Terminal X stimmt bei GPT-6.1 Sol in 88,6 % der Fälle mit seinen Senior-Investoren überein – und spart dabei 30 %.

Die interessanteste Zahl in OpenAIs Bericht zu Terminal X vom 20. Oktober 2026 ist nicht der Name des Modells. Es sind 88,6 % – der Anteil von 500 bewerteten Investment-Urteilen, bei denen ein Eval-Agent, der auf GPT-6.1 Sol lief, zum selben Urteil wie der leitende menschliche Prüfer des Unternehmens kam. Das nächstbeste Modell im selben Harness erreichte 86,4 %. Zweihundertzwanzig Basispunkte trennen beide, und rund 30 % trennen ihre Kosten pro Abfrage. Terminal X setzt außerdem GPT-6 Luna für die Schritte mit hohem Volumen ein, und die Aufteilung zwischen diesen beiden Stufen ist hier die eigentliche Engineering-Geschichte: Urteilsvermögen, wo Urteilsvermögen nötig ist, Durchsatz überall sonst. Die dokumentierten KI-Ausfälle und Agentenvorfälle hinter Releases wie diesem sind im OrcaRouter AI Incident Archive gesammelt, wo jeder Eintrag seine eigenen Quellen, Schweregrad, Vertrauensstufe und Kennzeichnung als umstritten trägt.

Eines sollte klar sein, bevor die Zahlen am Schreibtisch herumgereicht werden: Dies ist eine vom Modellanbieter veröffentlichte Kundenstory, gemessen vom Kunden nach dessen eigenem Bewertungsraster. Es ist insofern ein echtes Ergebnis, als die Prüfumgebung existiert und in Produktion läuft, und es ist in keiner Weise ein unabhängiger Benchmark. Niemand außerhalb von Terminal X hat die 88,6 % reproduziert. Betrachten Sie es als den bislang detailliertesten öffentlichen Beleg dafür, wie sich ein Modell der GPT-6.1-Klasse bei Arbeiten verhält, die professionelles Urteilsvermögen erfordern – und nicht als Ranglisten-Eintrag.

Was wurde tatsächlich gemessen?

Terminal X verkauft ein Produkt namens Capital Memory: ein unternehmenseigenes System, das Datenräume, Modelle, Memos, Einreichungen, E-Mails und die Historie des Investment Committees indexiert und anschließend die Entscheidungsfindung eines bestimmten Desks in Agents abbildet, die dem Unternehmen gehören und on-premise oder in der eigenen Cloud betrieben werden. Die Engineering-Mitarbeiter sind ehemalige Finanz- und Investmentfachleute und arbeiten wochenlang mit jedem Kunden zusammen, um die nie schriftlich festgehaltene Denkweise rückzuentwickeln – wie der Credit Desk einen Kreditnehmer prüft, welche Quellen das Co-Investment-Team vor einem Memo heranzieht.

Die Eval-Schicht ist ein separater Agent. Der Geschichte zufolge prüft sie jede Produktionsausgabe anhand einer Rubrik mit 54 Kriterien und gibt pro Kriterium Bestehen oder Nichtbestehen zurück, mit einer einzeiligen Begründung und einer korrigierten Quelle für jeden Fehlschlag. Diese Fehlschläge werden zu neuen Workflow-Anweisungen und neuen Testfällen, sodass die Rubrik umfangreicher wird, während das Unternehmen das System korrigiert.

Der zentrale Vergleich stammt aus 500 bewerteten Urteilen, bei denen ein erfahrener menschlicher Prüfer bereits entschieden hatte. Die Übereinstimmungsrate des Agenten, nach Modell:

• GPT-6.1 Sol — 88,6 % Übereinstimmung bei 500 Bewertungen

• Nächstbestes Modell — 86,4 % Übereinstimmung bei denselben 500

• Lücke — 220 Basispunkte oder etwa eine zusätzliche Übereinstimmung pro 45 Urteile

Terminal X nennt eine Fehlerklasse, in der sich die Lücke konzentriert: Style Drift. Ein Buyout-Fonds, dessen Mandat Take-Private-Kandidaten sind, die mit Abschlag zum Nettoinventarwert handeln, sollte keine Distressed-Credit-Position oder Rettungsfinanzierung empfehlen, wenn die Szenariomodelle kippen. Der Eval-Agent auf GPT-6.1 Sol erkannte etwa 25 % mehr dieser Abweichungen vom Mandat als das nächstbeste Modell. Das ist eine engere Aussage als „88,6 % genau“, und eine nützlichere: Das Modell erkennt besser, dass eine Empfehlung von der These abgekommen ist – genau der Fehlermodus, mit dem ein leitender Prüfer tatsächlich seinen Tag verbringt.

Warum die Evaluation eines Fonds eine andere Art von Benchmark ist

Öffentliche Benchmarks stellen jedem Modell dieselben Fragen. Terminal X stellt jedem Modell die Fragen eines einzelnen Unternehmens, anhand eines einzigen Bewertungsrasters, im eigenen Hausstil des Unternehmens. Dadurch wird das Ergebnis für den Käufer relevanter und über verschiedene Käufer hinweg weniger vergleichbar – derselbe Prüfrahmen bei einem anderen Fonds würde andere Kriterien gewichten, und die Lücke von 220 Punkten könnte sich leicht verkleinern oder vergrößern.

Das macht es außerdem teuer, das Ergebnis zu überprüfen. Um es zu reproduzieren, braucht man das 54-Kriterien-Raster und 500 Bewertungen, und beides ist nicht öffentlich. Öffentlich sind die Form der Behauptung und der Produktionskontext, in dem sie steht, und auf dieser Grundlage ist das Ergebnis schlüssig: rund 1.700 firmeneigene Memories wurden erstellt, mehr als eine Million kundenspezifische Workflows ausgeführt und die wöchentlich aktiven Nutzer entsprechen 81 % der monatlich aktiven Nutzer – eine Stickiness-Ratio, die nahelegt, dass die Agenten innerhalb der Arbeitswoche genutzt und nicht nur testweise ausprobiert und wieder verworfen werden. Ein Private-Equity-Unternehmen wird mit 2,4 Millionen US-Dollar annualisierter Einsparungen durch automatisierte Due-Diligence- und Memo-Workflows genannt. All das sind Angaben des Kunden selbst.

Die Kostenzeile ist wichtiger als die Genauigkeitszeile.

Laut der Geschichte führte GPT-6.1 Sol dieselben Workflows bei ähnlicher Geschwindigkeit zu rund 30 % niedrigeren Kosten pro Anfrage aus als das nächstbeste Modell. Terminal X führt das auf die Token-Effizienz bei Long-Context-Arbeit zurück: Das Modell konnte eine These am Mandat des Fonds prüfen, dann an seinen jüngsten Deals, dann die unsicheren Bewertungen erneut laufen lassen und abgleichen – alles innerhalb desselben Budgets. Diese tiefergehende Prüfung war es, die Deals kennzeichnete, die ein einzelner Durchlauf durchgewinkt hatte.

Eine Kostensenkung um 30 % pro Abfrage ist ein weitaus größerer kommerzieller Fakt als 220 Basispunkte Übereinstimmung, weil Eval- und Review-Agenten ständig laufen und ihre Rechnung mit dem Volumen skaliert. Es ist außerdem die Art von Behauptung, die eine Anbieter-Story locker aufstellen kann – „ähnliche Geschwindigkeit“ ist keine Zahl –, also gehört sie in dieselbe Kategorie wie der Rest: der Tendenz nach glaubwürdig, unverifiziert.

Was GPT-6.1 Sol ist – offiziell

GPT-6.1 Sol ist das Modell, das O​penAI am 29. September 2026 für komplexes Programmieren und professionelle Arbeit veröffentlicht hat. Es ist das einzige Modell der GPT-6.1-Klasse auf der Modellliste von O​penAI – es gibt keine separate reine „GPT-6.1“-Kennung, und eine Anfrage, die eine solche nennt, wird nicht aufgelöst. Die aktuelle Spezifikation des Anbieters, wie veröffentlicht:

• Preis — $2.00 pro Million Eingabe-Tokens und $10.00 pro Million Ausgabe-Tokens

• Zwischengespeicherte Eingabe — 0,10 $ pro Million; Cache-Schreibvorgänge 2,50 $ pro Million

• Lange Prompts – ab 272.000 Eingabe-Tokens kosten Eingabe und Cache 2× und Ausgabe 1,5×

• Kontextfenster — 1.050.000 Token, mit maximal 922.000 Eingabe- und 128.000 Ausgabetoken

• Modalitäten — Text und Bild als Eingabe, Text als Ausgabe

• Reasoning-Aufwand — low, medium, high, xhigh und max; none und minimal werden abgelehnt

Wissensstand — 30. April 2026

• Service-Stufen — Fast zum 2-fachen des Standards, Batch und Flex 50 % darunter, Ultrafast zum 6-fachen, mit Datenresidenz in den USA und der EU

Das unabhängige Bild bei Artificial Analysis, abgelesen am 21. Oktober 2026, ist ein einzelner Intelligence Index von 52 bei maximalem Aufwand (Index v4.3.2, zehn Evaluierungen), bepreist mit 0,72 $ pro Index-Aufgabe und einem gemischten Preis von 1,47 $ pro Million Tokens, bei einer Ausgabegeschwindigkeit von 55,2 Tokens pro Sekunde. Die Übersicht verzeichnet außerdem eine Time to First Token von 248 Sekunden bei dieser Aufwandsstufe, gegenüber einem Vergleichsmedian von 3,69 Sekunden — was man wissen sollte, bevor jemand eine synchrone UI auf die Stufe mit maximalem Aufwand richtet.

Diese beiden Zahlenreihen beschreiben unterschiedliche Dinge, und die Kluft zwischen ihnen ist die ehrliche Zusammenfassung des Modells: eine Reasoning-Stufe mit 1M-Kontext, bepreist wie ein Mittelklasse-Modell, deren Wirtschaftlichkeit für Batch-Evaluierung und lange agentische Runs funktioniert und nicht für irgendetwas, worauf ein Mensch interaktiv bei maximalem Aufwand wartet.

Was die 88,6 % Ihnen nicht sagen

• Es ist kein allgemeines Maß für die Leistungsfähigkeit. Ein Bewertungsraster, eine Mischung von Anlageklassen, die Standards eines einzigen Unternehmens.

• Es handelt sich um Übereinstimmung mit einem Menschen, nicht um Korrektheit. Ein Prüfer mit einer beständigen Verzerrung und ein Modell, das diese teilt, werden gut abschneiden.

• Die Vergleichsgruppe ist nicht benannt. „Zweitbestes Modell“ könnte ein Frontier-Wettbewerber oder eine deutlich günstigere Stufe sein; ohne den Namen lassen sich die 220 Basispunkte nicht bepreisen.

• Die Kosten pro Abfrage sind nicht definiert. Ob darin die zusätzlichen Prüfdurchläufe enthalten sind, die das Modell ermöglicht, ist genau die Art von Detail, die das Fazit verändert.

• Nichts hiervon ist ein direkt vergleichbares öffentliches Benchmark-Ergebnis. Auf dem einzigen unabhängigen Index, den es gibt, liegt GPT-6.1 Sol einen Punkt unter GPT-6 Astra und vier Punkte über der GPT-6-Sol-Stufe, die es ersetzt.

Eine solche Behauptung an Ihren eigenen Daten testen

Der einzige Weg herauszufinden, ob sich das Mandate-Drift-Ergebnis übertragen lässt, besteht darin, Ihre eigenen 200 bis 500 Beurteilungen durch zwei Modelle laufen zu lassen und sie mit Ihrem eigenen Prüfer zu bewerten.

Das ist jetzt ein günstiges Experiment: GPT-6.1 Sol ist zu den Listenpreisen des Anbieters ohne Aufschlag auf den Routen von OrcaRouter verfügbar, sodass ein vergleichbarer Lauf gegen GPT-6 Astra, GPT-6 Sol oder GPT-6 Luna nur den Tarif und sonst nichts kostet. Da alle vier Stufen hinter einem einzigen Schlüssel liegen, ist der Vergleich lediglich eine Änderung an einem Modellstring statt eines zweiten Vertrags.

Die eigene Architektur von Terminal X ist das Muster, das es zu kopieren gilt: Leiten Sie die urteilsintensiven Schritte – Thesis-Synthese, Mandatsfit, den Reconciliation-Durchlauf – an die stärkste Stufe, die Sie rechtfertigen können, und leiten Sie Extraktion, Klassifizierung und die Schritte mit hohem Volumen an etwas wie GPT-6 Luna zu $0.10 und $0.50 pro Million Tokens. Die Routing-DSL existiert genau deshalb, damit diese Aufteilung in einer Konfiguration statt im Anwendungscode leben kann, und automatisches Failover bedeutet, dass ein Evaluationslauf nicht auf halber Strecke abbricht, weil ein Upstream einen schlechten Nachmittag hatte.

Was zu sehen

Zwei Dinge würden daraus statt einer Anbieteranekdote ein Ergebnis machen. Erstens ein zweites Unternehmen, das seine eigene Übereinstimmungsrate nach einem anderen Bewertungsraster veröffentlicht – wenn 88,6 % eine Eigenschaft des Modells und nicht des Testrahmens von Terminal X sind, sollten ein Kreditdesk und ein Infrastrukturfonds im selben Bereich landen. Zweitens der namentliche Vergleich. Ein „zweitbestes Modell“ mit 86,4 % ist die Zahl, die alle hinterfragen wollen, und solange es keinen Namen hat, sind die 220 Basispunkte eine Aussage über eine Kategorie, kein Vergleich zwischen zwei Produkten.

Bis dahin ist die vertretbare Lesart eng und dennoch nützlich: In einem produktiven Investment-Workflow stimmte ein Modell der GPT-6.1-Klasse oft genug mit einem leitenden Prüfer überein, um den ersten Durchgang zu automatisieren, erkannte etwa ein Viertel mehr Mandatsdrift als der Vergleichsmaßstab, gegen den es gemessen wurde, und tat dies für etwa 30 % weniger pro Abfrage. Das ist ein guter Grund, einen eigenen Test durchzuführen. Es ist noch kein Grund, einen zu überspringen.