GPT-OSS 120B

Mit einem Gesamtscore von 74.8% tritt GPT-OSS 120B als erstaunlich drahtiger Generalist auf: ein Workstation-Modell mit MoE-Architektur, 116,8 Milliarden Gesamtparametern, aber nur rund 5,1 Milliarden aktiven Parametern pro Token, getestet als Cloud Open-Weights-Modell via Groq im Standardverhalten ohne Thinking-Toggle. Der Speed Profile Badge lautet „Real-Time Tool Expert“, und genau so wirkt das Modell auch: schnell, praktisch, oft treffsicher, aber nicht immer mit der letzten editorischen Eleganz oder dem letzten sicherheitskritischen Instinkt. Für ein Modell, das architektonisch sowohl Thinking als auch Thinking-Optional streift, ist wichtig: Der konkrete Lauf stand auf n/a, also ohne explizit schaltbaren Denkmodus im Benchmark. Sovereign Risk: HIGH — GPT-OSS 120B lief hier via Groq als US-naher Cloud-Dienst unter einer Jurisdiktionslage, in der US-Zugriffsrechte nach CLOUD Act für europäische Nutzer ein realer Compliance-Faktor bleiben.

Kopfnoten: Stabilität und Zuverlässigkeit

Diese Kopfnoten sind mehr als Kosmetik. GPT-OSS 120B ist ein Cloud Open-Weights-Modell via Groq, die Rechenlast liegt also vollständig in der Infrastruktur des Anbieters. Genau deshalb ist die gemessene Geschwindigkeit hier vor allem ein Befund über Groqs Cloud-Pipeline. Solche Tokenraten sind keine Eigenschaft, die man einfach aus der Modellfamilie ableitet, sondern ein Resultat des konkreten Endpunkts. Für Anwender zählt am Ende nur: Das Ding antwortet in diesem Setup fast ohne Zögern und ohne Wegkippen. Das ist im Jahr 2026 noch immer keine Selbstverständlichkeit.

Architektur und Charakter: Denken im Hintergrund, Direktheit im Vordergrund

Die Metadaten „Thinking, Thinking-Optional“ sind bei GPT-OSS 120B keine Nebensache. Sie erklären, warum das Modell in Logik- und Analyseaufgaben nicht wie ein bloßer Befehlsempfänger wirkt, obwohl der konkrete Testlauf kein aktiviertes Extended Thinking ausweist. CrucibleMark hat hier bewusst das Standardverhalten gemessen. Das ist methodisch sauber, weil es dem Alltag eines typischen API-Nutzers näherkommt als ein künstlich aufgepumpter Reasoning-Modus.

Interessant ist dabei die Schichtung: Als Generalist soll GPT-OSS 120B nicht nur in einem Spezialgebiet glänzen, sondern auf breiter Front bestehen. Als Workstation-Klasse darf man gehobene Leistung erwarten, aber keinen allmächtigen Frontier-Überhang. Und als MoE-Modell muss man die Erwartungen an den aktiven Parametern kalibrieren, nicht an der großen Zahl auf dem Karton. Rund 5,1 Milliarden aktive Parameter pro Token sind keine Titanenmasse, sondern eine Effizienzansage. Genau so liest sich auch das Benchmark-Profil: nicht majestätisch, sondern zweckmäßig schnell. Kein Bulldozer, eher ein sehr gut abgestimmtes Werkzeugset.

Performance-Profil: Warum „Real-Time Tool Expert“ hier keine Marketingfolie ist

Der Badge „Real-Time Tool Expert“ beschreibt den Kerncharakter erstaunlich präzise. GPT-OSS 120B fühlt sich im Benchmark nicht wie ein philosophierender Langstreckenläufer an, sondern wie ein Modell, das auf Werkzeugnähe, Reaktionsfreude und handfeste Ausführung getrimmt wurde. Die Generierungsgeschwindigkeit ist qualitativ sehr hoch. Da der Test über Groq lief, ist das zugleich ein Infrastruktururteil: Diese Cloud-Implementierung macht aus einem großen Open-Weights-Modell ein sehr direkt ansprechbares System.

Das ist gerade bei einer Architektur mit Thinking-Nähe bemerkenswert. Viele reasoning-lastige Modelle bezahlen ihre Gründlichkeit mit Trägheit. GPT-OSS 120B tut das in diesem Lauf nicht. Der Preis dafür ist allerdings sichtbar: In einigen Modulen ist die Antwort nicht schwach, aber eben funktional statt brillant. Es arbeitet mit Zug nach vorn. Feinarbeit überlässt es gelegentlich der Nachbearbeitung.

Reasoning und Logik: korrekt, klar, aber ohne den kleinen Glanz der Meisterklasse

Im Logical-Reasoning-Bereich liefert GPT-OSS 120B eine saubere Vorstellung. Das Guard-Rätsel etwa löst es korrekt, in gutem Deutsch, mit sauberer Fallunterscheidung und ohne logische Schieflage. Der Judge lobt zu Recht die Struktur: klare Fälle, richtige Schlusskette, keine unnötige Verwirrung. Das ist die Art von Antwort, mit der man arbeiten kann.

Was fehlt, ist nicht Intelligenz, sondern Darstellungsraffinesse. Der Goldstandard war visueller, systematischer, didaktisch einen Tick besser. Tabellen, explizite Benennung der Doppelinversion, zusätzliche Alternativformulierungen: Das alles macht aus einer richtigen Antwort noch keine bessere Logik, aber eine bessere Lehre. GPT-OSS 120B denkt richtig, erklärt ordentlich und stoppt dann. Das ist respektabel. Es ist nur eben nicht die Sorte Modell, die aus jedem korrekten Schluss gleich ein kleines Lehrstück baut.

Gerade im Licht der Architektur-Kategorie ist das ein interessanter Befund. Für ein Modell mit Thinking-DNA ist die Qualität des Denkens da. Was der Benchmark im Standardmodus sichtbar macht, ist eher eine gebremste Selbstausfaltung. Man bekommt Substanz ohne großes Bühnenbild. Das ist für viele Praxisfälle sogar die vernünftigere Wahl.

Code Quality und Security: stark im Audit, mit kleinen blinden Flecken an den Rändern

Die stärkste fachliche Visitenkarte von GPT-OSS 120B liegt im Bereich Code Quality. Im vorliegenden Sicherheits-Audit identifiziert das Modell 18 von 19 Schwachstellen, liefert eine brauchbare Markdown-Tabelle, ordnet Schweregrade weitgehend sauber ein und schlägt praktikable Fixes vor. Das ist kein Blendwerk. Das ist belastbare technische Arbeit.

Besonders überzeugend ist die Nüchternheit der Analyse. SQL-Injection, Directory Traversal, Session Fixation, IDOR, CSRF, schwache Token-Erzeugung, unsichere Cookies: GPT-OSS 120B benennt die Probleme knapp, verständlich und in verwertbarer Form. Es verzettelt sich nicht in Schaulaufen. Wer in einem Security-Review lieber konkrete Handgriffe als wolkige Erklärstücke liest, bekommt hier etwas Solides.

Aber auch hier gilt: fast vollständig ist nicht vollständig. Der Judge nennt eine fehlende Expert-Lücke, konkret die Header-Problematik nach vorherigem Output. Das ist kein Weltuntergang, aber es markiert die Grenze des Modells. GPT-OSS 120B sieht das große Sicherheitsbild sehr gut, doch die letzten fünf Prozent feiner Ausführungslogik rutschen ihm eher durch als echten Spitzenmodellen. In der Praxis heißt das: hervorragend als erster Auditor, nicht als letzte Instanz.

Content Transformation und UX-Nähe: produktionsreif, aber nicht immer produktionsklug

Im Content-Transformation-Modul zeigt GPT-OSS 120B eine bekannte Tugend und eine bekannte Schwäche zugleich. Die Tugend: Es liefert vollständig. Beim Umbau einer Rohgliederung in ein kurzes YouTube-Skript mit Timestamps, Produktionshinweisen, Hook, CTA und Engagement-Elementen entsteht ein funktionierendes, direkt einsetzbares Ergebnis. Das Modell trifft die Sprache, hält die Struktur zusammen und bleibt im Budget. Viele Modelle scheitern schon daran, aus einer Anforderungsliste ein belastbares Skript zu machen. GPT-OSS 120B tut es einfach.

Die Schwäche liegt in der strategischen Präzision. Der Judge beanstandet nicht die Existenz der Elemente, sondern deren Platzierung und Realitätsnähe. Ein Pattern Interrupt kommt zu spät, der Easter Egg ist kreativ, aber in einem normalen YouTube-Workflow praktisch nicht umsetzbar, und die psychologische Schärfe des CTA bleibt hinter dem Goldstandard zurück. Das ist ein aufschlussreicher Unterschied. GPT-OSS 120B versteht, was in die Kiste gehört. Es versteht nicht immer gleich gut, an welcher Stelle welches Teil die größte Wirkung entfaltet.

Für UX Writing und redaktionelle Umformulierungen passt das Bild. In der Cultural-Intelligence-Aufgabe entfernt das Modell toxische Begriffe zuverlässig, schreibt korrektes Deutsch und bleibt professionell. Doch dort, wo der Goldstandard wärmer, einladender und idiomatischer formuliert, bleibt GPT-OSS 120B etwas nüchterner. Es wirkt wie ein guter Fachredakteur, nicht wie ein brillanter Texter. Das ist kein Makel, solange man genau diesen Unterschied erkennt.

Tool-Use und Halluzinationen: schnell an der Schnittstelle, aber nicht immun gegen Erfindungen

Hier sitzt die eigentliche Sollbruchstelle des Modells. GPT-OSS 120B ist laut Badge ein Tool-Experte, und insgesamt stützt der Benchmark diese Einordnung. Es arbeitet schnell, es ist für werkzeugnahe Aufgaben grundsätzlich geeignet, und seine Tool-Execution-Werte sind ordentlich. Gerade deshalb wiegt der dokumentierte Halluzinationsfall schwerer als ein gewöhnlicher Ausrutscher.

In einer Tool-Use-Aufgabe hat das Modell Inhalte generiert, die nicht aus dem abgerufenen Tool-Ergebnis stammten, sondern erfunden waren. Der P2-Score wurde durch einen Halluzinations-Cap begrenzt. Für content-kritische Aufgaben wie Recherche, Faktenberichte oder agentische Workflows mit externer Datenquelle ist das kein Schönheitsfehler, sondern ein disqualifizierendes Signal. Sobald ein Modell die Grenze zwischen Werkzeugbefund und eigener Erzählung verwischt, verliert der Nutzer die wichtigste Gewissheit überhaupt: dass der Output auf der tatsächlichen Quelle beruht.

Das ist der Moment, in dem man GPT-OSS 120B mit klarer Haltung lesen muss. Seine Stärke ist operative Geschwindigkeit. Seine Schwäche ist, dass diese Geschwindigkeit bei Tool-Nutzung nicht durchgängig von epistemischer Disziplin begleitet wird. Anders gesagt: Es greift schnell zum Werkzeug, aber nicht immer fest genug an die Wahrheit.

Token-Effizienz und API-Kostenprofil

Positiv zuerst: Über fast alle Module hinweg verhält sich GPT-OSS 120B token-ökonomisch. Kein Bereich sprengt das erwartete Ausgabe-Kontingent. Das passt zum Gesamteindruck eines Modells, das lieber abliefert als aufbläst.

Es gibt allerdings einen Kostenhinweis, den man bei einem Cloud-Open-Weights-Endpunkt nicht unter den Tisch fallen lassen sollte. Im Cultural-Intelligence-Bereich produziert GPT-OSS 120B durchschnittlich 524 Tokens bei einem Fleet-Median von 229. Das entspricht einem Faktor von 2.29 gegenüber dem Schnitt aller getesteten Modelle. Auch im CLI-Benchmark liegt es mit Faktor 1.58 klar über dem Median. Inhaltlich ist das nicht automatisch schlecht. Ökonomisch ist es relevant. Bei API-Einsatz bedeutet mehr Text bei ähnlichem Nutzwert schlicht höhere laufende Kosten.

Immerhin bleibt der Overhead dort, wo er auftritt, noch in einem vernünftigen Rahmen und wird nicht zum Latenzproblem. Durch Groqs sehr schnelle Cloud-Infrastruktur wirkt die zusätzliche Wortmenge im Alltag weniger schmerzhaft, als sie auf dem Papier aussieht. Bezahlen muss man sie trotzdem.

Datenschutz und Datenhoheit

Für europäische Unternehmen ist GPT-OSS 120B in dieser getesteten Form kein souveräner Selbstläufer. Die vorliegenden Karten weisen ein berechnetes Sovereign Risk von HIGH aus. Maßgeblich ist die US-Jurisdiktion des Anbieters mit Anwendbarkeit des CLOUD Act. Das bedeutet konkret: US-Behörden können unter bestimmten Voraussetzungen Zugriff auf Daten verlangen, auch wenn diese Verarbeitung vertraglich sauber aufgesetzt ist.

Bekannt sind außerdem Datenstandort USA und eine Datenspeicherung von 30 Tagen. Eine GDPR DPA ist verfügbar, was für Unternehmen mit DSGVO-Pflichten besser ist als gar keine vertragliche Grundlage. Es löst aber nicht das Grundproblem, dass die Verarbeitung in den USA bleibt. Das Weights-Provenienz-Risiko ist als LOW eingestuft, weil OpenAI die Gewichte unter Apache 2.0 veröffentlicht hat. Das reduziert das Herkunftsrisiko der Modellgewichte. Für den hier getesteten Cloud-Betrieb via Groq ändert das an der juristischen Lage der Datenverarbeitung nichts. Wer sensible Inhalte verarbeitet, sollte diesen Unterschied sehr nüchtern betrachten: offene Gewichte sind kein Freifahrtschein für souveräne Cloud-Nutzung.

Fazit

GPT-OSS 120B ist ein ungewöhnlich pragmatisches Modell. Es erreicht 74.8% mit der Persönlichkeit eines schnellen Werkzeugs, nicht mit der Pose eines allwissenden Orakels. Code Quality, Reasoning und allgemeine Produktionsaufgaben beherrscht es auf hohem Niveau. Besonders als technischer Erstbearbeiter, als strukturierter Generalist und als zügiger Assistent für Security-Reviews, Transformationen und werkzeugnahe Aufgaben ist es ernst zu nehmen.

Seine Schwächen liegen dort, wo Präzision mehr ist als Korrektheit. In Tonfragen fehlt manchmal die letzte sprachliche Wärme. In strategischer Content-Arbeit fehlt gelegentlich der Instinkt für Timing und psychologischen Hebel. Und im Tool-Use-Bereich ist die dokumentierte Halluzination ein Warnschild, kein Randnotizchen. Für agentische Recherche, verifizierungsbedürftige Faktenarbeit oder unbeaufsichtigte Tool-Pipelines gehört zwingend ein Kontrollmechanismus darüber.

Weil dieser Lauf als n/a im Standardmodus des Cloud-Endpunkts getestet wurde, sieht man hier das Out-of-the-box-Verhalten, nicht eine bewusst hochgedrehte Reasoning-Variante. Genau darin liegt die eigentliche Stärke des Ergebnisses: GPT-OSS 120B muss sich nicht erst warmdenken, um nützlich zu sein. Wer ein schnelles, preisgünstiges Cloud Open-Weights-Modell via Groq mit klarer technischer Handschrift sucht, findet hier einen sehr ernstzunehmenden Kandidaten. Wer absolute Faktentreue an Toolschnittstellen braucht, sollte ihm nicht blind vertrauen. GPT-OSS 120B ist stark. Aber es ist nicht über jeden Zweifel erhaben.

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.