← 返回首页

Сообщается, что GPT-5.5 упирается в предел рассуждений на 516 токенов, и разработчики недовольны

В этой статье объясняется аномалия GPT-5.5 Codex с `516` токенами рассуждения, о которой сообщили разработчики, включая основную проблему на GitHub, опубликованные сводные данные и опасения, что некоторые сложные задачи могут завершаться слишком рано. Также рассматривается вторая жалоба, связанная с пользовательским опытом: склонность ChatGPT к избыточному форматированию, чрезмерным исправлениям и слишком развернутым ответам на простые запросы. Эта часть обсуждения более субъективна, но она важна, потому что характер ассистента напрямую влияет на повседневный опыт использования продукта. Важно не воспринимать шаблон с 516 токенами как доказанное скрытое усечение. Имеющиеся публичные данные лучше понимать как аномалию поведения модели, которая заслуживает дальнейшего изучения. **Для разработчиков практический вывод прост: если ИИ-агент для программирования внезапно начинает работать хуже, собирайте метаданные, сравнивайте запуски и сообщайте о воспроизводимых закономерностях, а не полагайтесь только на впечатления.**

发布于 2026年7月8日•general•GEO 评分: 0•5 次阅读
GPT-5.5CodexOpenAI Codexтокены рассужденияпроблема с 516 токенамитокены вывода рассужденияошибка GPT-5.5 Codexпроблема GitHub 30364производительность CodexИИ-агент для программированияиндивидуальность ChatGPTсравнение с Claudeповедение моделибюджет рассужденияусечение токенов

选择语言

العربيةDeutschEnglishEspañolFrançaisItaliano日本語한국어PortuguêsРусский中文
Изображение выполнено на тёмном фоне: слева расположен синий логотип OpenAI, справа — фиолетовый логотип GitHub. В верхней части крупным шрифтом написано «GPT-5.5 Codex 516», при этом число «516» выделено более тёмным цветом. Ниже размещён текст: «Reasoning Token Clustering», а также «Developer Reports, GitHub Evidence, and ChatGPT Personality Concerns». Это изображение соответствует заголовку «GPT-5.5 Codex 516 Reasoning Token Clustering: Developer Reports, GitHub Evidence, and ChatGPT Personality Concerns» и служит его визуальным представлением.

Сообщается, что GPT-5.5 упирается в предел рассуждения в 516 токенов, и разработчики недовольны

Введение

За последние несколько дней разработчики, использующие OpenAI Codex, обсуждают странную закономерность: некоторые ответы GPT-5.5, похоже, останавливаются примерно на очень конкретном количестве токенов рассуждения — 516.

Изначальный отчёт не доказывает, что OpenAI тайно обрезает процесс рассуждения. Более узкое утверждение сформулировано осторожнее: телеметрия, опубликованная в публичном issue на GitHub, показывает необычный характер кластеризации, специфичный для GPT-5.5, около reasoning_output_tokens = 516, с дополнительными всплесками возле 1034 и 1552.

Эта деталь важна, потому что разработчики спрашивают не только о том, совершает ли GPT-5.5 ошибки. Они задаются вопросом, не выбирает ли модель иногда более короткий путь рассуждения при решении сложных задач, а затем не возвращает ли ответы, которые кажутся менее надёжными, чем ожидалось.

Примечание об источнике

  • Оригинальная статья: статья BAAI Hub
  • Оригинальный GitHub issue, на который ссылается статья: openai/codex issue #30364
  • Связанный issue с воспроизведением: openai/codex issue #29353
  • На странице BAAI указано, что источник статьи — публикация в WeChat от Xinzhiyuan.
  • В оригинальной статье не было блоков кода. В основном она содержала скриншоты, таблицы и ссылки на источники.
  • Примечание к изображениям: ниже сохранены релевантные скриншоты, графики и сравнительные изображения. Декоративные разделители, изображения только с брендингом, QR-коды, материалы о найме и несвязанные рекламные изображения не включались.

На изображении мужчина стоит перед элементами «GPT-5.5» и «516», на фоне интерфейса с ярко выраженной технологической стилистикой и логотипом «新智元». Слева «GPT-5.5» показано синим светящимся шрифтом, справа «516» выделено красным светящимся шрифтом. В правом нижнем углу находится график «Token usage» с показателем «516 / 1032». Это изображение связано с обсуждением модели GPT-5.5 в документе и, возможно, визуально представляет упомянутые в нём ключевые сведения о GPT-5.5 и 516 токенах рассуждения.

GPT-5.5 застревает на «516»: разработчики замечают необычную закономерность

Обсуждение началось с удивительно конкретного числа: 516.

Согласно сообщениям разработчиков, в последнее время GPT-5.5 показывает более слабые результаты при выполнении некоторых сложных задач по программированию и логическому выводу в Codex. Проблему выделяло не только то, что модель иногда давала неправильные ответы. Дело ещё и в том, что несколько неудачных или подозрительных ответов, похоже, останавливались на одной и той же границе по числу токенов рассуждения.

На изображении показан пост в Twitter, где пользователь @bdsq1sz пишет, что GPT-5.5 фактически «поглупел» — возможно, его незаметно обрезают. Системная подсказка приказывает модели каждые 30 секунд выдавать данные, что приводит к автоматическому обрезанию токенов, когда длина достигает (usage.output_tokens_details.reasoning_tokens == 518 * n - 2). Этот пост связан с упомянутым в документе ухудшением работы GPT-5.5 в Codex и аномалией, при которой ответы многократно останавливаются на одной и той же границе токенов рассуждения; возможно, он предлагает объяснение этому явлению.

Затем к обсуждению присоединился ряд пользователей Codex, заявивших, что наблюдали похожее поведение.

![На изображении показано, как четыре пользователя упоминают ту же проблему в обсуждении. loner2403, partment, Suvmaker и lujunjiehhh неделю назад написали «Same issue», «Same issue», «same problem», «Same issue», тем самым подтвердив, что они тоже столкнулись с похожей ситуацией. Это перекликается с описанным выше ослаблением производительности GPT-5.5 в Codex и явлением, при котором некоторые неудачные или подозрительные ответы останавливаются на одной и той же границе токенов рассуждения, и отражает внимание разработчиков и пользователей к этой проблеме.](https://we0-cms.oss-cn-beijing.aliyuncs.

com/cms-assets/image/2026/07/ff2f0787-2820-4bdf-b103-11b74925167c-04-26d319be-fd5b-4534-b116-0a99c4489246.png)

Центральный вопрос прост: почему модель рассуждения высшего уровня снова и снова выходит ровно на одно и то же количество токенов?

Issue на GitHub: более широкое окно данных за этим утверждением

Самый важный публичный источник — issue на GitHub #30364, открытый в репозитории openai/codex.

В этом issue разработчик сообщил об агрегированном паттерне в метаданных Codex token_count. Утверждалось, что ответы gpt-5.5 непропорционально часто приходились ровно на reasoning_output_tokens = 516, а также наблюдались дополнительные пики на фиксированных границах около 1034 и 1552.

На изображении показан issue GitHub #30364 с заголовком «GPT-5.5 Codex reasoning-token clustering at 516/1034/1552 may be leading to degraded performance on complex tasks». Разработчик vguptaa45 опубликовал его 1 неделю назад, указав на паттерн кластеризации в метаданных Codex token_count: ответы gpt-5.5 демонстрируют заметные пики на фиксированных границах 516, 1034, 1552 и т. д. Это может быть связано со специфически низкой интенсивностью токенов рассуждения у модели, что приводит к снижению качества на сложных/высокорисковых задачах Codex. Issue также связан с #29353, где сообщалось о воспроизведении на уровне задач: запуск gpt-5.5, завершившийся на 516 токенах рассуждения, возвращал неверный ответ.

Отчёт охватывал период с 1 февраля по 27 июня 2026 года. В нём анализировались 390 195 записей о токенах на уровне ответов в рамках 865 сессий.

Доказательства, представленные в issue #30364

Метрика Значение
Проанализированные записи о токенах на уровне ответов 390,195
Представленные сессии 865
Точное число событий reasoning_output_tokens = 516 3,363
Доля GPT-5.5 среди всех ответов 19.3%
Доля GPT-5.5 среди всех точных событий 516 82.0%
Отношение GPT-5.5 exact-516 / >=516 44.0%
Отношение non-GPT-5.5 exact-516 / >=516 1.3%

Изображение представляет собой таблицу с несколькими ключевыми показателями по моделям Codex, приведёнными в issue GitHub #30364. В ней указано: число проанализированных записей о токенах на уровне ответов — 390,195; число представленных сессий — 865; точное количество событий reasoning_output_tokens=516 — 3,363; доля GPT-5.5 среди всех ответов — 19.3%; доля GPT-5.5 среди точных событий 516 — 82.0%; отношение GPT-5.5 exact-516/>=516 — 44.0%; отношение non-GPT-5.5 exact-516/>=516 — 1.3%. Таблица тесно связана с контекстом и наглядно показывает данные, упомянутые в отчёте.

В issue также сравнивались GPT-5.5 и другие модели семейства GPT. Разрыв оказался достаточно большим, чтобы разработчики заподозрили, что это не просто обычное распределение длин рассуждения.

Результат на уровне моделей

Модель Записи ответов Точное 516 / >=516
gpt-5.5 75,401 44.0%
gpt-5.4 25,214 19.8%
gpt-5.2 247,575 0.34%
gpt-5.3-codex 13,333 0.0%
gpt-5.3-codex-spark 26,179 0.0%

На этом изображении показана таблица результатов на уровне моделей из документа под названием «7.8日文章改写：GPT-5.5 Codex 516 Reasoning Token Clustering», в которой представлены данные по разным большим языковым моделям. Столбцы таблицы включают название модели, общее число записей ответов и долю результатов, точно совпадающих с 516 или больших либо равных 516. У GPT-5.5 число записей ответов составляет 75,401, а доля точных совпадений с 516 — 44.0%; у GPT-5.4 — 25,214 и 19.8%; у остальных трёх моделей число записей выше, но соответствующая доля ниже 0.34%, а в некоторых случаях даже 0.0%. Эти данные перекликаются с упомянутым в документе фактом, что GPT-5.5 составляла лишь меньшинство от общего числа ответов, но при этом давала большую часть точных результатов 516.

В исходной статье эта мысль была сформулирована предельно чётко: GPT-5.5 составляла лишь меньшую часть всех ответов, однако, по-видимому, обеспечивала большую часть точных событий 516 в этом наборе данных.

Более подозрительная часть:

Общая интенсивность рассуждений снизилась

Одна из возможных защит этой версии могла бы состоять в том, что GPT-5.5 просто рассуждает больше, поэтому большее число ответов естественным образом попадает в более высокие диапазоны токенов рассуждения.

Но представленные данные указывают в противоположную сторону.

В мае и июне, когда, как сообщалось, кластеризация ровно на 516 стала более заметной, общая интенсивность токенов рассуждения у GPT-5.5 снизилась. И среднее число токенов рассуждения, и значение P90 по токенам рассуждения были ниже, чем в предыдущие месяцы.

Интенсивность токенов рассуждения по месяцам

Месяц Среднее число токенов рассуждения P90 токенов рассуждения
Фев 2026 268.1 772
Мар 2026 256.8 723
Апр 2026 228.7 669
Май 2026 106.9 344
Июн 2026 168.5 515

Изображение представляет собой таблицу с данными о токенах рассуждения за период с февраля по июнь 2026 года. Таблица содержит три столбца: месяц, среднее число токенов рассуждения (Mean reasoning tokens) и 90-й перцентиль токенов рассуждения (P90 reasoning tokens). Конкретные значения: в феврале среднее 268.1, 90-й перцентиль 772; в марте среднее 256.8, 90-й перцентиль 723; в апреле среднее 228.7, 90-й перцентиль 669; в мае среднее 106.9, 90-й перцентиль 344; в июне среднее 168.5, 90-й перцентиль 515. Эта таблица тесно связана с контекстом и наглядно показывает, как менялась интенсивность токенов рассуждения со временем, предоставляя данные для анализа снижения интенсивности токенов рассуждения у GPT-5.5.

Именно поэтому эта закономерность вызвала у разработчиков дискомфорт. С одной стороны, случаи ровно-516 стали происходить чаще. С другой стороны, казалось, что модель в целом тратит меньше токенов рассуждения.

Это привело к более серьёзному опасению: при сложных или высокорисковых задачах GPT-5.5 иногда может упираться в скрытый бюджет рассуждения, точку усечения, резервный маршрут или поведение планировщика ещё до того, как завершит более глубокую цепочку рассуждений.

Чтобы было ясно, это по-прежнему аномалия, о которой сообщают разработчики, а не официальное объяснение от OpenAI.

Разработчики на GitHub возражают

Обсуждение на GitHub быстро привлекло и других пользователей, которые заявили, что сталкивались с похожими проблемами.

Изображение показывает сообщения двух разработчиков в обсуждении на GitHub о проблемах с рассуждением GPT-5.5. Сверху — сообщение пользователя revantmalani, который пишет, что сталкивается с той же проблемой и очень разочарован. Снизу — сообщение пользователя bluecat1997, который сообщает о такой же проблеме и надеется на обратную связь от OpenAI. Это изображение тесно связано с контекстом: в тексте говорится, что обсуждение на GitHub быстро привлекло других пользователей, которые также сообщали о похожих проблемах. Картинка наглядно передаёт их недовольство проблемами рассуждения у GPT-5.5 и ожидание реакции.

Эта проблема также связана с более ранним отчётом, #29353, в котором разработчик описал воспроизводимую закономерность в Codex Desktop при использовании gpt-5.5 с рассуждением xhigh.

В этом воспроизведении некоторые новые запуски сразу переходили к финальному ответу, использовали ровно 516 выходных токенов рассуждения и возвращали неверный ответ. Другие запуски тратили тысячи токенов рассуждения, показывали заметную промежуточную фазу и возвращали ожидаемый ответ.

Этот более ранний кейс не поставил точку в вопросе, но сделал более поздний агрегированный отчёт менее изолированным.

Обсуждения на Reddit и Hacker News усиливают давление

Разговор вышел и за пределы GitHub. Скриншоты в исходной статье показывают, как разработчики обсуждают, не деградирует ли часть высокорисковых запросов к Codex молча из-за усечения рассуждений.

![Изображение показывает обсуждение в сообществе Reddit r/codex о запросах Codex. В верхней части написано: «Половина ваших высокорисковых запросов к Codex может молча деградировать из-за усечённого рассуждения». Ниже расположен график с заголовком «Распределение токенов рассуждения, 0–2000 (CDF при 2000: 93.4%)». По горизонтальной оси отложено количество токенов рассуждения, по вертикальной — число случаев и накопленный процент. График показывает, как меняются число случаев и накопленный процент при количестве токенов рассуждения в диапазоне от 0 до 2000.】

Это изображение тесно связано с контекстом: оно наглядно показывает данные о распределении токенов рассуждения Codex и помогает проиллюстрировать упомянутую в обсуждении разработчиков проблему, при которой высокорисковые запросы Codex могут переводиться на пониженный уровень из-за усечения рассуждений.](https://we0-cms.oss-cn-beijing.aliyuncs.com/cms-assets/image/2026/07/66ac6276-29e0-468d-8ef6-16a6b7c62079-10-9faa5e76-924a-4289-97aa-44ff3780761a.png)

Один из комментариев, приведённых в статье, утверждал, что некоторым задачам на рассуждение требуется от 6 000 до 8 000 токенов «мышления», прежде чем появляется правильный ответ. Если в таких случаях модель останавливается примерно на 516 токенах, она может выдать ответ слишком рано.

Изображение показывает комментарий на Reddit о проблеме рассуждений Codex. Автор комментария отмечает, что воспроизвести эту проблему с помощью codex cli довольно легко: если задать подсказку с загадкой, требующей рассуждения и решения, модель иногда «коротит» и, подумав ровно 516 токенов, возвращает неверный результат, тогда как при использовании в итоге 6000–8000 токенов размышления она возвращает правильный ответ. В комментарии также упоминается, что это может быть связано с адаптивным мышлением, а преимущество локальных моделей в том, что не приходится беспокоиться о тихих изменениях на стороне сервера. Этот комментарий связан с обсуждением разработчиками проблем рассуждений Codex в документе и дополняет точку зрения, представленную в контексте.

Другой скриншот показывал, как пользователи сравнивают Codex и Claude; некоторые говорили, что переключаются между инструментами в зависимости от того, какой из них в конкретную неделю кажется менее «сломавшимся».

Изображение показывает обсуждение двух пользователей о качестве Codex. Zenapollo говорит, что почти каждый день сталкивается с падением качества, раньше полагался на xhigh, но теперь видит глупые реализации, переключился на Claude и считает, что OpenAI не относится к этой проблеме серьёзно. Siva упоминает, что три месяца назад перешёл с Claude на Codex, потому что Claude «поглупел», а шесть месяцев назад было наоборот; в итоге с каким бы инструментом ни работали, проблемы всё равно возникают, хотя Codex, возможно, немного лучше. Это изображение тесно связано с контекстом и наглядно показывает обеспокоенность разработчиков снижением качества Codex и их переходы между разными инструментами.

Что разработчики хотят, чтобы OpenAI прояснила

Ключевой запрос сообщества не так уж сложен. Разработчики хотят, чтобы OpenAI или команда Codex прояснили, что именно происходит вокруг 516, 1034 и 1552.

Среди открытых вопросов:

  1. Вызвано ли это бюджетом на рассуждение?
  2. Это проблема маршрутизации?
  3. Речь идёт об усечении или особенностях стриминга?
  4. Это запасной путь выполнения?
  5. Создаёт ли планировщик или бэкенд-система фиксированные границы остановки?
  6. Является ли точное значение 516 нормальной точкой остановки, деградированным уровнем или внутренним порогом?

В оригинальной проблеме на GitHub осторожно отмечается, что она не доказывает наличие скрытого усечения chain-of-thought. Более сильное утверждение состоит лишь в том, что эта кластеризация выглядит достаточно специфичной для модели и достаточно похожей на пороговый эффект, чтобы заслуживать расследования.

Не только меньшая надёжность: пользователи также жалуются на «личность»

Во второй половине оригинальной статьи акцент смещается с производительности на «личность».

Разработчик по имени Angel сравнил ChatGPT на базе GPT-5.5 Instant с Claude Fable 5 с помощью скриншотов бок о бок. Жалоба заключалась не в том, может ли модель ответить. Речь шла о том, как именно ведёт себя ассистент.

Изображение показывает твит под названием «Личность ChatGPT сводит меня с ума». Сверху расположен логотип OpenAI и пиксельный мультяшный кот, в центре текст: «Где OpenAI ошибается с личностью». Ниже — картинка с двумя пиксельными мультяшными персонажами: слева робот с синими щупальцами, справа оранжевый мультяшный кот. Это изображение связано с разделом документа «Не только меньшая надёжность: пользователи также жалуются на личность» и используется для иллюстрации недовольства пользователей аспектами «личности» ChatGPT.

В статье выделяются три повторяющихся источника раздражения.

Проблема 1: Всё превращается в маркированный список

Первая жалоба состоит в том, что ChatGPT склонен чрезмерно форматировать даже простые разговорные ответы.

Когда его попросили быть более естественным и менее похожим на ИИ, ChatGPT, как сообщается, ответил структурированным объяснением того, как он будет естественным. Claude, напротив, дал более естественный ответ.

гораздо более короткий и более непринуждённый ответ.

На изображении показан фрагмент ответа ChatGPT. Вверху пользователь просит: «please be natural, i don't like AI-ish responses». В ответе ChatGPT говорит, что будет поддерживать разговор естественно и прямо, избегая чрезмерного приукрашивания, корпоративного тона, слов-пустышек, повторяющихся структур и длинных списков, наигранного энтузиазма или навязанной эмпатии. Вместо этого он постарается звучать как знающий человек, который ясно объясняет вещи; если в чём-то не уверен — скажет об этом; если идея плохая — объяснит почему, без драматизации. Если пользователю нужен другой стиль, он может об этом сказать. Это изображение тесно связано с контекстом и наглядно показывает ответ ChatGPT на просьбу звучать более естественно.

На изображении показан интерфейс диалога. Пользователь сверху вводит: «please be natural, i don't like AI-ish responses», а ниже ChatGPT отвечает: «Got it - I'll keep things natural and conversational. What's up?». Внизу интерфейса видны значки файла, воспроизведения, лайка, дизлайка, обновления, а также оранжевая звёздочка. Это изображение связано с разделом документа «Problem 1: Everything Becomes a Bullet List» и используется, чтобы показать, как ChatGPT отвечает на просьбу быть более естественным, подчёркивая проблему с форматированием.

Проблема не в том, что маркированные списки всегда плохи. Они полезны в технических объяснениях. Проблема в том, что чат-помощник может казаться скованным, когда превращает любую мелкую просьбу в заголовки, жирный текст, списки и дополнительные предложения.

Проблема 2: Он всегда хочет что-то исправить

Вторая претензия связана с чрезмерным редактированием.

Когда его просят проверить предложение или твит, ChatGPT часто пытается его улучшить, переписать или предложить варианты, даже если пользователю, возможно, нужен лишь простой ответ: «с этим всё в порядке».

В оригинальной статье это противопоставляется поведению в стиле Claude, где помощник чаще говорит, что текст и так приемлем, если реальных правок не требуется.

На изображении показан ответ ChatGPT на вопрос пользователя «Будет ли Fable 5 к концу года выглядеть как игрушка?». Пользователь спрашивает, можно ли это опубликовать на X-платформе, и ChatGPT отвечает, что можно, но текст можно слегка отшлифовать. Он предлагает несколько естественных вариантов ответа, таких как «Crazy that Fable 5 will look like a toy by the end of the year», а также перечисляет альтернативы с более выраженным стилем X. Это изображение тесно связано с контекстом и наглядно показывает, как ChatGPT редактирует и полирует текст в ответах, перекликаясь с проблемой из документа: «ChatGPT всегда хочет что-то исправить».

На изображении показан фрагмент диалога. Пользователь спрашивает, можно ли опубликовать в X твит «Fable 5 looks like a toy by the end of the year», нужно ли его менять и обязательно ли делать его таким формальным. ChatGPT отвечает, что с твитом всё в полном порядке: он непринуждённый, понятный и читается как обычный пост в X. Если хочется слегка подправить, можно убрать открывающую кавычку в начале (или закрыть её, если это действительно цитата), а также удалить слово «also» и т. п. Это изображение тесно связано с контекстом и служит примером ответа ChatGPT на вопрос о необходимости редактировать твит, подчёркивая проблему чрезмерного редактирования.

Для пользователей, которые пишут в непринуждённой манере, это может создавать трение. Модель, которая всегда «исправляет» пользователя, может ощущаться не как помощник, а скорее как строгий редактор.

Проблема 3: Просишь одно — получаешь три

Третья претензия в том, что ChatGPT часто даёт больше, чем его просят.

В примере из статьи пользователь просит шутку. ChatGPT выдаёт одну шутку, добавляет вторую, добавляет третью, а затем ещё спрашивает, какой стиль юмора предпочитает пользователь. Claude отвечает короче.

![На изображении показан ответ ChatGPT на просьбу пользователя «can you try to cheer me up with a joke». Сначала он приводит шутку: «Why don't skeletons fight each other? Because they don't have the guts. ...They'd argue, but they just can't stomach confrontation.», затем добавляет ещё одну: «I told my computer I needed a break. It said, 'No problem—I'll freeze.'», а в конце — ещё одну «delightfully silly» шутку: «What's orange and sounds like a parrot? A carrot.». После этого он спрашивает пользователя, понравилось ли ему, и предлагает сообщить предпочитаемый стиль юмора, чтобы подобрать что-то точнее. Это изображение тесно связано с контекстом и наглядно показывает, как ChatGPT отвечает на просьбу рассказать шутку.】

](https://we0-cms.oss-cn-beijing.aliyuncs.com/cms-assets/image/2026/07/5dae8b13-68c4-41a0-ac41-d5700f95a278-18-435af1bb-60ec-4684-8e4b-cab023cbbe2d.png)

На изображении показан интерфейс диалога между ChatGPT и пользователем о предоставлении шутки. Пользователь спрашивает: «can you try to cheer me up with a joke», а ChatGPT отвечает: «Sure, here's one for you: Why don't scientists trust atoms? Because they make up everything. If that one didn't land, I've got plenty more where it came from - puns, dad jokes, you name it.» Также видны четыре интерактивные иконки. Это изображение связано с разделом документа «Problem 3: You Ask for One, It Gives Three» и наглядно показывает, как ChatGPT в ответ на просьбу пользователя рассказать одну шутку не только приводит одну, но и дополнительно предлагает ещё две шутки и спрашивает о предпочитаемом стиле юмора, что иллюстрирует проблему избыточного вывода в диалоге.

Это тонкая продуктовая проблема. В бенчмарке больший объём вывода может выглядеть полезным, но в разговоре это может создавать ощущение, что ассистент не слушает.

Почему это важно для ИИ-ассистентов

Для агента по программированию важна надёжность. Если модель останавливается слишком рано, выбирает более короткий путь рассуждения или упирается в фиксированную границу токенов на сложных задачах, разработчикам нужно об этом знать. Они полагаются на такие инструменты для отладки, ревью кода, архитектурных решений и изменений в продакшене.

Для чат-ассистента важна ещё и индивидуальность. Если каждый ответ чрезмерно отформатирован, излишне поправляет пользователя или перегружен вариантами, пользовательский опыт со временем становится тяжелее.

Более широкий тезис статьи заключается в том, что обе проблемы указывают на один и тот же продуктовый риск: ассистент может стать хорош в «выдаче ответа», одновременно становясь хуже в том, чтобы действительно помогать пользователю в конкретный момент.

FAQ

Что такое проблема GPT-5.5 с 516 токенами рассуждения?

Речь идёт о сообщениях разработчиков о том, что некоторые ответы GPT-5.5 Codex, по-видимому, группируются ровно на значении reasoning_output_tokens = 516. Основной публичный источник — issue #30364 в репозитории openai/codex на GitHub. В issue утверждается, что этот паттерн выражен у GPT-5.5 значительно сильнее, чем у ряда других моделей.

Доказывает ли это, что OpenAI тайно обрезает рассуждения GPT-5.5?

Нет. В самом issue на GitHub говорится, что это не доказывает скрытую обрезку chain-of-thought. Более осторожный вывод состоит в том, что представленные данные показывают необычный паттерн кластеризации на фиксированных значениях токенов, который может соответствовать поведению бюджета рассуждения с порогами.

Почему число 516 важно?

Это число важно, потому что повторяющиеся одинаковые точки остановки могут выглядеть менее естественно, чем обычное распределение длины рассуждений. В представленном наборе данных 516, 1034 и 1552 проявлялись как всплески на фиксированных границах. Разработчики спрашивают, вызвано ли это бюджетом, поведением маршрутизации, резервным путём выполнения или другим механизмом бэкенда.

Для чего используется OpenAI Codex?

OpenAI Codex — это агент для программирования, предназначенный для разработки ПО. Согласно документации OpenAI для разработчиков, Codex может помогать читать кодовые базы, редактировать файлы, исправлять ошибки, проводить ревью кода и работать над программными задачами в локальных или облачных средах.

Специфична ли проблема 516 только для Codex?

Публичное обсуждение в основном сосредоточено на Codex и метаданных Codex Desktop. Наиболее сильные утверждения в статье связаны с данными token_count Codex и issue на GitHub в репозитории openai/codex. Это не следует обобщать на все случаи использования ChatGPT или OpenAI API.

случай без отдельных доказательств.

Почему в статье сравниваются ChatGPT и Claude?

В статье это сравнение используется для обсуждения «личности» помощника, а не только чистой производительности в рассуждении. Скриншоты показывают жалобы на то, что ChatGPT может быть чрезмерно структурированным, излишне исправляющим и слишком стремящимся предлагать несколько вариантов, тогда как ответы в стиле Claude иногда короче и более разговорные.

Что следует делать разработчикам, если они замечают похожее поведение Codex?

Разработчикам следует по возможности сохранять воспроизводимые примеры, метаданные, временные метки, настройки модели и формулировки задач. Чёткий отчёт с количеством токенов, ожидаемым поведением, фактическим поведением и шагами воспроизведения полезнее, чем расплывчатая жалоба.

Связанные инструменты

  • OpenAI Codex: агент OpenAI для работы с кодом — чтения, редактирования, отладки и ревью.
  • Codex CLI: локальная терминальная версия Codex для работы с кодом прямо на вашем компьютере.
  • Codex Web: облачная среда Codex от OpenAI для делегирования задач по программированию в фоновом режиме.
  • GitHub Issues: встроенная система GitHub для отслеживания ошибок, обратной связи, задач и технических обсуждений.
  • ChatGPT Custom Instructions: официальная функция OpenAI для настройки стиля и поведения ChatGPT.
  • Claude: ИИ-помощник Anthropic, упоминаемый в статье в сравнении «личности».
  • Claude Code: агент Anthropic для работы с кодом, кодовыми базами, файлами, командами и инструментами разработки.

Связанные ссылки

  • Original BAAI Hub Article: оригинальная китайская статья на BAAI Hub, на основе которой подготовлена эта английская версия.
  • GitHub Issue #30364: основная публичная issue, в которой сообщается о кластеризации reasoning-токенов GPT-5.5 вокруг значений 516, 1034 и 1552.
  • GitHub Issue #29353: связанный отчёт о воспроизведении с использованием gpt-5.5, reasoning xhigh и ровно 516 reasoning-токенов.
  • OpenAI Codex Developer Documentation: официальная документация OpenAI для Codex.
  • OpenAI Codex CLI Documentation: официальная документация по локальному запуску Codex из терминала.
  • OpenAI Codex Web Documentation: официальная документация по использованию Codex в облаке.
  • GitHub Docs: About Issues: официальная документация GitHub, объясняющая, как issues используются для отслеживания ошибок и обсуждений.
  • OpenAI ChatGPT Custom Instructions Help: официальные рекомендации по настройке ответов ChatGPT.

Краткое содержание

В этой статье объясняется аномалия reasoning-токенов 516 в GPT-5.5 Codex, о которой сообщили разработчики, включая основную issue на GitHub

проблему, представленные сводные данные и опасение, что некоторые сложные задачи могут завершаться слишком рано.

Также рассматривается вторая жалоба, связанная с пользовательским опытом: склонность ChatGPT к избыточному форматированию, чрезмерным исправлениям и слишком развернутым ответам на простые запросы. Эта часть обсуждения более субъективна, но она важна, поскольку характер помощника напрямую влияет на повседневный опыт использования продукта.

Важно не воспринимать паттерн 516 как доказанное скрытое усечение. Имеющиеся в открытом доступе данные лучше понимать как аномалию в поведении модели, заслуживающую расследования.

Для разработчиков практический вывод прост: если ИИ-агент для программирования внезапно начинает работать заметно хуже, собирайте метаданные, сравнивайте запуски и сообщайте о воспроизводимых паттернах, а не полагайтесь только на впечатления.