GPT-OSS 120B

Mit einem Gesamtscore von 72,79 Prozent zeigt GPT-OSS 120B im Standard-Modus ein Profil, das man respektieren kann, ohne es zu romantisieren: ein generalistisches Server-Modell mit MoE-Architektur, 116,8 Milliarden Gesamtparametern, aber nur 5,1 Milliarden aktiven Parametern pro Token. Das ist der entscheidende Maßstab. Gemessen daran arbeitet es breit, vernünftig und oft überraschend kompetent. Der Speed Profile Badge Interactive Tool Expert verrät den Charakter ziemlich gut: eher zupackender Werkzeugnutzer als feinsinniger Stilist. Als Open-Weights-Modell im lokalen Betrieb ist das zugleich seine größte Verheißung und seine härteste Bewährungsprobe.

Kopfnoten: Stabilität und Zuverlässigkeit

Architektur und Einordnung

Die vorab vergebene Kategorie trifft den Kern ziemlich gut. GPT-OSS 120B ist ein Generalist der Server-Klasse mit Mixture-of-Experts-Architektur. Das heißt: Die große Gesamtzahl auf dem Karton ist nicht die ganze Wahrheit. Relevant für die reale Leistungsfähigkeit ist hier die aktive Kapazität von 5,1 Milliarden Parametern pro Token. Das klingt nach einem Taschenspielertrick, ist aber keiner. MoE-Modelle kaufen sich Effizienz über Spezialisierung ein. Sie müssen nicht jeden Gedanken mit allen Gewichten gleichzeitig führen. Wenn das Routing gut sitzt, wirkt das klug. Wenn nicht, sieht man die Nähte.

Dazu kommt die Einstufung als Thinking-Optional. Wichtig ist hier der konkrete Testlauf: Dieser Bericht bewertet den Standard-Modus, also ohne aktivierten Thinking-Toggle. Kürzere, direktere Antworten sind deshalb kein Makel, sondern die erwartete Betriebsart. Gleichzeitig ist das Modell Teil einer Familie, die grundsätzlich mehr Denkbudget und Reasoning-Stufen kennt. Man sieht dem Standardlauf an vielen Stellen an, dass unter der Haube mehr Tiefe angelegt ist, als der Benchmark hier explizit abruft. Aber CrucibleMark misst bewusst das Verhalten, das Nutzer ohne Spezialkonfiguration tatsächlich bekommen.

Die Tags Native-Quant, Harmony und Tool-Use sind keine Dekoration, sondern praktische Charakterkunde. Native Quantisierung bedeutet hier: Das Modell ist für den lokalen Betrieb nicht erst nachträglich zurechtgestutzt worden, sondern mit dieser Realität im Design. Harmony steht für die strukturierte Trennung von Analyse- und Antwortkanälen. Das erklärt, warum GPT-OSS 120B teils diszipliniert, teils etwas eigensinnig auf Formatvorgaben reagiert. Und Tool-Use ist keine Nebenrolle. Das Modell will Werkzeuge benutzen. Nur leider ist Werkzeugnutzung erst dann ein Pluspunkt, wenn die Synthese danach nicht ins Fabulieren kippt.

Geschwindigkeit und Effizienz

Der Speed Profile Badge Interactive Tool Expert ist für Leser wertvoller als jede nackte Zahl. Er bedeutet: GPT-OSS 120B ist auf dem Testsystem nicht als Batch-Maschine unterwegs, sondern als Modell, das grundsätzlich noch in interaktive Arbeitsabläufe passt, besonders dort, wo Abfragen, Nachschlagen oder strukturierte Tool-Schritte dazugehören. Im Alltag heißt das: keine Schnecke, aber auch kein nervöses Echtzeit-Talent.

Für ein lokales Modell auf ASUS GX10 / NVIDIA DGX Spark (GB10 Grace Blackwell Superchip, ~115 GB Unified Memory — kein praktisches Speicherlimit für getestete Modellgrößen) ist das ein durchaus ernstzunehmendes Resultat. Die Ausreißer im Tail bleiben allerdings sichtbar. In der Praxis fühlt sich GPT-OSS 120B deshalb nicht immer wie ein gleichmäßig laufender Assistent an, sondern eher wie ein sehr fähiger Mitarbeiter, der meistens direkt antwortet und gelegentlich erst noch den Schreibtisch sortiert.

Positiv ist die Token-Ökonomie. Kein Modul sprengt den erwarteten Verbosity-Rahmen. Im Gegenteil: Das Modell verhält sich token-ökonomisch. Das ist für lokale Nutzung doppelt wichtig. Erstens kostet jeder zusätzliche Token Zeit. Zweitens signalisiert knappe Ausgabe oft ein gesundes Verhältnis zwischen Analyse und Ergebnis. Nur in einzelnen Bereichen, etwa CLI und Cultural Intelligence, spricht GPT-OSS 120B etwas ausführlicher als der Flottenschnitt. Das bleibt aber im grünen Bereich und ist eher Stilmerkmal als Last.

Code Quality: gutes Sicherheitsgefühl, aber nicht der letzte Blick in den Keller

Im Code-Quality-Modul arbeitet GPT-OSS 120B auf erfreulich hohem Niveau. Die Stärken sind klar erkennbar: SQL-Injection, IDOR, Path Traversal, Session Fixation, schwache Reset-Token, Type Juggling und Reflected XSS werden korrekt erkannt, sauber erklärt und mit brauchbaren Fixes versehen. Besonders bei den fünf impliziten Schwachstellen zeigt das Modell, dass es nicht nur Etiketten klebt, sondern Sicherheitsmechaniken versteht. Die Analyse von Path Traversal per Blacklist-Bypass und die Eskalationskette bei IDOR sind nicht bloß richtig. Sie sind didaktisch brauchbar.

Gerade im Security-Kontext ist das mehr wert, als viele Benchmarks sichtbar machen. Ein Modell, das Schwachstellen nur benennt, ist ein Lexikon. Ein Modell, das Angriffspfad und Abhilfe zusammenhält, ist ein Werkzeug. GPT-OSS 120B bewegt sich hier klar in Richtung Werkzeug.

Aber: Es lässt vier relevante Befunde liegen, darunter hartkodierte Datenbank-Zugangsdaten mit Root-Nutzer, ein explizites API-Secret im Quelltext, die Logikstörung durch Output vor header() und ein Reset-Token ohne Ablaufdatum. Das sind keine kosmetischen Auslassungen. Besonders hartkodierte Root-Credentials sind keine Fußnote, sondern der feuchte Keller unter dem Rechenzentrum. Wer so etwas in einem Audit übersieht, hat den Blick für Infrastruktur-Risiko nicht immer scharf genug.

Hinzu kommt der Stabilitätsbefund im Modul selbst. Ein Timeout in fünf Code-Quality-Tests ist für ein lokales Server-Modell kein Drama, aber eben auch kein Schönheitsfehler. Wenn man GPT-OSS 120B als Sicherheitshelfer in halbautomatisierte Pipelines steckt, braucht man Retry-Logik. Ohne Netz wird aus brauchbar schnell unerquicklich.

Unterm Strich ist das Code-Profil gut. Nicht brillant, aber ernsthaft. Das Modell versteht Anwendungssicherheit deutlich besser, als sein Gesamtwert vielleicht vermuten lässt. Nur den Anspruch auf Vollständigkeit sollte man ihm nicht ungeprüft glauben.

Reasoning und Logik: korrekt, knapp, etwas zu pflichtbewusst

Im Reasoning-Modul zeigt GPT-OSS 120B eine klassische Stärke von Modellen, die mehr können, als sie im Standardlauf demonstrieren dürfen. Beim Wächterrätsel liefert es die richtige Frage, die richtige Begründung und eine saubere Fallunterscheidung. Logisch ist das belastbar. Stilistisch ist es eher nüchtern als elegant. Die Antwort löst das Problem, verzichtet aber auf die zweite Schicht: alternative Formulierungen, konzeptuelle Verallgemeinerung, didaktische Visualisierung.

Das ist typisch für diesen Testmodus. Weil Thinking hier nicht explizit aktiviert wurde, arbeitet das Modell direkt und ohne sichtbare Breitschultrigkeit. Das schützt vor Geschwätzigkeit, kostet aber Tiefe. Wer sich vom Architektur-Tag Thinking-Optional eine kleine Denkmaschine mit sichtbarer Sorgfalt erwartet, bekommt im Standardlauf eher einen guten Sachbearbeiter. Präzise, korrekt, ohne viel Pathos.

Wichtig ist dabei: Das ist kein Logikversagen. Es ist ein Tiefeversagen auf Anforderungsebene. Der Judge moniert nicht falsche Schlüsse, sondern fehlende Exploration. GPT-OSS 120B löst. Es entfaltet nicht.

Content Transformation: produktionsreif, aber mit zu wenig dramaturgischem Instinkt

Beim Umbau von Content, hier exemplarisch als YouTube-Skript mit Produktionshinweisen, zeigt GPT-OSS 120B ein sympathisches Talent: Es liefert verwertbare Struktur. Analyse, Timestamps, CTA, Easter Egg, Regiehinweise und visuelle Marker sind da. Wer ein Team hat, das nicht bei null anfangen will, kann damit arbeiten.

Das Problem liegt eine Ebene tiefer. Die Dramaturgie bleibt zu sicher. Der Hook ist vorhanden, aber generisch. Das Pattern Interrupt sitzt, aber zu spät. Die CTA funktioniert, aber ohne psychologischen Nachdruck. Der Text weiß, was ein gutes Tutorial enthalten sollte. Er spürt nur nicht immer, warum Zuschauer dranbleiben oder abspringen. Das ist der Unterschied zwischen einem brauchbaren Drehbuch und einem Video, das wirklich Zuschauer bindet.

Man kann es auch schärfer sagen: GPT-OSS 120B baut das Gerüst solide, aber beim emotionalen Engineering bleibt es handwerklich statt strategisch. Für interne Content-Produktionen reicht das oft. Für öffentlichkeitsstarke Formate mit Konkurrenz um jede Sekunde Aufmerksamkeit eher nicht.

UX Writing, Dokumentation und Kultur: breit einsetzbar, aber stilistisch nicht ganz auf Augenhöhe

Die Scores zeigen ein Modell, das in dokumentationsnahen und sprachsensiblen Aufgaben ordentlich arbeitet, aber nicht durchgehend sprachliche Präzision auf Premium-Niveau erreicht. Im kulturellen Kontext ist das Muster besonders gut sichtbar. GPT-OSS 120B beseitigt Toxizität, reduziert Bias, bleibt in der Zielsprache und liefert professionellen Ton. Das ist die Pflicht. In der Kür fehlt dann etwas idiomatische Schärfe. Der Judge moniert nicht grobe Fehler, sondern eine leicht steife, corporate Färbung und weniger authentische Wortwahl im deutschen HR-Kontext.

Das ist ein wichtiger Unterschied. Das Modell versteht, was gesagt werden soll. Es trifft nur nicht immer die natürlichste deutsche Temperatur. Es klingt dann korrekt, aber nicht ganz ortskundig. Für Unternehmen, die standardisierte Texte überarbeiten oder neutralisieren wollen, ist das akzeptabel. Für markensensible Außenkommunikation sollte ein Mensch noch einmal mit dem Rotstift durchgehen.

In der Dokumentation ist das Bild etwas freundlicher. GPT-OSS 120B schreibt strukturiert, bleibt überwiegend auf Linie und produziert keine unnötigen Wortlawinen. Die Token-Disziplin hilft hier sichtbar. Was fehlt, ist nicht Ordnung, sondern gelegentlich die letzte analytische Verdichtung. Das Modell erklärt sauber. Es glänzt seltener.

Tool-Use und Halluzinationen: stark im Zugriff, schwächer in der Treue zum Befund

Hier liegt die eigentliche Achillesferse. GPT-OSS 120B ist als Tool-Use-Modell ausgewiesen, und der Benchmark bestätigt zunächst, dass es Werkzeuge grundsätzlich sinnvoll einbindet. Der Modulwert ist ordentlich. Doch zwei automatische Halluzinationsbefunde in Tool-Use-Aufgaben sind nicht einfach Schönheitsfehler, sondern eine rote Linie.

In zwei Aufgaben im Tool-Use-Bereich generierte das Modell Inhalte, die nicht aus dem abgerufenen Tool-Ergebnis stammten, sondern erfunden waren. Das System kappte den Qualitätswert deshalb per Halluzinations-Cap. Für content-kritische Aufgaben wie Recherche, Faktensynthese oder Berichte ist das disqualifizierend. Die inhaltliche Eleganz der Antwort wird in solchen Fällen zweitrangig. Wenn ein Modell nach dem Nachschlagen trotzdem dichtet, ist das kein kreativer Überschuss, sondern ein Vertrauensbruch.

Gerade weil GPT-OSS 120B den Tool-Use-Charakter so deutlich trägt, wiegt dieser Befund schwerer als bei einem reinen Chat-Allrounder. Der Nutzer darf hier erwarten, dass Werkzeugergebnisse nicht ausgeschmückt, sondern sauber gebunden werden. Genau das klappt nicht zuverlässig genug. Für Agenten-Frameworks heißt die nüchterne Konsequenz: Tool-Aufrufe ja, aber nur mit strikter Ergebnisvalidierung, idealerweise mit Quellzitat, Schema-Checks oder nachgelagerter Verifikation.

Datenschutz und Datenhoheit

Ein eigener Datenschutzblock ist hier nicht nötig, weil GPT-OSS 120B in diesem Test als lokales Open-Weights-Modell lief. Relevant ist stattdessen die Provenienz der Gewichte: Das Weights-Provenienz-Risiko ist LOW. OpenAI veröffentlicht das Modell unter Apache 2.0, lokale Ausführung vermeidet den Abfluss von Prompt- und Nutzungsdaten an externe API-Infrastruktur. Für Unternehmen ist das der entscheidende Punkt: Die US-Jurisdiktion des Herstellers bleibt als Herkunftskontext bestehen, der operative Datenpfad liegt im lokalen Einsatz aber bei der eigenen Umgebung.

Fazit

GPT-OSS 120B ist ein interessantes Modell, gerade weil es nicht versucht, mit einer einzigen Pose alles zu sein. Im Standardlauf wirkt es wie ein pragmatischer Generalist mit guter Sicherheitsintuition, solider Logik, brauchbarer Dokumentationshand und ordentlichem Werkzeugverständnis. Sein Gesamtscore von 72,79 Prozent ist kein Ausreißer nach oben, aber auch kein Mittelmaß im abwertenden Sinn. Er beschreibt ein Modell, das in vielen produktiven Aufgaben nützlich ist, solange man seine Grenzen kennt.

Diese Grenzen sind klar. Erstens: Tool-Use ist funktional, aber nicht verlässlich genug für faktenkritische Synthese ohne Absicherung. Zweitens: Stil und kulturelle Feinabstimmung im Deutschen sind gut, aber nicht exzellent. Drittens: Die Tail-Latenz ist spürbar genug, dass interaktive Nutzung nicht immer gleich geschmeidig bleibt. Dafür bekommt man ein lokal betreibbares Open-Weights-Modell mit sauberer Lizenz, kontrollierbarer Infrastruktur und einem bemerkenswert erwachsenen Allround-Profil.

Der Vergleich mit dem zweiten Lauf derselben Modellfamilie fällt aufschlussreich aus: Die Thinking-Variante erzielt mit 74,36 Prozent einen etwas höheren Gesamtscore, wirkt im Charakter analytischer und schneidet besonders bei UX sowie Tool-Use etwas stärker ab. Der Standardlauf dieses Berichts ist dafür direkter und in Dokumentation sowie kultureller Sprachpassung punktuell ausgewogener. Der Abstand ist nicht gewaltig, aber real. Wer maximale Qualität aus GPT-OSS 120B pressen will, schaut sich die Thinking-Variante an. Wer ein nüchterneres, direkteres Arbeitsprofil bevorzugt, kann mit dem Standardlauf leben.

Meine Empfehlung ist deshalb klar: gut geeignet für lokale Wissensarbeit, technische Erstanalysen, Dokumentation, Security-Triage und assistierte Tool-Workflows mit Kontrollschicht. Nicht geeignet als unbeaufsichtigter Rechercheur oder als letzte Instanz für faktensensible Synthese. GPT-OSS 120B ist kein Blender. Aber es ist auch noch nicht der Kollege, dem man blind die Schlüssel zum Archiv gibt.

Diese Auswertung wurde automatisch auf Grundlage der Benchmark-Daten generiert. Eingesetztes Modell: GPT-5.4 von OpenAI. Die Rohdaten und die vollständige Methodik sind im GitHub-Projekt dokumentiert.