Przejdź do głównej treści
Ta notatka wyjaśnia, jak przeglądać program zgodności GPT-5.4 / Codex jako cztery jednostki scalania bez utraty oryginalnej sześciokontraktowej architektury.

​
Jednostki scalania

​
PR A: ścisłe wykonanie agentowe

Obejmuje:
  • executionContract
  • domknięcie tej samej tury w podejściu GPT-5-first
  • update_plan jako nieterminalne śledzenie postępu
  • jawne stany zablokowania zamiast cichych zatrzymań opartych wyłącznie na planie
Nie obejmuje:
  • klasyfikacji błędów auth/runtime
  • prawdziwości uprawnień
  • przeprojektowania replay/kontynuacji
  • benchmarkingu zgodności

​
PR B: prawdziwość runtime

Obejmuje:
  • poprawność zakresów Codex OAuth
  • typowaną klasyfikację błędów provider/runtime
  • prawdziwą dostępność /elevated full i powody zablokowania
Nie obejmuje:
  • normalizacji schematu narzędzi
  • stanu replay/liveness
  • bramkowania benchmarków

​
PR C: poprawność wykonania

Obejmuje:
  • kompatybilność narzędzi OpenAI/Codex należącą do providera
  • ścisłą obsługę schematów bez parametrów
  • ujawnianie replay-invalid
  • widoczność stanów paused, blocked i abandoned dla długich zadań
Nie obejmuje:
  • samodzielnie wybranej kontynuacji
  • ogólnego zachowania dialektu Codex poza hookami providera
  • bramkowania benchmarków

​
PR D: harness zgodności

Obejmuje:
  • pierwszy pakiet scenariuszy GPT-5.4 vs Opus 4.6
  • dokumentację zgodności
  • raport zgodności i mechanikę bramki wydania
Nie obejmuje:
  • zmian zachowania runtime poza QA-lab
  • symulacji auth/proxy/DNS wewnątrz harness

​
Odwzorowanie z powrotem na oryginalne sześć kontraktów

Oryginalny kontraktJednostka scalania
Poprawność transportu/auth provideraPR B
Kompatybilność kontraktu/schematu narzędziPR C
Wykonanie w tej samej turzePR A
Prawdziwość uprawnieńPR B
Poprawność replay/kontynuacji/livenessPR C
Bramka benchmark/wydaniaPR D

​
Kolejność przeglądu

  1. PR A
  2. PR B
  3. PR C
  4. PR D
PR D to warstwa dowodowa. Nie powinien być powodem opóźniania PR dotyczących poprawności runtime.

​
Na co zwracać uwagę

​
PR A

  • uruchomienia GPT-5 działają albo kończą się bezpieczną odmową zamiast zatrzymywać się na komentarzu
  • update_plan nie wygląda już samo w sobie jak postęp
  • zachowanie pozostaje ograniczone do GPT-5-first i embedded-Pi

​
PR B

  • błędy auth/proxy/runtime przestają zapadać się do ogólnej obsługi „model failed”
  • /elevated full jest opisywane jako dostępne tylko wtedy, gdy rzeczywiście jest dostępne
  • powody zablokowania są widoczne zarówno dla modelu, jak i dla runtime skierowanego do użytkownika

​
PR C

  • ścisła rejestracja narzędzi OpenAI/Codex zachowuje się przewidywalnie
  • narzędzia bez parametrów nie oblewają ścisłych kontroli schematu
  • wyniki replay i Compaction zachowują prawdziwy stan liveness

​
PR D

  • pakiet scenariuszy jest zrozumiały i odtwarzalny
  • pakiet zawiera ścieżkę bezpieczeństwa replay z mutacją, a nie tylko przepływy tylko do odczytu
  • raporty są czytelne dla ludzi i automatyzacji
  • twierdzenia o zgodności są oparte na dowodach, a nie na anegdotach
Oczekiwane artefakty z PR D:
  • qa-suite-report.md / qa-suite-summary.json dla każdego uruchomienia modelu
  • qa-agentic-parity-report.md z porównaniem zagregowanym i na poziomie scenariuszy
  • qa-agentic-parity-summary.json z werdyktem czytelnym dla maszyn

​
Bramka wydania

Nie twierdź, że GPT-5.4 osiąga zgodność lub przewagę nad Opus 4.6, dopóki:
  • PR A, PR B i PR C nie zostaną scalone
  • PR D nie uruchomi czysto pierwszego pakietu zgodności
  • zestawy regresji prawdziwości runtime pozostają zielone
  • raport zgodności nie pokazuje przypadków fałszywego sukcesu ani regresji w zachowaniu zatrzymania
Harness zgodności nie jest jedynym źródłem dowodów. W przeglądzie zachowaj wyraźny ten podział:
  • PR D odpowiada za porównanie GPT-5.4 vs Opus 4.6 oparte na scenariuszach
  • deterministyczne zestawy PR B nadal odpowiadają za dowody dotyczące auth/proxy/DNS i prawdziwości pełnego dostępu

​
Mapa celu do dowodu

Element bramki ukończeniaGłówny właścicielArtefakt przeglądu
Brak zatrzymań tylko na planiePR Atesty ścisłego runtime agentowego i approval-turn-tool-followthrough
Brak fałszywego postępu lub fałszywego ukończenia narzędziaPR A + PR Dliczba fałszywych sukcesów zgodności plus szczegóły raportu na poziomie scenariuszy
Brak fałszywych wskazówek /elevated fullPR Bdeterministyczne zestawy prawdziwości runtime
Błędy replay/liveness pozostają jawnePR C + PR Dzestawy lifecycle/replay plus compaction-retry-mutating-tool
GPT-5.4 dorównuje lub przewyższa Opus 4.6PR Dqa-agentic-parity-report.md i qa-agentic-parity-summary.json

​
Skrót dla recenzenta: przed vs po

Problem widoczny dla użytkownika wcześniejSygnał w przeglądzie po zmianach
GPT-5.4 zatrzymywał się po planowaniuPR A pokazuje zachowanie act-or-block zamiast ukończenia opartego wyłącznie na komentarzu
Użycie narzędzi wydawało się kruche przy ścisłych schematach OpenAI/CodexPR C utrzymuje przewidywalność rejestracji narzędzi i wywołań bez parametrów
Wskazówki /elevated full bywały mylącePR B wiąże wskazówki z rzeczywistą możliwością runtime i powodami zablokowania
Długie zadania mogły znikać w niejednoznaczności replay/CompactionPR C emituje jawny stan paused, blocked, abandoned i replay-invalid
Twierdzenia o zgodności były anegdotycznePR D tworzy raport oraz werdykt JSON z tym samym pokryciem scenariuszy dla obu modeli

​
Powiązane