メインコンテンツへスキップ
このノートでは、元の 6 契約アーキテクチャを失わずに、GPT-5.4 / Codex パリティプログラムを 4 つのマージ単位としてレビューする方法を説明します。

​
マージ単位

​
PR A: strict-agentic execution

担当:
  • executionContract
  • GPT-5 優先の同一ターン内フォロースルー
  • 非終端の進捗追跡としての update_plan
  • plan だけで黙って停止するのではなく、明示的な blocked 状態
担当しないもの:
  • 認証/ランタイム失敗の分類
  • 権限の truthfulness
  • replay/continuation の再設計
  • パリティベンチマーク

​
PR B: runtime truthfulness

担当:
  • Codex OAuth スコープの正確性
  • 型付き provider/runtime 失敗分類
  • 真実に即した /elevated full の利用可否と blocked reason
担当しないもの:
  • ツールスキーマの正規化
  • replay/liveness 状態
  • ベンチマークゲート

​
PR C: execution correctness

担当:
  • provider 所有の OpenAI/Codex ツール互換性
  • パラメータなし strict schema 処理
  • replay-invalid の表面化
  • paused、blocked、abandoned な長時間タスク状態の可視化
担当しないもの:
  • 自己選択された continuation
  • provider hook 外での汎用 Codex 方言挙動
  • ベンチマークゲート

​
PR D: parity harness

担当:
  • 第 1 波 GPT-5.4 vs Opus 4.6 シナリオパック
  • パリティドキュメント
  • パリティレポートとリリースゲート機構
担当しないもの:
  • QA-lab 外でのランタイム挙動変更
  • harness 内での auth/proxy/DNS シミュレーション

​
元の 6 契約への対応

元の契約マージ単位
Provider transport/auth correctnessPR B
Tool contract/schema compatibilityPR C
Same-turn executionPR A
Permission truthfulnessPR B
Replay/continuation/liveness correctnessPR C
Benchmark/release gatePR D

​
レビュー順序

  1. PR A
  2. PR B
  3. PR C
  4. PR D
PR D は証明レイヤーです。ランタイム正確性 PR を遅らせる理由にしてはいけません。

​
確認すべき点

​
PR A

  • GPT-5 実行が、コメントだけで止まらず、行動するか fail closed する
  • update_plan が、それ自体では進捗に見えなくなる
  • 挙動が GPT-5 優先かつ embedded-Pi スコープに留まっている

​
PR B

  • auth/proxy/runtime 失敗が、一般的な「model failed」処理に潰されなくなる
  • /elevated full が、実際に利用可能なときだけ利用可能と説明される
  • blocked reason が、モデルとユーザー向けランタイムの両方に見える

​
PR C

  • strict OpenAI/Codex ツール登録が予測可能に動作する
  • パラメータなしツールが strict schema チェックに失敗しない
  • replay と Compaction の結果が、truthful な liveness 状態を保持する

​
PR D

  • シナリオパックが理解しやすく再現可能である
  • パックに、読み取り専用フローだけでなく、変更を伴う replay-safety レーンが含まれている
  • レポートが人間にも自動化にも読める
  • パリティ主張が逸話ではなく根拠に裏付けられている
PR D から期待される成果物:
  • 各モデル実行ごとの qa-suite-report.md / qa-suite-summary.json
  • 集計およびシナリオレベル比較を含む qa-agentic-parity-report.md
  • 機械可読 verdict を含む qa-agentic-parity-summary.json

​
リリースゲート

以下を満たすまで、GPT-5.4 が Opus 4.6 と同等または優位だと主張しないでください。
  • PR A、PR B、PR C がマージされている
  • PR D が第 1 波パリティパックをクリーンに実行している
  • runtime-truthfulness 回帰スイートが green のままである
  • パリティレポートに fake-success ケースがなく、stop 挙動の回帰もない
パリティ harness は唯一の証拠源ではありません。レビューではこの分離を明示的に保ってください。
  • PR D は、シナリオベースの GPT-5.4 vs Opus 4.6 比較を担当
  • PR B の決定的スイートは、引き続き auth/proxy/DNS と full-access truthfulness の証拠を担当

​
目標と証拠の対応表

完了ゲート項目主担当レビュー成果物
plan だけで停止しないPR Astrict-agentic ランタイムテストと approval-turn-tool-followthrough
偽の進捗や偽のツール完了がないPR A + PR Dparity fake-success 件数とシナリオレベルのレポート詳細
偽の /elevated full ガイダンスがないPR B決定的 runtime-truthfulness スイート
replay/liveness 失敗が明示的なままであるPR C + PR Dlifecycle/replay スイートと compaction-retry-mutating-tool
GPT-5.4 が Opus 4.6 と同等以上PR Dqa-agentic-parity-report.md と qa-agentic-parity-summary.json

​
レビュアー向け省略メモ: before vs after

変更前のユーザー可視の問題変更後のレビューシグナル
GPT-5.4 が planning の後で止まっていたPR A で commentary-only completion ではなく、act-or-block 挙動が示される
strict OpenAI/Codex schema でツール利用が脆く感じられたPR C がツール登録とパラメータなし呼び出しを予測可能に保つ
/elevated full のヒントが時々誤解を招いていたPR B がガイダンスを実際のランタイム能力と blocked reason に結び付ける
長時間タスクが replay/Compaction の曖昧さの中に消えることがあったPR C が paused、blocked、abandoned、replay-invalid 状態を明示的に出力する
パリティ主張が逸話的だったPR D が、両モデルで同じシナリオカバレッジを持つレポートと JSON verdict を生成する

​
関連