Перейти до основного вмісту
Ця нотатка пояснює, як перевіряти програму паритету GPT-5.4 / Codex як чотири одиниці злиття, не втрачаючи початкову архітектуру з шести контрактів.

​
Одиниці злиття

​
PR A: суворе агентне виконання

Володіє:
  • executionContract
  • виконанням GPT-5-first у тому самому ході
  • update_plan як нетермінальним відстеженням поступу
  • явними заблокованими станами замість тихих зупинок лише на рівні плану
Не володіє:
  • класифікацією збоїв автентифікації/runtime
  • правдивістю щодо дозволів
  • переробкою replay/continuation
  • бенчмаркінгом паритету

​
PR B: правдивість runtime

Володіє:
  • коректністю OAuth scope Codex
  • типізованою класифікацією збоїв provider/runtime
  • правдивою доступністю /elevated full і причинами блокування
Не володіє:
  • нормалізацією схем інструментів
  • станом replay/liveness
  • бенчмарк-гейтінгом

​
PR C: коректність виконання

Володіє:
  • сумісністю інструментів OpenAI/Codex, що належить provider
  • обробкою суворих схем без параметрів
  • відображенням replay-invalid
  • видимістю станів paused, blocked і abandoned для довгих завдань
Не володіє:
  • самостійно обраним continuation
  • загальною поведінкою діалекту Codex поза хуками provider
  • бенчмарк-гейтінгом

​
PR D: каркас паритету

Володіє:
  • першим пакетом сценаріїв GPT-5.4 vs Opus 4.6
  • документацією паритету
  • механікою звіту паритету та release gate
Не володіє:
  • змінами поведінки runtime поза QA-lab
  • симуляцією auth/proxy/DNS усередині каркаса

​
Відображення назад до початкових шести контрактів

Початковий контрактОдиниця злиття
Коректність транспорту/автентифікації providerPR B
Сумісність контракту/схеми інструментівPR C
Виконання в тому самому ходіPR A
Правдивість щодо дозволівPR B
Коректність replay/continuation/livenessPR C
Бенчмарк/release gatePR D

​
Порядок перевірки

  1. PR A
  2. PR B
  3. PR C
  4. PR D
PR D — це рівень доказів. Він не має бути причиною затримки PR із коректністю runtime.

​
На що звертати увагу

​
PR A

  • запуски GPT-5 діють або безпечно завершуються з блокуванням, а не зупиняються на коментарі
  • update_plan більше не виглядає як поступ сам по собі
  • поведінка лишається GPT-5-first і обмеженою embedded-Pi

​
PR B

  • збої auth/proxy/runtime перестають зливатися в загальну обробку “model failed”
  • /elevated full описується як доступний лише тоді, коли він справді доступний
  • причини блокування видимі і для моделі, і для runtime, орієнтованого на користувача

​
PR C

  • сувора реєстрація інструментів OpenAI/Codex поводиться передбачувано
  • інструменти без параметрів не провалюють перевірки суворої схеми
  • результати replay і Compaction зберігають правдивий стан liveness

​
PR D

  • пакет сценаріїв зрозумілий і відтворюваний
  • пакет включає lane безпеки replay зі змінами стану, а не лише read-only потоки
  • звіти читабельні і для людей, і для автоматизації
  • твердження про паритет підкріплені доказами, а не анекдотичні
Очікувані артефакти від PR D:
  • qa-suite-report.md / qa-suite-summary.json для кожного запуску моделі
  • qa-agentic-parity-report.md з агрегованим порівнянням і порівнянням на рівні сценаріїв
  • qa-agentic-parity-summary.json з машиночитаним вердиктом

​
Release gate

Не стверджуйте паритет або перевагу GPT-5.4 над Opus 4.6, доки:
  • PR A, PR B і PR C не злиті
  • PR D не виконає чисто першу хвилю пакета паритету
  • набори регресійних тестів правдивості runtime залишаються зеленими
  • звіт про паритет не показує фальшиво-успішних випадків і регресій у поведінці зупинки
Каркас паритету — не єдине джерело доказів. Під час перевірки зберігайте цей поділ явним:
  • PR D володіє порівнянням GPT-5.4 vs Opus 4.6 на основі сценаріїв
  • детерміновані набори PR B і далі володіють доказами для auth/proxy/DNS і правдивості повного доступу

​
Відображення цілей на докази

Елемент completion gateОсновний власникАртефакт перевірки
Немає зупинок лише на планіPR Aтести runtime strict-agentic і approval-turn-tool-followthrough
Немає фальшивого поступу або фальшивого завершення інструментаPR A + PR Dкількість фальшивих успіхів паритету плюс деталі звіту на рівні сценаріїв
Немає хибних підказок /elevated fullPR Bдетерміновані набори перевірок правдивості runtime
Збої replay/liveness лишаються явнимиPR C + PR Dнабори lifecycle/replay плюс compaction-retry-mutating-tool
GPT-5.4 відповідає або перевершує Opus 4.6PR Dqa-agentic-parity-report.md і qa-agentic-parity-summary.json

​
Скорочений огляд для рецензента: до vs після

Видима користувачу проблема доСигнал перевірки після
GPT-5.4 зупинявся після плануванняPR A показує поведінку діяти-або-блокуватись замість завершення лише коментарем
Використання інструментів здавалося крихким із суворими схемами OpenAI/CodexPR C зберігає передбачуваність реєстрації інструментів і викликів без параметрів
Підказки /elevated full іноді вводили в омануPR B прив’язує підказки до реальних можливостей runtime і причин блокування
Довгі завдання могли зникати в неоднозначності replay/CompactionPR C показує явний стан paused, blocked, abandoned і replay-invalid
Твердження про паритет були анекдотичнимиPR D створює звіт плюс JSON-вердикт з однаковим покриттям сценаріїв для обох моделей

​
Пов’язане