据报道，GPT-5.5 遇到了 516 Token 的推理墙，开发者对此并不满意
本文介绍了开发者报告的 GPT-5.5 Codex `516` 推理 Token 异常，包括 GitHub 上的主要问题、已报告的汇总数据，以及对某些复杂任务可能过早结束的担忧。 文中还讨论了第二类用户体验投诉：ChatGPT 在简单请求上倾向于过度格式化、过度纠正和过度回答。这部分讨论更具主观性，但之所以重要，是因为助手的“个性”会直接影响日常产品体验。 重要的一点是，不应将 516 这种模式视为已被证实的隐藏截断。根据公开证据，更合理的理解是，这是一种值得调查的模型行为异常。 **对开发者而言，实际的结论很简单：当 AI 编程代理突然显得变差时，应收集元数据、对比多次运行结果，并报告可复现的模式，而不是只依赖主观印象。**
据称 GPT-5.5 撞上了 516 Token 的推理墙，开发者对此并不满意
引言
过去几天里，使用 OpenAI Codex 的开发者一直在讨论一种奇怪的现象：一些 GPT-5.5 的回复似乎会在一个非常特定的推理 token 数附近停止——516。
原始报告并不能证明 OpenAI 正在秘密截断推理。更谨慎、也更准确的说法是：在一个公开的 GitHub 问题中分享的遥测数据显示，GPT-5.5 在 reasoning_output_tokens = 516 附近出现了异常的聚集模式，并且在 1034 和 1552 附近也有额外的峰值。
这个细节很重要，因为开发者关注的不只是 GPT-5.5 是否会出错。他们还在问：在处理复杂任务时，这个模型是否有时会采用更短的推理路径，然后给出一些让人感觉没有预期中那么可靠的答案。
来源说明
- 原文文章：BAAI Hub 文章
- 原文引用的 GitHub 问题：openai/codex issue #30364
- 相关复现问题：openai/codex issue #29353
- BAAI 页面说明，该文章转载自新智元的一篇微信公众号文章。
- 原文不包含代码块，主要由截图、表格和链接引用构成。
- 图片说明：下方保留了相关截图、图表和对比图片；装饰性分隔线、仅含品牌标识的图片、二维码、招聘图和无关的宣传图片未被收录。
GPT-5.5 卡在“516”：开发者注意到一种异常模式
讨论是从一个出人意料地具体的数字开始的：516。
根据开发者报告，GPT-5.5 最近在 Codex 中处理一些复杂的编程和推理任务时表现较弱。让这个问题尤其引人注意的，不只是模型有时会给出错误答案，而是有几次失败或可疑的回复似乎都停在了同一个推理 token 边界上。
随后，不少 Codex 用户也加入了讨论，表示他们看到了类似的行为。
核心问题其实很简单：为什么一个顶级推理模型会反复落在同一个精确的 token 数上？
GitHub Issue：这一说法背后有一个更大的数据窗口
最重要的公开参考是 GitHub issue #30364，它发布在 openai/codex 仓库中。
在该 issue 中，开发者报告了 Codex token_count 元数据中的一种聚合模式。其说法是，gpt-5.5 的响应会不成比例地恰好落在 reasoning_output_tokens = 516，并且在 1034 和 1552 附近也出现了额外的固定边界峰值。
该报告覆盖了从 2026 年 2 月 1 日到 6 月 27 日的时间窗口。它分析了 865 个会话中的 390,195 条响应级 token 记录。
Issue #30364 中报告的证据
| 指标 | 数值 |
|---|---|
| 分析的响应级 token 记录数 | 390,195 |
| 涉及的会话数 | 865 |
精确 reasoning_output_tokens = 516 事件数 |
3,363 |
| GPT-5.5 在所有响应中的占比 | 19.3% |
| GPT-5.5 在精确 516 事件中的占比 | 82.0% |
| GPT-5.5 的精确 516 / >=516 比率 | 44.0% |
| 非 GPT-5.5 的精确 516 / >=516 比率 | 1.3% |
该 issue 还将 GPT-5.5 与其他 GPT 系列模型进行了比较。差距之大，足以让开发者怀疑这并不只是推理长度的正常分布。
模型层结果
| 模型 | 响应记录数 | 精确 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% |
原文对这一点的总结很犀利：在这个数据集中，GPT-5.5 只占全部响应中的少数，却似乎贡献了绝大多数精确 516 事件。
更可疑的部分：
整体推理强度下降了
一种可能的辩护说法是，GPT-5.5 只是思考得更多，因此自然会有更多响应进入更高的推理令牌范围。
但已报告的数据却指向相反的方向。
在 5 月和 6 月，据称“精确 516 聚类”现象变得更加明显，而 GPT-5.5 的整体推理令牌强度却下降了。无论是平均推理令牌数，还是 P90 推理令牌数，都低于更早几个月。
按月份划分的推理令牌强度
| 月份 | 平均推理令牌数 | P90 推理令牌数 |
|---|---|---|
| 2026 年 2 月 | 268.1 | 772 |
| 2026 年 3 月 | 256.8 | 723 |
| 2026 年 4 月 | 228.7 | 669 |
| 2026 年 5 月 | 106.9 | 344 |
| 2026 年 6 月 | 168.5 | 515 |
这正是开发者们对这一模式感到不安的原因。一方面，精确为 516 的事件变得更加频繁。另一方面，模型整体上似乎使用了更少的推理令牌。
这引发了一个更严重的担忧：在复杂或高风险任务上，GPT-5.5 有时可能会在完成更深层次的推理路径之前，就触及某个隐藏的推理预算、截断点、回退路径或调度器行为。
需要明确的是，这仍然只是开发者报告的异常现象，并不是 OpenAI 的官方解释。
GitHub 开发者提出质疑
GitHub 上的讨论很快吸引了其他用户，他们表示自己也遇到了类似问题。
这个问题还与更早的一份报告 #29353 有关。在那份报告中，一位开发者描述了在 Codex Desktop 中使用 gpt-5.5 和 xhigh 推理时一个可复现的模式。
在那次复现中，一些全新运行会直接给出最终答案，恰好使用 516 个推理输出令牌，并返回错误答案。另一些运行则会消耗数千个推理令牌，产生一个可见的中间阶段，并返回预期答案。
这份较早的问题报告并没有最终解决这个问题，但它让后来的汇总报告显得不那么孤立。
Reddit 和 Hacker News 上的讨论进一步加大了压力
这场讨论也扩散到了 GitHub 之外。原文中的截图显示，开发者们正在讨论，高风险 Codex 请求中的一部分是否可能因为推理被截断而遭到静默降级。
文章中展示的一条评论认为，一些推理问题在正确答案出现之前，需要 6,000 到 8,000 个思考令牌。如果模型在这些情况下大约在 516 个令牌时就停止，它可能会过早给出答案。
另一张截图显示，用户在比较 Codex 和 Claude，其中一些人表示，他们会根据某一周哪个工具看起来没那么“坏”来切换使用。
开发者希望 OpenAI 澄清什么
社区的核心诉求并不复杂。开发者希望 OpenAI 或 Codex 团队说明，围绕 516、1034 和 1552 究竟发生了什么。
悬而未决的问题包括：
- 这是由推理预算导致的吗？
- 这是路由问题吗？
- 这是截断行为还是流式传输行为所致吗？
- 这是某种回退路径吗？
- 是否是调度器或后端系统造成了固定的停止边界？
- 精确的
516究竟是正常停止点、降级层级，还是内部阈值？
最初的 GitHub issue 谨慎地没有声称这证明了隐藏的思维链被截断。更强一些的说法只是：这种聚类现象看起来足够具有模型特异性，也足够像阈值行为，因此值得调查。
不只是可靠性下降：用户也在抱怨“个性”
原文的后半部分将重点从性能转向了个性。
一位名叫 Angel 的开发者用并排截图比较了使用 GPT-5.5 Instant 的 ChatGPT 和 Claude Fable 5。抱怨的重点并不在于模型能否回答问题，而在于助手的表现方式。
文章强调了三种反复出现的挫败感。
问题 1：一切都会变成项目符号列表
第一项抱怨是，ChatGPT 即使面对简单的对话式回答，也倾向于过度格式化。
据称，当被要求表现得更自然、更不像 AI 时，ChatGPT 的回应却是结构化地解释它将如何表现得自然。相比之下，Claude 给出了一个
更短，也更随意的回复。
问题不在于项目符号列表总是不好。它们在技术说明中很有用。问题在于，当聊天助手把每个小请求都变成标题、加粗文字、列表和后续建议时，就会显得生硬。
问题 2：它总想纠正点什么
第二个抱怨是过度编辑。
当用户让它检查一句话或一条推文时，ChatGPT 往往会尝试改进、重写或提供替代表达，即使用户可能只想听到一句简单的“这样就可以”。
原文将这点与 Claude 风格的行为作对比：如果文本其实不需要修改，Claude 式助手更常直接表示原文按现状就可以接受。
对于习惯随意写作的用户来说，这会造成阻力。一个总是在“修正”用户的模型，感觉上更像严格的编辑，而不是帮手。
问题 3：你要一个，它给三个
第三个抱怨是，ChatGPT 经常给得比用户要求的更多。
在文章中的例子里，用户让它讲个笑话。ChatGPT 先讲一个，又补一个，再加第三个，然后还问用户偏好哪种幽默风格。Claude 的回复则更短。
这是一个微妙的产品问题。更多输出在基准测试中可能看起来更有帮助，但在对话里却可能让人觉得助手并没有在认真倾听。
这对 AI 助手为何重要
对于编码代理来说，可靠性很重要。如果一个模型在困难任务上过早停止、采用更短的推理路径，或者陷入固定 token 边界，开发者需要知道这一点。他们依赖这些工具来进行调试、代码审查、架构决策以及生产环境变更。
对于聊天助手来说，个性同样重要。如果每个回答都过度格式化、过度纠正，或者提供过多选项，用户体验久而久之就会变得沉重。
这篇文章更广泛的论点是，这两个问题都指向同一种产品风险：助手可能越来越擅长“给出一个答案”，却越来越不擅长在当下真正帮助用户。
常见问题
什么是 GPT-5.5 的 516 推理 token 问题？
它指的是开发者报告称，某些 GPT-5.5 Codex 的响应似乎会集中出现在恰好 reasoning_output_tokens = 516。最主要的公开参考是 openai/codex 仓库中的 GitHub issue #30364。该问题称，这种模式在 GPT-5.5 上比在其他几个模型上更明显。
这是否证明 OpenAI 在秘密截断 GPT-5.5 的推理？
不。GitHub issue 本身就表示，这并不能证明存在隐藏的思维链截断。更稳妥的结论是，已报告的数据展示出一种异常的固定 token 聚集模式，这种模式可能与设定阈值的推理预算行为一致。
为什么 516 这个数字很重要？
这个数字之所以重要，是因为反复出现完全相同的停止点，看起来会比正常分布的推理长度更不自然。在已报告的数据集中，516、1034 和 1552 表现为固定边界的尖峰。开发者正在询问，这些是否由预算、路由行为、回退路径，或其他后端机制导致。
OpenAI Codex 是用来做什么的？
OpenAI Codex 是一个面向软件开发的编码代理。根据 OpenAI 的开发者文档，Codex 可以帮助阅读代码库、编辑文件、修复 bug、审查代码，并在本地或云环境中处理软件任务。
516 问题是 Codex 特有的吗？
公开讨论主要集中在 Codex 和 Codex Desktop 元数据上。文章中最有力的说法都与 openai/codex 仓库中的 Codex token_count 数据和 GitHub issue 有关。不应将其泛化到所有 ChatGPT 或 OpenAI API 的使用场景。
在没有单独证据的情况下。
为什么这篇文章会将 ChatGPT 与 Claude 进行比较？
文章使用这一比较是为了讨论助手的“个性”，而不仅仅是纯粹的推理性能。截图显示，有人抱怨 ChatGPT 可能过于结构化、过于纠正式，并且过于热衷于提供多个选项；而 Claude 风格的回复有时则更简短，也更具对话感。
如果开发者看到类似的 Codex 行为，应该怎么做？
开发者应尽可能保存可复现的示例、元数据、时间戳、模型设置和任务提示。与含糊的抱怨相比，一份包含 token 数量、预期行为、实际行为和复现步骤的清晰报告更有用。
相关工具
- OpenAI Codex：OpenAI 的编程代理，可用于阅读、编辑、调试和审查代码。
- Codex CLI：Codex 的本地终端版本，可直接在你的机器上处理代码。
- Codex Web：OpenAI 的云端 Codex 环境，可在后台委派编程任务。
- GitHub Issues：GitHub 内置的系统，用于跟踪缺陷、反馈、任务和技术讨论。
- ChatGPT Custom Instructions：OpenAI 的官方功能，用于引导 ChatGPT 的风格和行为。
- Claude：Anthropic 的 AI 助手，文中在个性比较部分提到了它。
- Claude Code：Anthropic 的编程代理，可用于处理代码库、文件、命令和开发工具。
相关链接
- 原始 BAAI Hub 文章：这篇英文版本所依据的转载中文文章。
- GitHub Issue #30364：主要的公开问题报告，指出 GPT-5.5 的 reasoning token 聚集在 516、1034 和 1552 附近。
- GitHub Issue #29353：一份相关的复现报告，涉及
gpt-5.5、xhigh推理，以及恰好 516 个 reasoning token。 - OpenAI Codex 开发者文档：Codex 的 OpenAI 官方文档。
- OpenAI Codex CLI 文档：关于如何从终端在本地运行 Codex 的官方文档。
- OpenAI Codex Web 文档：关于如何在云端使用 Codex 的官方文档。
- GitHub 文档：关于 Issues：GitHub 官方文档，解释了如何使用 Issues 跟踪缺陷和讨论。
- OpenAI ChatGPT 自定义指令帮助：关于自定义 ChatGPT 回复的官方指南。
总结
这篇文章解释了开发者报告的 GPT-5.5 Codex 516 reasoning token 异常，包括主要的 GitHub
……问题、已报告的汇总数据，以及一些复杂任务可能过早结束这一担忧。
它还涉及第二类用户体验投诉：ChatGPT 在处理简单请求时，倾向于过度格式化、过度纠正和过度回答。讨论中的这一部分更具主观性，但它很重要，因为助手的个性会直接影响日常产品体验。
重要的一点是，不要将 516 模式视为已被证实的隐藏截断。更合理的理解是，公开证据表明这是一种值得调查的模型行为异常。
对于开发者来说，实际的启示很简单：当一个 AI 编码代理突然让人感觉变差时，应收集元数据、比较不同运行结果，并报告可复现的模式，而不是只依赖主观印象。