750 Token pro Sekunde, in begrenzter Vorschau

OpenAI und Cerebras kündigten den Ultrafast-Modus für GPT-5.6 Sol am 13. August 2026 an, mit bis zu 750 Ausgabe-Token pro Sekunde, bis zu 14-mal schneller als die Standardverarbeitung des Modells, laut OpenAIs eigener Ankündigung der Vorschau. Die Stufe steht derzeit nur einer ausgewählten Kundengruppe zur Verfügung, während OpenAI prüft, wie sich das zusätzliche Tempo auf reale Produkte auswirkt; andere Unternehmen können sich über eine Warteliste anmelden, indem sie ihre Workload-Details einreichen. OpenAI-Forscher Jeffrey Wang beschrieb die praktische Wirkung in den eigenen Materialien des Unternehmens: 'Es ist jetzt fertig, bevor ich überhaupt die Gelegenheit habe, den Kontext zu wechseln. Das macht mich deutlich produktiver.'

OpenAI nennt Sprachschnittstellen, Kundensupport, Handel, Entwickler-Agenten, Finanzrecherche und Reaktionen auf Sicherheitsvorfälle als vorgesehene Anwendungsfälle und gibt an, eigene Entwickler hätten die Vorschau genutzt, um Protokolle und Spuren während Vorfällen zu analysieren und Forschungszyklen, die früher über Nacht liefen, in mehrere Durchläufe innerhalb eines einzigen Arbeitstages zu verdichten. GPT-5.6 Sol selbst startete im Juni 2026 zusammen mit den Varianten Terra (ausgewogen) und Luna (geschwindigkeitsfokussiert) und wurde im Juli breit über ChatGPT, Codex und die API verfügbar.

Der Chip dahinter stammt nicht von Nvidia

Der Geschwindigkeitsgewinn stammt aus Cerebras' Wafer-Scale Engine, die die vollständigen Gewichte eines Modells direkt auf dem Chip vorhält, verteilt auf 44 Gigabyte SRAM in jedem waferskaligen Prozessor, laut Cerebras' eigenem Blogbeitrag zur Partnerschaft. Das beseitigt die wiederholten Transfers zwischen Speicher und Recheneinheit, die auf herkömmlichen GPU-Clustern Latenz erzeugen, und lässt Token ununterbrochen durch pipelineartig angeordnete Modellschichten fließen, die sich über mehrere Wafer verteilen - ein Design, das laut Cerebras' eigener technischer Beschreibung mit wachsenden Modellen mitskalieren soll.

Cerebras positioniert diese Architektur seit Jahren als schnellere, wenn auch weniger flexible Alternative zu Nvidias GPU-Clustern für Inferenz-Workloads, doch die bislang öffentlichkeitswirksamsten Partnerschaften des Unternehmens betrafen eher kleinere oder mittelgroße Labore als den größten Einzelabnehmer von Nvidia-Kapazität der gesamten Branche. OpenAIs eigene Infrastrukturverpflichtungen gegenüber Nvidia belaufen sich auf Hunderte Milliarden Dollar, eine Beziehung, über die dieses Medium bereits ausführlich berichtet hat, was die Entscheidung, selbst eine begrenzte Vorschaustufe über eine konkurrierende Chip-Architektur laufen zu lassen, zu einem bemerkenswerten Datenpunkt macht und nicht zu gewöhnlicher Anbieterdiversifizierung.

Was die Geschwindigkeit tatsächlich bringt

Bei GDP-Val, einem Benchmark rund um wirtschaftlich wertvolle Arbeitsaufgaben, berichtet OpenAI von einer Ende-zu-Ende-Beschleunigung um das 5,6-Fache ohne gemessenen Qualitätsverlust. Bei Humanity's Last Exam, einem Test mit 2.500 Fragen auf Doktoratsniveau, schloss GPT-5.6 Sol Ultrafast den vollständigen Satz in 11 Stunden und 11 Minuten ab, gegenüber 78 Stunden und 27 Minuten bei Claude Fable 5, laut Cerebras' eigenem veröffentlichtem Vergleich - auf diesem konkreten Benchmark rund siebenmal schneller, neben Cerebras' separaten Durchsatzangaben von elffach gegenüber Claude Fable 5 und fünffach gegenüber dem schnellen Modus von Claude Opus 4.8.

Nichts davon macht GPT-5.6 Sol zu einem klügeren Modell. Es ist dasselbe Modell, das auf dieselbe Weise antwortet, nur schneller - was speziell für Workloads zählt, bei denen die Latenz selbst der Engpass ist und nicht die Qualität des Denkens: ein Support-Agent, auf den ein Kunde nicht warten will, eine Sicherheitsreaktion, die mitten in einem aktiven Vorfall erfolgen muss, oder ein Finanzmodell, das mehrere Szenarien durchrechnen muss, bevor der Markt schließt.

Eine Absicherung gegen Nvidia, selbst für OpenAI

Die praktische Lehre daraus ist nicht, dass Cerebras Nvidia in einem Benchmark geschlagen hat. Sie ist, dass das Unternehmen, das finanziell am stärksten mit Nvidias KI-Ausbau verflochten ist, dennoch einen geschäftlichen Grund hatte, seine latenzkritischste Produktstufe auf einer anderen Chip-Architektur laufen zu lassen, weil die Physik, Gewichte direkt auf dem Chip zu halten, die Physik schlägt, sie über ein GPU-Cluster zu bewegen - für genau diese Aufgabe. Jedes europäische Unternehmen, das eine langfristige KI-Infrastrukturstrategie auf einen einzigen Recheninfrastruktur-Anbieter aufbaut, so dominant dieser Anbieter heute auch wirken mag, sollte dies als Beleg dafür werten, dass selbst die größten Kunden absichern, wenn ein bestimmter Workload es verlangt.

Dies ist eine begrenzte Vorschau ohne veröffentlichte Preise, keine allgemeine Produktentscheidung, auf die Unternehmen sofort reagieren müssten. Der sinnvolle Schritt besteht nicht darin, aufgrund einer einzelnen Ankündigung den Anbieter zu wechseln, sondern sie als Datenpunkt zu vermerken: Prüfen Sie, welche der eigenen Workloads tatsächlich latenzgebunden statt denkgebunden sind, denn genau bei diesen kann sich eine zweite Infrastrukturoption - nicht nur ein zweiter Cloud-Vertrag - irgendwann trotz zusätzlicher Komplexität lohnen.

Weiterlesen: AMD gab die halbe Inferenz an einen Rivalen ab  |  Frontier-KI zu mieten ist jetzt Wahl, kein Muss