OpenAI ослабила GPT-5.6 Sol? Разбираем争议 о "показателе способностей"

Введение

Вскоре после широкого запуска GPT-5.6 Sol некоторые пользователи Codex начали сообщать о неожиданном изменении: модель стала отвечать быстрее, но её готовность глубоко прорабатывать сложные задачи снизилась.

Дебаты усилились, когда в сообществе появились скриншоты, демонстрирующие резкое изменение внутреннего параметра, названного "показателем способностей". Пользователи интерпретировали это значение как скрытый бюджет рассуждений и связали его со снижением производительности Sol Max. OpenAI отрицает намеренное ослабление самой модели, но признаёт, что временно корректировала настройку усилий на рассуждение в период расследования аномально высокого использования.

Это различие имеет решающее значение. Базовые веса модели могут оставаться неизменными, в то время как конфигурация выполнения, доступный контекст, разрешения инструментов, усилия на рассуждение или поведение мультиагента могут меняться. С точки зрения пользователя, эти эксплуатационные настройки по-прежнему приводят к тому, что модель с одним и тем же названием ведёт себя по-разному в разное время.

В этой статье мы отделяем подтверждённые факты от наблюдений сообщества и объясняем, как разработчики могут более надёжно тестировать поведение модели.

Функции, представленные в GPT-5.6 Sol

Компания OpenAI впервые представила GPT-5.6 Sol 26 июня 2026 года, описав её как флагманскую модель в семействе, включающем Terra и Luna. Более широкий выпуск GPT-5.6 состоялся 9 июля 2026 года.

Одним из ключевых моментов релиза стал более широкий диапазон настроек рассуждения. В Codex Sol может использовать несколько уровней рассуждения:

1. Низкий
2. Средний
3. Высокий
4. Очень высокий
5. Максимальный
6. Экстремальный

OpenAI описывает "Максимальный" как параметр, дающий Sol максимальное время для глубоких рассуждений. "Экстремальный" идёт ещё дальше, используя субагентов для разбиения сложных задач и параллельной обработки.

Более высокие усилия на рассуждение не лишены затрат. Обычно они требуют больше времени и расходуют больше токенов, но полезны для задач, требующих планирования, многократного тестирования, восстановления после ошибок или сравнения нескольких возможных решений.

Почему пользователи считают, что Sol Max ослаблена

Одна из самых массовых жалоб поступила от японской исследовательской группы рынка, использующей Codex Sol Max с пользовательским инструментом командной строки.

Согласно посту группы на Reddit, раньше Sol Max тратила более десяти минут на обработку сложных запросов, многократно тестируя идеи и используя инструменты, пока не получала надёжный результат. Группа сообщила, что затем её производительность внезапно упала, и каждый участник в течение одного рабочего дня заметил снижение глубины рассуждений.

Этот отчёт ценен как реальный пользовательский опыт, но он не является контролируемым бенчмарком. Существует множество факторов, влияющих на выполнение кода агентом:

• Выбранный уровень рассуждения
• Доступный контекстное окно
• Разрешения инструментов и настройки песочницы
• Состояние кодовой базы
• Формулировка запроса
• Маршрутизация или конфигурация на стороне сервера
• Поведение мультиагента
• Лимиты запросов и статистика использования
• Случайные различия между запусками

Внезапные различия, замеченные опытной командой, заслуживают расследования. Но это само по себе не является доказательством того, что OpenAI изменила веса модели или навсегда снизила возможности Sol.

Что такое "показатель способностей"?

Термин "показатель способностей" оказался в центре внимания.

Спор разгорелся после того, как Тибо Соттье из команд Codex и ChatGPT Work опубликовал публичное обновление.

В этом обновлении Соттье заявил, что OpenAI проводила эксперименты по корректировке усилий на рассуждение, внутренне называя эти настройки "соковым значением". Он также сказал, что эксперимент был отменён.

Самое простое объяснение: соковое значение — это внутренний контрольный параметр, связанный с тем, сколько усилий на рассуждение модель может вложить в задачу, и его не следует автоматически рассматривать как показатель интеллекта.

Более низкое распределение усилий на рассуждение может повлиять на следующее поведение:

• Количество методов, которые исследует модель
• Время вычислений перед генерацией ответа
• Будет ли сгенерированный код автоматически протестирован
• Частота исправлений или откатов при неудачных модификациях
• Будет ли модель делегировать субагентам части задачи
• Объём работы, затраченной на проверку граничных случаев

Но OpenAI пока не опубликовала официальное числовое соответствие между пользовательскими уровнями рассуждения и конкретными соковыми значениями.

Сообщённое изменение с 960 до 128

Посты и скриншоты сообщества утверждают, что Sol Max ранее использовала соковое значение, близкое к 960, а затем оно стало показывать 128 — снижение примерно на 87%.

Эти цифры следует рассматривать как неподтверждённые наблюдения сообщества. Они не появляются в документации модели GPT-5.6, и значения, извлечённые через скрытые подсказки или методы "дактилоскопии модели", могут ненадёжно отражать фактические вычислительные распределения на стороне сервера.

Подтверждённая часть более ограничена: OpenAI признала проведение экспериментов с усилиями на рассуждение и заявила, что соответствующие изменения были отменены.

Ответ OpenAI

Обновление Соттье опровергает утверждения о намеренном ослаблении GPT-5.6 Sol, вместо этого описывая ряд операционных проблем и изменений.

1. Оптимизация рассуждения

OpenAI заявила, что развернула оптимизацию рассуждения и передала сэкономленные ресурсы подписчикам, прогнозируя, что только это улучшение обеспечит примерно 10% дополнительного использования.

Повышение эффективности может сделать модель быстрее или экономичнее без снижения качества. Но если оптимизация запущена одновременно с другими конфигурационными экспериментами, пользователи всё равно могут заметить изменения.

2. Корректировка ограничения контекста

OpenAI увеличила доступный контекст GPT-5.6 Sol с 272k у GPT-5.5 примерно до 372k.

Больший контекст привёл к более высокому, чем ожидалось, списанию за использование. OpenAI временно вернула ограничение до 272k и заявила, что повторно развернёт 372k после исправления поведения выставления счетов.

Это помогает объяснить, почему одновременно обсуждались две проблемы:

• Пользователи видели более быстрое расходование квоты
• Некоторые пользователи видели меньшее доступное контекстное окно

Корректировка контекстного окна не связана с изменением весов модели, но всё же может повлиять на длинные задачи по репозиторию и рабочие процессы, интенсивно использующие документацию.

3. Эксперимент с усилиями на рассуждение

OpenAI заявила, что корректировала усилия на рассуждение при отслеживании аномально высокого использования, и эти внутренние настройки называются соковым значением.

Компания заявила, что эксперимент был отменён.

4. Использование мультиагента и автоматической проверки

OpenAI также сообщила, что фактическое использование мультиагента в режимах "Высокий" и "Очень высокий" было несколько выше, чем ожидалось. Компания заявила, что исправляет это поведение и повышает эффективность автоматической проверки.

Это важно, потому что делегирование агенту потребляет много ресурсов. Запуски, запускающие больше субагентов или выполняющие дополнительную работу по проверке, могут расходовать квоту подписки значительно быстрее, чем однопользовательские запуски.

Делает ли меньший бюджет рассуждения модель менее умной?

Не обязательно, но это может заставить модель казаться менее способной при выполнении сложных задач.

Полезно разделить три уровня:

Возможности модели

Это в первую очередь исходит из обученной самой модели: её веса, архитектура, полученные знания и основные способности решения проблем.

Распределение ресурсов на рассуждение во время выполнения

Это определяет, сколько времени или вычислительных ресурсов система позволяет модели потратить на конкретный запрос.

Среда агента

Сюда входят инструменты, контекст, память, разрешения, субагенты, тестовые раннеры, права доступа к файлам и стратегии повтора.

Мощная модель с ограниченным распределением на рассуждение может всё ещё правильно отвечать на простые вопросы, но хуже справляться с длительными задачами по кодированию. Она может остановиться на первом правдоподобном решении, не попробовав альтернативы и не восстановившись после изначально ошибочного подхода.

Это не означает, что базовые возможности модели исчезли. Это означает, что в данном конкретном запуске степень проявления этих возможностей могла быть снижена.

Почему воспринимаемая производительность может меняться без новых весов модели

Производственные системы ИИ — это не статические файлы, которые всегда предоставляются одинаково. Провайдеры могут изменять множество операционных параметров, не переименовывая модель.

Например, пользователи могут почувствовать разницу, когда платформа изменяет:

• Максимальное время рассуждения
• Бюджет токенов или вычислений
• Ограничения контекста
• Лимиты вызовов инструментов
• Поведение при повторах
• Правила параллельных агентов
• Кэширование
• Проверки безопасности
• Балансировку нагрузки
• Квоту подписки

Вот почему одно только название модели не гарантирует одинакового поведения в разные дни, на разных продуктах, тарифных планах или с разными настройками рассуждения.

Для корпоративных пользователей ключевой вопрос не просто "какая модель выбрана?" но и "какие гарантии времени выполнения прилагаются к этой модели?"

Как проверить, изменилась ли производительность Codex

Эффективное тестирование требует максимального контроля переменных. Недостаточно просто запустить запрос один раз до и один раз после предполагаемого изменения.

Шаг 1: Зафиксируйте задачу

Используйте одну и ту же версию репозитория, входные файлы, зависимости, переменные окружения и тестовые наборы.

Создайте контрольную точку Git перед каждым запуском, чтобы гарантировать полную идентичность начального состояния.

Шаг 2: Запишите конфигурацию

В Codex CLI проверьте текущую активную модель и конфигурацию сеанса:

/status

При необходимости используйте селектор модели:

/model

Вы также можете запустить Codex с конкретной моделью:

codex

--model gpt-5.6

Для повторяющихся неинтерактивных задач:

```Bash
codex exec -m gpt-5.6 "проверить текущие изменения"

Запись

Уровень рассуждений, разрешения, использование контекста, версия Codex, а также любые включённые инструменты или плагины.

Шаг 3: Используйте объективные критерии успеха

Чётко определите результат до начала работы. Полезные показатели включают:

• Пройденные тесты
• Исправленные ошибки
• Результаты бенчмарков
• Правильно изменённые файлы
• Количество регрессионных дефектов
• Количество необходимых ручных исправлений
• Время до достижения рабочего решения
• Количество вызовов инструментов и повторных попыток
• Общий объём потреблённых ресурсов

Избегайте оценки только на основе того, насколько "умным" выглядит ответ.

Шаг 4: Повторяйте для каждого условия

Выполните несколько запусков для одного и того же условия. Модели рассуждений и агенты могут различаться от попытки к попытке, поэтому одиночный запуск может быть обманчивым.

Сравнивайте медианные значения и частоту отказов, а не выбирайте лучшие или худшие примеры.

Шаг 5: Изменяйте только одну переменную за раз

Сравнивайте Medium с Max, сохраняя все остальные условия неизменными. Затем сравнивайте даты, версии или ограничения контекста по отдельности.

Если вы измените несколько переменных одновременно, вы не сможете определить, какая из них привела к изменению результата.

Шаг 6: Сохраняйте логи

Сохраняйте подсказки, вывод терминала, сравнения (diff), результаты тестов, затраченное время и данные об использовании ресурсов. Чёткие записи помогают сообщать о регрессионных дефектах и позволяют другим пользователям воспроизвести тест.

Практическое руководство для пользователей Codex

Для повседневных задач OpenAI рекомендует начинать с настроек рассуждений по умолчанию и повышать уровень только тогда, когда требуется более глубокое планирование или анализ.

Следующие практики сделают выполнение сложных задач более надёжным:

1. Чётко указывайте критерии приёмки.
2. Требуйте от Codex проверки кодовой базы перед редактированием.
3. Просите его запустить соответствующие тесты.
4. Указывайте ему сообщать о нерешённых сбоях, а не скрывать проблемы.
5. Используйте контрольные точки Git до и после важных изменений.
6. Проверяйте текущую модель и уровень рассуждений перед началом дорогостоящих задач.
7. Сохраняйте воспроизводимые бенчмарки для важной командной работы.

Для особенно сложных проектов может подойти Max или Ultra. Ultra полезен, когда задачу можно распределить между подчинёнными агентами, но он также потребляет больше ресурсов.

Споры раскрывают правду о "фиксированном интеллекте"

Более важная проблема заключается не в том, является ли спорное внутреннее число 960 или 128. Гораздо глубже беспокойство о том, что пользователи обычно считают, что название модели означает фиксированный и стабильный уровень поведения.

На самом деле, пользовательский опыт зависит от модели и окружающей её конфигурации сервиса. Поставщик может оптимизировать рассуждения, изменять лимиты контекста, настраивать распределение рассуждений или модифицировать оркестрацию агентов, сохраняя при этом неизменным название модели.

Такая гибкость полезна для эксплуатации крупных сервисов, но также создаёт проблемы с прозрачностью. Разработчикам, строящим критически важные рабочие процессы, необходимо знать, какие функции надёжны, а какие могут динамически меняться.

Более чёткая документация должна включать:

• Стабильные определения уровней рассуждений
• Гарантии размера контекстного окна
• Журнал изменений значимых настроек во время выполнения
• Правила учёта использования ресурсов
• Уведомления при развёртывании экспериментальных конфигураций
• Руководство по воспроизводимой оценке

При отсутствии этой информации пользователи могут только догадываться об изменениях в системе по скорости ответа, объёму использованных токенов и субъективному качеству вывода.

Часто задаваемые вопросы

Был ли GPT-5.6 Sol официально ослаблен?

OpenAI заявляет, что модель не была намеренно ослаблена. Официально признаётся существование временных экспериментов с настройками интенсивности рассуждений, а также параметрами контекста, мультиагентности и статистики использования.

Что означает "значение juice" в GPT-5.6 Sol?

OpenAI использует этот термин для обозначения внутренних настроек, связанных с интенсивностью рассуждений. Это значение, по-видимому, контролирует или представляет ресурсы рассуждений, но компания не опубликовала полное техническое определение или официальную шкалу значений.

Действительно ли значение juice в Sol Max снизилось с 960 до 128?

Это утверждение основано на скриншотах сообщества и экспериментах со скрытыми подсказками. OpenAI официально не подтвердил ни одно из этих значений, поэтому их не следует рассматривать как проверенные характеристики модели.

Почему Sol может казаться быстрее, но менее глубоким?

Более низкое распределение рассуждений заставляет модель исследовать меньше подходов, выполнять меньше проверок или завершать работу раньше. Другие факторы, включая ограничения контекста, поведение инструментов, конфигурацию сервера и случайные колебания, также могут вызывать подобные эффекты.

Что произошло с контекстным окном Codex на 372k токенов?

OpenAI сообщает, что ограничение контекста GPT-5.6 Sol было увеличено с 272k до 372k, но это изменение привело к более быстрому, чем ожидалось, списанию ресурсов. В качестве временной меры, до повторного запуска 372k, лимит был возвращён к 272k.

Должен ли разработчик всегда использовать Max рассуждения?

Нет. Более высокие настройки рассуждений требуют больше времени и потребляют больше ресурсов. Рекомендуется начинать с настроек по умолчанию и повышать их только тогда, когда задача действительно требует глубокого планирования, тестирования или восстановления после ошибок.

Как команда может проверить предполагаемую деградацию модели?

Выполняйте повторяющиеся запуски с использованием одной и той же кодовой базы, подсказок, инструментов, разрешений, уровня рассуждений и тестов. Отслеживайте объективные показатели, такие как процент пройденных тестов, частота ошибок, время выполнения, вызовы инструментов и потребление ресурсов.

Связанные инструменты

• OpenAI Codex: Интеллектуальная среда кодирования OpenAI для работы с кодовыми базами и задачами разработки.
• Codex CLI: Официальный интерфейс командной строки для запуска Codex в локальных проектах и автоматизированных рабочих процессах.
• Репозиторий Codex на GitHub: Официальный репозиторий с открытым исходным кодом для Codex CLI.
• ChatGPT: Веб-интерфейс, поддерживающий использование моделей GPT-5.6 и настройки рассуждений.
• Terminal-Bench: Бенчмарк для тестирования способностей AI-агентов к планированию и использованию инструментов в задачах командной строки.

Связанные ссылки

• Анонс GPT-5.6: Объявление OpenAI об общей доступности серии GPT-5.6 и обзор бенчмарков.
• Предварительный просмотр GPT-5.6 Sol: Официальный предварительный обзор Max рассуждений и Ultra мультиагентного режима.
• Руководство по моделям Codex: Официальное руководство по Sol, Terra, Luna и доступным уровням рассуждений.
• Документация Codex CLI: Инструкции по установке, настройке и рабочим процессам инструмента командной строки Codex.
• Обновления времени выполнения от OpenAI на платформе X: Публичные обсуждения оптимизации рассуждений, ограничений контекста, экспериментов со "значением juice" и мультиагентного использования.
• Отчёт сообщества Sol Max: Отчёт на Reddit, вызвавший более широкое обсуждение производительности.

Заключение

Споры вокруг GPT-5.6 Sol начались с реальных отзывов пользователей о том, что Max рассуждения стали быстрее, но менее глубокими. Скриншоты сообщества связали этот опыт с известными корректировками внутреннего "значения juice", но конкретное снижение с 960 до 128 остаётся неподтверждённым.

OpenAI отрицает намеренное ослабление модели, одновременно подтверждая, что проводились эксперименты с настройками усилий по рассуждению, временно изменялись лимиты контекста и были обнаружены непредвиденные случаи использования в мультиагентных и автоматических проверочных рабочих процессах. Это операционные изменения, а не подтверждение замены базовых весов модели, но операционные корректировки всё же влияют на фактическую производительность.

Для команд, полагающихся на Codex, лучший ответ — создать воспроизводимые бенчмарки, записывать настройки времени выполнения и измерять результаты через тесты, а не через интуицию.

Ключевой урок заключается в том, что название модели не полностью описывает поведение, которое пользователь получает на практике; распределение рассуждений, контекст, инструменты и конфигурация сервиса одинаково важны.