research Preview. OpenAIs Oktober-Changelog enthält keinen Eintrag zu Reasoning-Traces oder rohem Chain-of-Thought, und die Sprache der Dokumentation hat sich nicht verändert, daher ist der Vertrag zum Zeitpunkt der Veröffentlichung unverändert. Die zweite ist ein reproduzierbares unabhängiges Ergebnis: jemand veröffentlicht Prompts, Request-IDs und Ausgaben, die zeigen, dass die Zusammenfassung bei einem bestimmten Effort-Level von der bewerteten Korrektheit abweicht. Das wäre ein Befund. Ein Screenshot ohne Prompt ist keiner.

Zum Kontext, wo das Modell tatsächlich steht, während all das diskutiert wird: Artificial Analysis misst GPT-6.1 Sol mit einem Intelligence Index von 52 auf v4.3.2, auf Rang 12 von 214 Modellen, bei $0,72 pro Aufgabe und 55,2 Token pro Sekunde — unabhängig erhoben, und die Kosten-pro-Aufgabe-Zahl ist die, auf die man achten sollte, da GPT-6 Astra 53 bei $3,26 pro Aufgabe zu $10/$50-Preisgestaltung erreicht. Die verifizierte Testsuite von ARC Prize führt GPT-6.1 Sol auf 98,5 % bei ARC-AGI-1 und 94,2 % bei ARC-AGI-2. Das sind Fähigkeitszahlen. Sie sagen nichts darüber aus, ob die Denkweise nachvollziehbar ist, und genau das ist die Verwirrung, von der der Thread lebte: Ein Modell kann exzellent und undurchsichtig sein, und die Zusammenfassung, die Sie lesen, ist ein Entgegenkommen, kein Fenster.