OpenAI steckt 80 bis 90 Prozent seiner Forschung in GPT-7, GPT-8 und spätere Modelle. Der Leiter der angewandten Forschung, Boris Power, hat beim Fellows Forum 2026 erklärt, wie das Unternehmen neue Modellgenerationen entwickelt und aktuelle Versionen verbessert.
GPT-7 und GPT-8 haben Vorrang
Die großen Sprünge erwartet OpenAI von neuen Grundmodellen. »Power« unterschied sie deutlich von kleineren Updates innerhalb einer Modellgeneration. Versionen wie GPT-5.2 oder GPT-5.3 entstehen durch zusätzliche Trainingsdaten, mit denen OpenAI einzelne Fähigkeiten gezielt verbessert.
Ein Beispiel ist Tool Calling. Dabei entscheidet ein Modell, wann es etwa eine Suchfunktion, eine Datenbank oder ein anderes Programm benötigt. Anschließend muss es den passenden Aufruf erstellen und das Ergebnis richtig weiterverarbeiten. Funktioniert das noch nicht zuverlässig, trainiert OpenAI dieses Verhalten mit menschlich erstellten Beispielen, synthetischen Daten und Reinforcement Learning.
Beim Wechsel von GPT-5 zu GPT-6 baut OpenAI dagegen ein größeres und insgesamt fähigeres Modell. Dadurch können Aufgaben plötzlich funktionieren, für die zuvor noch eigenes Zusatztraining nötig war. Die zuständigen Teams suchen anschließend nach den neuen Schwächen, die sie bis zur nächsten Modellgeneration beheben können.
Anzeige
Astra bringt Luna seine Fähigkeiten bei
Ein großes Modell dient OpenAI zugleich als Lehrer für kleinere Varianten. »Power« nannte GPT-6 Astra als Ausgangspunkt für GPT-6 Luna. Astra erzeugt Wissen und Lösungswege, mit denen sich das kleinere und günstigere Modell trainieren lässt.
Besonders viel Forschung fließt außerdem in Programmierung und automatisierte Forschung. OpenAI setzt KI-Agenten bereits ein, um Code zu schreiben und mehr Experimente durchzuführen. Das Unternehmen will damit die Entwicklung kommender Modelle beschleunigen.
Auch für andere Anbieter sieht »Power« weiterhin Platz. OpenAI will eigene Produkte entwickeln und gleichzeitig die technische Grundlage für Anwendungen anderer Firmen liefern. Start-ups sollten deshalb Probleme wählen, bei denen jede bessere Modellgeneration ihr Produkt wertvoller macht.
