الانتقال إلى المحتوى الرئيسي
تشرح هذه الملاحظة كيفية مراجعة برنامج التكافؤ GPT-5.4 / Codex كوحدات دمج أربع من دون فقدان البنية الأصلية ذات العقود الستة.

​
وحدات الدمج

​
PR A: تنفيذ strict-agentic

يمتلك:
  • executionContract
  • الاستمرار في الدور نفسه مع تفضيل GPT-5
  • update_plan كتتبع تقدم غير نهائي
  • حالات الحظر الصريحة بدلًا من التوقفات الصامتة القائمة على الخطة فقط
لا يمتلك:
  • تصنيف أعطال المصادقة/وقت التشغيل
  • صدق الأذونات
  • إعادة تصميم الإعادة/الاستمرار
  • قياس التكافؤ

​
PR B: صدق وقت التشغيل

يمتلك:
  • صحة نطاق OAuth الخاص بـ Codex
  • تصنيف أعطال الموفّر/وقت التشغيل typed
  • التوفّر الصادق لـ /elevated full وأسباب الحظر
لا يمتلك:
  • تطبيع مخطط الأدوات
  • حالة الإعادة/الحيوية
  • تقييد benchmark

​
PR C: صحة التنفيذ

يمتلك:
  • التوافق الخاص بالأدوات المملوكة للموفّر في OpenAI/Codex
  • التعامل الصارم مع المخططات الخالية من المعاملات
  • إظهار replay-invalid
  • وضوح حالة المهام الطويلة المتوقفة مؤقتًا، والمحظورة، والمتروكة
لا يمتلك:
  • الاستمرار المنتخَب ذاتيًا
  • سلوك لهجة Codex العامة خارج خطافات الموفّر
  • تقييد benchmark

​
PR D: parity harness

يمتلك:
  • الحزمة الأولى من السيناريوهات GPT-5.4 مقابل Opus 4.6
  • توثيق التكافؤ
  • تقرير التكافؤ وآليات بوابة الإصدار
لا يمتلك:
  • تغييرات سلوك وقت التشغيل خارج QA-lab
  • محاكاة المصادقة/الوكيل/‏DNS داخل harness

​
الربط مرة أخرى بالعقود الستة الأصلية

العقد الأصليوحدة الدمج
صحة النقل/المصادقة الخاصة بالموفّرPR B
توافق عقد/مخطط الأدواتPR C
التنفيذ في الدور نفسهPR A
صدق الأذوناتPR B
صحة الإعادة/الاستمرار/الحيويةPR C
benchmark/بوابة الإصدارPR D

​
ترتيب المراجعة

  1. PR A
  2. PR B
  3. PR C
  4. PR D
PR D هي طبقة الإثبات. ويجب ألا تكون هي السبب في تأخير طلبات السحب الخاصة بصحة وقت التشغيل.

​
ما الذي يجب البحث عنه

​
PR A

  • تعمل تشغيلات GPT-5 أو تفشل بشكل مغلق بدلًا من التوقف عند التعليق
  • لم يعد update_plan يبدو تقدمًا بحد ذاته
  • يبقى السلوك مفضّلًا لـ GPT-5 ومحصورًا في embedded-Pi

​
PR B

  • لم تعد أعطال المصادقة/الوكيل/وقت التشغيل تنهار إلى معالجة عامة من نوع “فشل النموذج”
  • لا يتم وصف /elevated full على أنه متاح إلا عندما يكون متاحًا فعلًا
  • تكون أسباب الحظر مرئية لكلٍّ من النموذج ووقت التشغيل المواجه للمستخدم

​
PR C

  • يتصرف تسجيل الأدوات الصارم في OpenAI/Codex بشكل متوقع
  • لا تفشل الأدوات الخالية من المعاملات في فحوصات المخطط الصارمة
  • تحافظ نتائج الإعادة وCompaction على حالة حيوية صادقة

​
PR D

  • تكون حزمة السيناريوهات مفهومة وقابلة لإعادة الإنتاج
  • تتضمن الحزمة مسار mutating replay-safety، وليس فقط التدفقات للقراءة فقط
  • تكون التقارير قابلة للقراءة من قبل البشر والأتمتة
  • تكون ادعاءات التكافؤ مدعومة بالأدلة، وليست قصصية
العناصر المتوقعة من PR D:
  • qa-suite-report.md / qa-suite-summary.json لكل تشغيل نموذج
  • qa-agentic-parity-report.md مع مقارنة إجمالية وعلى مستوى السيناريو
  • qa-agentic-parity-summary.json مع حكم قابل للقراءة آليًا

​
بوابة الإصدار

لا تدّعِ تكافؤ GPT-5.4 أو تفوقه على Opus 4.6 حتى:
  • يتم دمج PR A وPR B وPR C
  • يقوم PR D بتشغيل حزمة التكافؤ الأولى بشكل نظيف
  • تبقى مجموعات انحدار runtime-truthfulness باللون الأخضر
  • يُظهر تقرير التكافؤ عدم وجود حالات fake-success وعدم وجود انحدار في سلوك التوقف
ليست parity harness مصدر الإثبات الوحيد. أبقِ هذا الفصل صريحًا في المراجعة:
  • يمتلك PR D المقارنة القائمة على السيناريو بين GPT-5.4 وOpus 4.6
  • ولا تزال المجموعات الحتمية في PR B تمتلك أدلة المصادقة/الوكيل/‏DNS وصدق الوصول الكامل

​
خريطة الهدف إلى الدليل

عنصر بوابة الإكمالالمالك الأساسيعنصر المراجعة
لا توقفات قائمة على الخطة فقطPR Aاختبارات وقت تشغيل strict-agentic وapproval-turn-tool-followthrough
لا تقدم زائف أو إكمال أداة زائفPR A + PR Dعدد fake-success في التكافؤ بالإضافة إلى تفاصيل التقرير على مستوى السيناريو
لا إرشادات خاطئة لـ /elevated fullPR Bمجموعات runtime-truthfulness الحتمية
تبقى أعطال الإعادة/الحيوية صريحةPR C + PR Dمجموعات lifecycle/replay بالإضافة إلى compaction-retry-mutating-tool
يطابق GPT-5.4 أو يتفوق على Opus 4.6PR Dqa-agentic-parity-report.md وqa-agentic-parity-summary.json

​
اختصار المراجع: قبل مقابل بعد

المشكلة المرئية للمستخدم قبل ذلكإشارة المراجعة بعد ذلك
توقف GPT-5.4 بعد التخطيطيُظهر PR A سلوك التنفيذ أو الحظر بدلًا من الإكمال القائم على التعليق فقط
بدا استخدام الأدوات هشًا مع مخططات OpenAI/Codex الصارمةيحافظ PR C على تسجيل الأدوات واستدعائها من دون معاملات بشكل متوقع
كانت تلميحات /elevated full مضللة أحيانًايربط PR B الإرشاد بالقدرة الفعلية لوقت التشغيل وأسباب الحظر
كان يمكن للمهام الطويلة أن تختفي داخل غموض replay/Compactionيصدر PR C حالة صريحة للتوقف المؤقت، والحظر، والتخلي، وreplay-invalid
كانت ادعاءات التكافؤ قصصيةينتج PR D تقريرًا بالإضافة إلى حكم JSON مع تغطية السيناريو نفسها على كلا النموذجين

​
ذو صلة