یادداشت‌های نگه‌دارندگان دربارهٔ هم‌ارزی GPT-5.5 / Codex

این یادداشت توضیح می‌دهد چگونه برنامهٔ برابری GPT-5.5 / Codex را به‌عنوان چهار واحد ادغام بازبینی کنید، بدون اینکه معماری اصلی شش‌قراردادی از دست برود.

# واحدهای ادغام

# PR A: اجرای سخت‌گیرانهٔ عامل‌محور

مالک موارد زیر است:

• executionContract
• پیگیری هم‌نوبتی با اولویت GPT-5
• update_plan به‌عنوان ردیابی پیشرفت غیرنهایی
• وضعیت‌های مسدودشدهٔ صریح به‌جای توقف‌های خاموشِ فقط-برنامه

مالک موارد زیر نیست:

• طبقه‌بندی خطای احراز هویت/زمان اجرا
• راستگویی دربارهٔ مجوزها
• بازطراحی بازپخش/ادامه
• محک‌زنی برابری

# PR B: راستگویی زمان اجرا

مالک موارد زیر است:

• درستی محدودهٔ OAuth مربوط به Codex
• طبقه‌بندی تایپ‌شدهٔ خطای ارائه‌دهنده/زمان اجرا
• در دسترس بودن راستگویانهٔ /elevated full و دلایل مسدود شدن

مالک موارد زیر نیست:

• نرمال‌سازی طرح‌وارهٔ ابزار
• وضعیت بازپخش/سرزندگی
• گیت محک

# PR C: درستی اجرا

مالک موارد زیر است:

• سازگاری ابزار OpenAI/Codex تحت مالکیت ارائه‌دهنده
• مدیریت سخت‌گیرانهٔ طرح‌وارهٔ بدون پارامتر
• نمایش بازپخش نامعتبر
• نمایانی وضعیت وظیفهٔ طولانیِ متوقف‌شده، مسدودشده و رهاشده

مالک موارد زیر نیست:

• ادامهٔ خودانتخاب‌شده
• رفتار گویش عمومی Codex خارج از hookهای ارائه‌دهنده
• گیت محک

# PR D: سازوکار برابری

مالک موارد زیر است:

• بستهٔ سناریوی موج نخست GPT-5.5 در برابر Opus 4.6
• مستندات برابری
• گزارش برابری و سازوکار گیت انتشار

مالک موارد زیر نیست:

• تغییرات رفتار زمان اجرا خارج از QA-lab
• شبیه‌سازی احراز هویت/پراکسی/DNS داخل سازوکار

# نگاشت به شش قرارداد اصلی

قرارداد اصلی	واحد ادغام
درستی انتقال/احراز هویت ارائه‌دهنده	PR B
سازگاری قرارداد/طرح‌وارهٔ ابزار	PR C
اجرای هم‌نوبتی	PR A
راستگویی دربارهٔ مجوزها	PR B
درستی بازپخش/ادامه/سرزندگی	PR C
گیت محک/انتشار	PR D

# ترتیب بازبینی

1. PR A
2. PR B
3. PR C
4. PR D

PR D لایهٔ اثبات است. نباید دلیل تأخیر PRهای درستی زمان اجرا باشد.

# چه چیزهایی را بررسی کنید

# PR A

• اجراهای GPT-5 به‌جای توقف در توضیح، اقدام می‌کنند یا به‌شکل بسته شکست می‌خورند
• update_plan دیگر به‌تنهایی شبیه پیشرفت به نظر نمی‌رسد
• رفتار همچنان با اولویت GPT-5 و محدود به Pi تعبیه‌شده می‌ماند

# PR B

• خطاهای احراز هویت/پراکسی/زمان اجرا دیگر در مدیریت عمومی «مدل شکست خورد» ادغام نمی‌شوند
• /elevated full فقط زمانی در دسترس توصیف می‌شود که واقعاً در دسترس باشد
• دلایل مسدود شدن هم برای مدل و هم برای زمان اجرای کاربرنما قابل مشاهده‌اند

# PR C

• ثبت ابزار سخت‌گیرانهٔ OpenAI/Codex قابل پیش‌بینی رفتار می‌کند
• ابزارهای بدون پارامتر در بررسی‌های سخت‌گیرانهٔ طرح‌واره شکست نمی‌خورند
• نتایج بازپخش و Compaction وضعیت راستگویانهٔ سرزندگی را حفظ می‌کنند

# PR D

• بستهٔ سناریو قابل فهم و بازتولید است
• بسته شامل یک مسیر ایمنی بازپخشِ تغییردهنده است، نه فقط جریان‌های فقط-خواندنی
• گزارش‌ها برای انسان‌ها و خودکارسازی خواندنی هستند
• ادعاهای برابری مبتنی بر شواهد هستند، نه روایی

مصنوعات مورد انتظار از PR D:

• qa-suite-report.md / qa-suite-summary.json برای هر اجرای مدل
• qa-agentic-parity-report.md با مقایسهٔ تجمیعی و سطح سناریو
• qa-agentic-parity-summary.json با رأی قابل خواندن توسط ماشین

# گیت انتشار

تا زمانی که موارد زیر برقرار نشده‌اند، ادعای برابری یا برتری GPT-5.5 نسبت به Opus 4.6 نکنید:

• PR A، PR B و PR C ادغام شده‌اند
• PR D بستهٔ برابری موج نخست را بدون خطا اجرا می‌کند
• مجموعه‌های رگرسیون راستگویی زمان اجرا همچنان سبز می‌مانند
• گزارش برابری هیچ مورد موفقیت جعلی و هیچ رگرسیونی در رفتار توقف نشان نمی‌دهد

flowchart LR
    A["PR A-C merged"] --> B["Run GPT-5.5 parity pack"]
    A --> C["Run Opus 4.6 parity pack"]
    B --> D["qa-suite-summary.json"]
    C --> E["qa-suite-summary.json"]
    D --> F["qa parity-report"]
    E --> F
    F --> G["Markdown report + JSON verdict"]
    G --> H{"Pass?"}
    H -- "yes" --> I["Parity claim allowed"]
    H -- "no" --> J["Keep runtime fixes / review loop open"]

سازوکار برابری تنها منبع شواهد نیست. این تفکیک را در بازبینی صریح نگه دارید:

• PR D مالک مقایسهٔ مبتنی بر سناریوی GPT-5.5 در برابر Opus 4.6 است
• مجموعه‌های قطعی PR B همچنان مالک شواهد احراز هویت/پراکسی/DNS و راستگویی دسترسی کامل هستند

# گردش‌کار سریع ادغام برای نگه‌دارنده

وقتی آمادهٔ فرود دادن یک PR برابری هستید و یک توالی تکرارپذیر و کم‌ریسک می‌خواهید، از این استفاده کنید.

1. پیش از ادغام، تأیید کنید نوار شواهد برآورده شده است:
   • نشانهٔ قابل بازتولید یا آزمون شکست‌خورده
   • علت ریشه‌ای تأییدشده در کد لمس‌شده
   • اصلاح در مسیر درگیر
   • آزمون رگرسیون یا یادداشت صریح راستی‌آزمایی دستی
2. پیش از ادغام، تریاژ/برچسب‌گذاری کنید:
   • هر برچسب بستن خودکار r:* را زمانی اعمال کنید که PR نباید فرود بیاید
   • نامزدهای ادغام را عاری از رشته‌های مسدودکنندهٔ حل‌نشده نگه دارید
3. به‌صورت محلی روی سطح لمس‌شده اعتبارسنجی کنید:
   • pnpm check:changed
   • pnpm test:changed زمانی که آزمون‌ها تغییر کرده‌اند یا اطمینان به رفع اشکال به پوشش آزمون وابسته است
4. با جریان استاندارد نگه‌دارنده فرود دهید (فرایند /landpr)، سپس راستی‌آزمایی کنید:
   • رفتار بستن خودکار issueهای پیوندشده
   • وضعیت CI و پس از ادغام روی main
5. پس از فرود، جست‌وجوی موارد تکراری را برای PRها/issueهای باز مرتبط اجرا کنید و فقط با یک ارجاع canonical ببندید.

اگر هرکدام از موارد نوار شواهد غایب است، به‌جای ادغام درخواست تغییرات کنید.

# نگاشت هدف به شواهد

مورد گیت تکمیل	مالک اصلی	مصنوع بازبینی
بدون توقف‌های فقط-برنامه	PR A	آزمون‌های زمان اجرای سخت‌گیرانهٔ عامل‌محور و approval-turn-tool-followthrough
بدون پیشرفت جعلی یا تکمیل جعلی ابزار	PR A + PR D	شمارش موفقیت جعلی برابری به‌همراه جزئیات گزارش سطح سناریو
بدون راهنمایی نادرست /elevated full	PR B	مجموعه‌های قطعی راستگویی زمان اجرا
خطاهای بازپخش/سرزندگی صریح باقی می‌مانند	PR C + PR D	مجموعه‌های چرخه‌عمر/بازپخش به‌همراه compaction-retry-mutating-tool
GPT-5.5 با Opus 4.6 برابر است یا بهتر از آن عمل می‌کند	PR D	qa-agentic-parity-report.md و qa-agentic-parity-summary.json

# خلاصهٔ بازبین: قبل در برابر بعد

مشکل قابل مشاهده برای کاربر پیش از تغییر	نشانهٔ بازبینی پس از تغییر
GPT-5.5 پس از برنامه‌ریزی متوقف می‌شد	PR A رفتار اقدام-یا-مسدود شدن را به‌جای تکمیل فقط-توضیحی نشان می‌دهد
استفاده از ابزار با طرح‌واره‌های سخت‌گیرانهٔ OpenAI/Codex شکننده به نظر می‌رسید	PR C ثبت ابزار و فراخوانی بدون پارامتر را قابل پیش‌بینی نگه می‌دارد
راهنمایی‌های /elevated full گاهی گمراه‌کننده بودند	PR B راهنمایی را به قابلیت واقعی زمان اجرا و دلایل مسدود شدن گره می‌زند
وظایف طولانی می‌توانستند در ابهام بازپخش/Compaction ناپدید شوند	PR C وضعیت صریح متوقف‌شده، مسدودشده، رهاشده و بازپخش نامعتبر منتشر می‌کند
ادعاهای برابری روایی بودند	PR D گزارشی به‌همراه رأی JSON با پوشش سناریوی یکسان روی هر دو مدل تولید می‌کند

# مرتبط

• برابری عامل‌محور GPT-5.5 / Codex