GPT-4o

LLM Model Review

· General · Instruct

Mit einem Gesamtscore von 69,43 % zeigt gpt-4o sehr klar, was ein modernes Generalist-Instruct-Modell in der Cloud leisten soll: schnell reagieren, breit einsetzbar sein, selten ausufern. Der Speed-Profile-Badge „Real-Time DevOps Expert“ passt dazu erstaunlich gut. Dieses Modell arbeitet mit der Direktheit eines guten Betriebshelfers, nicht mit der Gründlichkeit eines pedantischen Gutachters. Als kommerzielles Cloud-Modell, kuratiert als Generalist, in der Frontier-Klasse und mit dichter Dense-Architektur, muss es sich allerdings am oberen Anspruch messen lassen. Sovereign Risk: MEDIUM — OpenAI unterliegt als US-Anbieter dem CLOUD Act; verarbeitet wird in den USA, auch wenn für EU-Kunden DPA und SCCs verfügbar sind.

Kopfnoten: Stabilität und Zuverlässigkeit

Die gute Nachricht zuerst: gpt-4o ist in der Praxis schnell. Das Leaderboard weist 109.63 Tokens/s aus, die durchschnittliche Task-Dauer liegt bei 4.61 Sekunden, und selbst die langen Ausreißer bleiben mit einer P95-Antwortzeit von 9.78 Sekunden erstaunlich zahm. Genau das meint der Badge „Real-Time DevOps Expert“ im Alltag: ein Modell, das nicht erst lange räuspert, sondern in interaktiven Workflows sofort liefert. Für Chat-Oberflächen, Assistenzfunktionen, Ticket-Kommentare, Erstentwürfe und operative Hilfestellung ist das bares Geld und echte Nervenersparnis.

Weniger schön ist die andere Kopfnote, und sie ist keine Kleinigkeit: In 27 Aufgaben lehnte das Modell beziehungsweise der Endpunkt das ursprünglich angeforderte Token-Limit ab. Das System musste wiederholt auf einen 4096-Token-Fallback zurückschalten. Das ist kein Timeout und kein Absturz. Es ist aber ein handfester Hinweis darauf, dass gpt-4o trotz nominell großem 128K-Kontextfenster im Benchmark nicht ungerührt mit großzügigen Token-Anfragen umgeht. Für Agenten-Frameworks und längere Analyseketten ist das relevant. Ein Modell darf schnell sein. Es sollte dabei nur nicht nervös werden, sobald man ihm mehr Kontext auf den Tisch legt.

Architektur-Charakter: schnell, gehorsam, manchmal zu kurz angebunden

Die Vorab-Klassifikation General, Instruct trifft den Kern ziemlich präzise. Als Generalist muss gpt-4o auf voller Breite überzeugen, nicht nur in einer Spezialdisziplin. Als Instruct-Modell ist zu erwarten, dass es Anweisungen direkt befolgt, kompakt bleibt und nicht jedes Problem in einen Roman verwandelt. Genau dieses Profil sieht man im Test fast überall.

Das Modell formuliert knapp, meist sauber und mit erkennbarer Priorität auf unmittelbare Nutzbarkeit. In den Token-Daten ist das kein Zufall, sondern ein konsistentes Muster: kein Modul überschreitet den erwarteten Verbosity-Rahmen. Im Gegenteil. Bei Content Transformation liegt gpt-4o bei 1318 Tokens gegenüber einem Fleet-Median von 1498, bei Documentation Quality bei 1826 statt 2253, bei Cultural Intelligence bei 176 statt 225, beim UX Writing bei 1147 statt 1247. Selbst im Reasoning-Bereich bleibt es mit 617 Tokens unter dem Median von 883. Das Modell verhält sich also token-ökonomisch. Für ein kommerzielles Cloud-Modell ist das keine Nebensache, sondern Teil des Produkts.

Der Preis dafür ist sichtbar. gpt-4o spart selten an der falschen Stelle, aber oft an der letzten Schicht Tiefgang. Das Modell ist nicht flach. Es ist nur auffällig oft einen halben Gedankengang früher fertig als die stärksten Konkurrenten. Man merkt, dass hier ein System gebaut wurde, das im Zweifel lieber jetzt antwortet als später glänzt.

Code Quality und Security: brauchbar, praxisnah, aber ohne die letzte Schärfe

Im Modul Code Quality landet gpt-4o bei 70.1. Das ist kein Ausfall. Es ist aber für ein Frontier-Modell auch kein Freispruch. Die qualitativen Protokolle zeigen ein Modell, das Sicherheitslücken zuverlässig erkennt, sauber auf Deutsch erklärt und meist brauchbare Fixes liefert. Im konkreten Audit wurden 15 von 19 relevanten Schwachstellen erfasst. Das ist solide Abdeckung, nur eben nicht vollständig.

Besonders aufschlussreich ist, was fehlt. Nicht erkannt oder nicht sauber in der Haupttabelle verankert wurden unter anderem ein hart kodiertes API-Secret, hart kodierte Datenbank-Credentials beziehungsweise Root ohne Passwort, ein Reset-Token ohne Ablaufzeit und eine Header-Injection nach Output. Das sind keine dekorativen Randnotizen. Das sind genau die Lücken, aus denen im echten Leben Incident-Reports entstehen. gpt-4o diagnostiziert viele Probleme richtig, denkt sie aber nicht immer bis zur letzten unbequemen Konsequenz durch.

Positiv fällt auf, dass die Fixes oft konkret und sofort umsetzbar sind. Das Modell schreibt keine wolkigen „Best Practices“, sondern zeigt Code, benennt Gegenmaßnahmen und bleibt technisch zugänglich. Weniger überzeugend ist die Einordnungstiefe. Der Judge bemängelt fehlende Angriffsketten, schwächere Exploit-Erklärungen und eine teils unsaubere Kategorisierung von Advanced- und Expert-Lücken. Anders gesagt: gpt-4o findet das Leck, erklärt den Reparaturweg, aber zeichnet nicht immer nach, wie ein Angreifer daraus eine Kaskade macht. Für Entwickler im Tagesgeschäft reicht das oft. Für Security-Reviews auf hohem Niveau nicht immer.

In allen fünf Code-Quality-Aufgaben wurde zudem das initiale Token-Limit abgelehnt und auf 4096 Tokens zurückgefallen. Gerade in Security-Audits ist das unerquicklich, weil diese Aufgaben von Natur aus lange Tabellen, strukturierte Begründungen und differenzierte Fixes verlangen. Ein Modell, das hier früh in den kleineren Gang schaltet, begrenzt seine eigene Reichweite.

CLI und operative Präzision: schnell genug, aber nicht unfehlbar

Der CLI-Benchmark steht bei 81.68 und gehört damit zu den stärkeren Bereichen des Modells. Das passt zur Echtzeit-Signatur: gpt-4o ist schnell, direkt und meist ausreichend präzise, um in operativen Workflows nützlich zu sein. Gerade für Shell-nahe Assistenz, Befehlsvorschläge, Kurzanalysen und pragmatische Workflow-Hilfe ist das ein guter Fit.

Aber auch hier zieht sich die gleiche Warnspur durch den Test: In sechs CLI-Aufgaben wurde das angeforderte Token-Limit nicht akzeptiert und auf 4096 Tokens reduziert. Für kurze One-Liner ist das egal. Für mehrstufige Diagnosen, abgesicherte Migrationsbefehle oder komplexe DevOps-Erklärungen ist es ein strukturelles Risiko. gpt-4o wirkt in der Konsole wie ein Kollege, der sehr schnell antwortet, aber die Luft anhält, sobald das Ticket länger wird.

Logik und Reasoning: korrekt, kompakt, nicht verliebt in den eigenen Verstand

Beim Logical Reasoning erzielt gpt-4o 66.04. Das ist der Bereich, in dem seine Instruct-Natur am deutlichsten sichtbar wird. Das Modell löst klassische Logikaufgaben oft korrekt, erklärt sauber und verschwendet keine Zeit an Nebengleise. Im Metakognitions-Protokoll zur Wächter-und-Türen-Aufgabe liefert es die richtige Lösung, verwendet die geforderten <thought>-Tags, bleibt logisch konsistent und führt beide Fälle korrekt durch. Inhaltlich ist das gut.

Trotzdem bleibt das Urteil gedämpft. Warum? Weil das Modell die Aufgabe meist löst, ohne daraus mehr Erkenntnis zu ziehen als nötig. Die Golden-Standard-Antwort bietet visuelle Tabellen, alternative Formulierungen, eine generalisierte Regel und didaktische Robustheit. gpt-4o liefert dagegen den Kern und geht dann weiter. Das ist effizient. Es ist aber auch der Unterschied zwischen „richtig“ und „souverän“.

Auch hier trat die Token-Limit-Ablehnung breit auf: bei der Flussquerungsaufgabe, bei allen reasoning_5a bis 5e und bei allen fünf reasoning_metacog-Tests. Das ist im Reasoning-Bereich besonders unerquicklich, weil genau dort längerer Denkraum kein Luxus, sondern Rohstoff ist. Die qualitative Leistung wirkt dadurch nicht kaputt, aber spürbar eingezäunt.

Content Transformation: stark in Adaption, schwächer in Inszenierung

Mit 78.3 gehört Content Transformation & Adaption zu den besten Modulen des Modells. Das ist verdient. gpt-4o kann Texte umschreiben, Tonalitäten entschärfen, Sprache sauber umformen und in neue Formate übertragen, ohne dabei grob danebenzuliegen. In den vorliegenden Beispielen gelingt etwa die toxische Stellenanzeige-Überarbeitung ordentlich: genderneutral, professionell, regelkonform, ohne unnötige Erklärtexte. Nur eben etwas glatter als die beste Lösung.

Der Unterschied zur Spitzengruppe liegt in der sprachlichen Energie. Der Judge bemängelt, dass Formulierungen wie „Tatkraft und Leidenschaft“, „Eigeninitiative“ oder ein wärmeres, einladenderes Schlussbild fehlen. Das ist keine Petitesse. Gerade bei Transformationen zählt nicht nur, ob ein Text entschärft wurde, sondern ob seine ursprüngliche Zugkraft in zivilisierter Form erhalten bleibt. gpt-4o ist hier kompetent, aber etwas vorsichtig. Es entfernt Reibung oft besser, als es Wirkung neu baut.

Das zeigt sich noch deutlicher im Videoskript-Beispiel. Strukturell liefert das Modell vieles, was verlangt wurde: Hook, Schritte, Troubleshooting, CTA, Easter Egg, deutsche Sprache. Aber die Ausführung bleibt auf halber Flughöhe. Der Hook ist generisch, die Taktung unrealistisch komprimiert, die Screen-Annotations zu grob, die Production-Cues eher Schablone als Regieanweisung. Besonders schwer wiegt die Timing-Kompression auf rund 1:45 Minuten für ein eigentlich fünfminütiges Tutorial. Der Judge nennt das zu Recht einen Produktionsfehler, nicht bloß eine Stilfrage. Ein Skript, das auf dem Papier flott wirkt, aber in der Aufnahme nicht funktioniert, ist im Medienalltag nur ein höflich formulierter Fehlversuch.

UX Writing: verständlich, aber zu oft etwas zu funktional

Im UX Writing kommt gpt-4o auf 62.55. Das ist einer der klareren Schwachpunkte. Für ein Instruct-Modell ist das fast ironisch, denn genau hier müsste die knappe, präzise Art eigentlich glänzen. Stattdessen zeigt sich, dass Kürze allein noch keine gute Mikrokommunikation macht.

Was fehlt, ist weniger Grammatik als Fingerspitzengefühl. gpt-4o formuliert oft korrekt, aber nicht immer mit jener psychologischen Präzision, die gute Benutzertexte auszeichnet. Ein exzellentes UX-Modell versteht nicht nur, was gesagt werden muss, sondern auch, wann ein Satz Sicherheit geben, Reibung abbauen oder Handlungsenergie aufbauen soll. gpt-4o schreibt häufig wie ein gutes internes Interface-Label. Nur der letzte Schliff für echte Nutzeroberflächen bleibt zu oft aus.

Documentation Quality: ordentlich strukturiert, aber für Frontier zu dünn

Documentation Quality ist mit 58.47 der deutlichste Warnwert im Profil. Für ein Frontier-Generalistenmodell ist das zu wenig. Hier rächt sich die Tendenz, lieber nützlich als umfassend zu sein. In Dokumentationsaufgaben zählt aber nicht nur, ob die Kernaussage stimmt. Es zählt Vollständigkeit, Hierarchie, Abdeckung von Randfällen, klare Leserführung und oft auch eine gewisse didaktische Geduld. Genau dort wird gpt-4o dünn.

Dass in allen fünf Documentation-Quality-Tests das ursprüngliche Token-Limit verworfen und auf 4096 Tokens reduziert wurde, ist in diesem Modul mehr als eine technische Fußnote. Dokumentation lebt von Raum. Wenn ein Modell bei breiteren Dokumentationsprompts früh auf Sparmodus wechselt, ist das kein kosmetischer Makel, sondern eine Einschränkung seines eigentlichen Nutzwerts. Für FAQ, Kurzbeschreibungen und erste Entwürfe reicht es. Für belastbare, längere Doku mit ernsthaftem Tiefgang sollte man Gegenlesen und oft auch Nachprompten einplanen.

Cultural Intelligence: überraschend sauber, nur nicht ganz modern bis zum Anschlag

Mit 75.0 liefert gpt-4o im Bereich Cultural Intelligence eine respektable Vorstellung. Das Modell trifft den professionellen Ton, arbeitet in sauberem Deutsch und entschärft problematische Formulierungen meist ohne den Text zu entkernen. Im vorliegenden Beispiel zur Stellenanzeige gelingt die Gender-Bias-Korrektur sauber über „Fachkraft“, die Ansprache mit „Sie“ bleibt konsistent, und die toxische Grundierung wird wirksam neutralisiert.

Der einzige kleine Haken ist fast typisch für das Modell: Es ist kulturell kompetent, aber nicht immer maximal nuanciert. Der Judge notiert als einzigen regelbasierten Fehlpunkt die inklusive Formatierung, konkret fehlende Varianten wie „in/mwd“. Das ist kein Totalschaden, aber ein Hinweis darauf, dass gpt-4o in sensiblen sprachlichen Modernisierungen solide arbeitet, ohne in jedem Detail den neuesten Standard instinktiv zu treffen.

Preis, Tempo, Effizienz: ein schnelles Cloud-Werkzeug mit vernünftigem Output-Fußabdruck

gpt-4o ist ein kommerzielles Cloud-Modell mit $2.5 pro 1 Million Input-Tokens und $10.0 pro 1 Million Output-Tokens. Der Benchmark weist $0.406 Kosten pro Lauf aus. Das ist nicht billig im absoluten Sinne, aber angesichts von 109.63 Tokens/s, einer durchschnittlichen Aufgabendauer von 4.61 Sekunden und insgesamt 40.6K Tokens für den gesamten Test ein stimmiges Leistungsprofil.

Wichtig ist dabei: Das Modell ist nicht nur schnell, sondern auch vergleichsweise diszipliniert im Textverbrauch. Kein Modul fällt durch übertriebene Verbosität auf. Für API-Nutzer ist das ein echter Vorteil. gpt-4o kostet Geld, aber es verbrennt es nicht durch unnötige Wortmassen. Der Haken liegt nicht in der Token-Ökonomie, sondern in der Kontext-Härte. Wer viele lange, strukturierte Antworten aus einem Guss erwartet, stößt schneller auf die Token-Limit-Kante als es das Marketingbild vermuten lässt.

Datenschutz und Datenhoheit

Für deutsche und europäische Unternehmen ist die Lage klar, aber nicht folgenlos. Der Provider ist OpenAI, L.L.C. mit Sitz in San Francisco, Kalifornien, USA. Es gilt US-Recht einschließlich CLOUD Act. Verarbeitet werden die API-Anfragen laut Provider Card in den USA, die Datenspeicherung beträgt 30 Tage. Ein GDPR DPA ist verfügbar, was den Einsatz für DSGVO-pflichtige Unternehmen organisatorisch erleichtert, das Grundproblem aber nicht aufhebt.

Das berechnete Sovereign Risk liegt bei MEDIUM. Die Begründung ist plausibel: OpenAI ist ein US-Unternehmen mit nicht öffentlichen Gewichten; ein staatlich erzwungenes Zugriffsmodell wie unter dem chinesischen NSL ist nicht bekannt, der CLOUD Act bleibt dennoch relevant. Für europäische Unternehmen heißt das nüchtern: Es gibt vertragliche Instrumente, aber auch ein strukturelles Drittland- und Zugriffsrisko nach Art. 44 ff. DSGVO. Wer mit sensiblen personenbezogenen oder geschäftskritischen Daten arbeitet, sollte das nicht als juristische Fußnote behandeln.

Fazit

gpt-4o ist ein schnelles, diszipliniertes und erstaunlich alltagstaugliches Cloud-Modell mit klar erkennbarem Charakter. Als Generalist in der Frontier-Klasse und mit Dense-Architektur liefert es breite Nutzbarkeit, saubere Sprachführung und starke Reaktionszeiten. Als Instruct-Modell tut es genau das, was man von dieser Kategorie erwartet: Es folgt Anweisungen ordentlich, bleibt kompakt und verliert sich selten im eigenen Redefluss. Die Kehrseite ist ebenso klar: In Documentation, UX und tieferem Reasoning fehlt oft die letzte Lage Präzision, Ausarbeitung und intellektuelle Reichweite. Dazu kommt der wiederholt sichtbare 4096-Token-Fallback in 27 Aufgaben. Das ist die eigentliche Kopfnote dieses Modells. Schnell ist gpt-4o ohne Zweifel. Unbegrenzt belastbar wirkt es deshalb noch lange nicht.

Für interaktive Assistenz, operative Entwicklerhilfe, schnelle Textadaption, Support-nahe Workflows und breite Generalisten-Aufgaben ist gpt-4o weiterhin ein gutes Werkzeug. Für lange Security-Audits, tiefere Dokumentation, komplexe Multi-Step-Reasoning-Aufgaben und Agenten-Pipelines mit großem Kontextdruck sollte man enger prompten, Outputs prüfen und den Endpunkt nicht für robuster halten, als er sich hier gezeigt hat. Über alle Tests hinweg keine nennenswerten Halluzinationen — gpt-4o erfindet lieber weniger, als sich mit großem Theater zu blamieren. Das ist ehrenwert. Nur ersetzt Vorsicht eben nicht immer Tiefe.

Diese Auswertung wurde automatisch auf Grundlage der Benchmark-Daten generiert. Eingesetztes Modell: GPT 4.5 von OpenAI. Die Rohdaten und die vollständige Methodik sind im GitHub-Projekt dokumentiert.