Notatki dla opiekunów dotyczące parytetu GPT-5.5 / Codex

Ta notatka wyjaśnia, jak przeglądać program parytetu GPT-5.5 / Codex jako cztery jednostki scalania, nie tracąc pierwotnej architektury sześciu kontraktów.

# Jednostki scalania

# PR A: ścisłe wykonanie agentowe

Obejmuje:

• executionContract
• doprowadzanie działań GPT-5-first do końca w tej samej turze
• update_plan jako nieterminalne śledzenie postępu
• jawne stany zablokowania zamiast cichych zatrzymań wyłącznie na planie

Nie obejmuje:

• klasyfikacji błędów uwierzytelniania/środowiska uruchomieniowego
• prawdziwości uprawnień
• przeprojektowania replay/kontynuacji
• benchmarków parytetu

# PR B: prawdziwość środowiska uruchomieniowego

Obejmuje:

• poprawność zakresów OAuth Codex
• typowaną klasyfikację błędów providera/środowiska uruchomieniowego
• prawdziwą dostępność /elevated full i powody zablokowania

Nie obejmuje:

• normalizacji schematów narzędzi
• stanu replay/żywotności
• bramek benchmarków

# PR C: poprawność wykonania

Obejmuje:

• należącą do providera zgodność narzędzi OpenAI/Codex
• obsługę ścisłego schematu bez parametrów
• eksponowanie nieprawidłowego replay
• widoczność stanów wstrzymanych, zablokowanych i porzuconych długich zadań

Nie obejmuje:

• samodzielnie wybranej kontynuacji
• ogólnego zachowania dialektu Codex poza hookami providera
• bramek benchmarków

# PR D: zestaw parytetu

Obejmuje:

• pierwszy pakiet scenariuszy GPT-5.5 vs Opus 4.6
• dokumentację parytetu
• raport parytetu i mechanikę bramki wydania

Nie obejmuje:

• zmian zachowania środowiska uruchomieniowego poza QA-lab
• symulacji auth/proxy/DNS wewnątrz zestawu

# Mapowanie z powrotem na pierwotne sześć kontraktów

Pierwotny kontrakt	Jednostka scalania
Poprawność transportu/uwierzytelniania providera	PR B
Zgodność kontraktu/schematu narzędzi	PR C
Wykonanie w tej samej turze	PR A
Prawdziwość uprawnień	PR B
Poprawność replay/kontynuacji/żywotności	PR C
Benchmark/bramka wydania	PR D

# Kolejność przeglądu

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

PR D jest warstwą dowodową. Nie powinien być powodem opóźniania PR-ów dotyczących poprawności środowiska uruchomieniowego.

# Na co patrzeć

# PR A

• Uruchomienia GPT-5 działają albo kończą się bezpieczną blokadą zamiast zatrzymywać się na komentarzu
• update_plan nie wygląda już sam w sobie jak postęp
• zachowanie pozostaje GPT-5-first i ograniczone do osadzonego Pi

# PR B

• błędy auth/proxy/środowiska uruchomieniowego przestają zapadać się do ogólnej obsługi „model failed”
• /elevated full jest opisywane jako dostępne tylko wtedy, gdy faktycznie jest dostępne
• powody zablokowania są widoczne zarówno dla modelu, jak i dla środowiska uruchomieniowego widocznego dla 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 żywotności

# PR D

• pakiet scenariuszy jest zrozumiały i odtwarzalny
• pakiet zawiera mutującą ścieżkę bezpieczeństwa replay, nie tylko przepływy tylko do odczytu
• raporty są czytelne dla ludzi i automatyzacji
• twierdzenia o parytecie są poparte dowodami, a nie anegdotyczne

Oczekiwane artefakty z PR D:

• qa-suite-report.md / qa-suite-summary.json dla każdego uruchomienia modelu
• qa-agentic-parity-report.md z porównaniem zbiorczym i na poziomie scenariuszy
• qa-agentic-parity-summary.json z werdyktem czytelnym maszynowo

# Bramka wydania

Nie deklaruj parytetu ani przewagi GPT-5.5 nad Opus 4.6, dopóki:

• PR A, PR B i PR C nie zostaną scalone
• PR D nie uruchomi czysto pierwszego pakietu parytetu
• zestawy regresyjne prawdziwości środowiska uruchomieniowego pozostaną zielone
• raport parytetu nie pokaże przypadków fałszywego sukcesu ani regresji zachowania zatrzymania

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"]

Zestaw parytetu nie jest jedynym źródłem dowodów. Zachowaj ten podział jawnie w przeglądzie:

• PR D obejmuje porównanie GPT-5.5 vs Opus 4.6 oparte na scenariuszach
• deterministyczne zestawy PR B nadal odpowiadają za dowody dotyczące auth/proxy/DNS oraz prawdziwości pełnego dostępu

# Szybki workflow scalania dla maintainerów

Użyj tego, gdy jesteś gotowy scalić PR parytetu i chcesz powtarzalnej sekwencji niskiego ryzyka.

1. Potwierdź przed scaleniem, że próg dowodowy jest spełniony:
   • odtwarzalny objaw lub nieprzechodzący test
   • zweryfikowana przyczyna źródłowa w dotkniętym kodzie
   • poprawka w powiązanej ścieżce
   • test regresyjny albo jawna notatka z ręcznej weryfikacji
2. Przeprowadź triage/etykietowanie przed scaleniem:
   • zastosuj etykiety automatycznego zamykania r:*, gdy PR nie powinien zostać scalony
   • utrzymuj kandydatów do scalenia bez nierozwiązanych wątków blokujących
3. Zweryfikuj lokalnie dotknięty obszar:
   • pnpm check:changed
   • pnpm test:changed, gdy zmieniły się testy albo pewność poprawki błędu zależy od pokrycia testami
4. Scal standardowym flow maintainera (proces /landpr), a następnie zweryfikuj:
   • zachowanie automatycznego zamykania powiązanych issues
   • CI i status po scaleniu na main
5. Po scaleniu uruchom wyszukiwanie duplikatów powiązanych otwartych PR-ów/issues i zamykaj je tylko z odniesieniem kanonicznym.

Jeśli brakuje któregokolwiek elementu progu dowodowego, poproś o zmiany zamiast scalać.

# Mapa celów do dowodów

Element bramki ukończenia	Główny właściciel	Artefakt przeglądu
Brak zatrzymań wyłącznie na planie	PR A	testy środowiska strict-agentic i approval-turn-tool-followthrough
Brak fałszywego postępu lub fałszywego ukończenia narzędzia	PR A + PR D	liczba fałszywych sukcesów parytetu plus szczegóły raportu na poziomie scenariuszy
Brak fałszywych wskazówek /elevated full	PR B	deterministyczne zestawy prawdziwości środowiska uruchomieniowego
Błędy replay/żywotności pozostają jawne	PR C + PR D	zestawy lifecycle/replay plus compaction-retry-mutating-tool
GPT-5.5 dorównuje Opus 4.6 albo go przewyższa	PR D	qa-agentic-parity-report.md i qa-agentic-parity-summary.json

# Skrót recenzenta: przed i po

Problem widoczny dla użytkownika przed	Sygnał w przeglądzie po
GPT-5.5 zatrzymywał się po planowaniu	PR A pokazuje zachowanie wykonaj-albo-zablokuj zamiast ukończenia tylko komentarzem
Użycie narzędzi było kruche przy ścisłych schematach OpenAI/Codex	PR C utrzymuje przewidywalność rejestracji narzędzi i wywołań bez parametrów
Podpowiedzi /elevated full bywały mylące	PR B wiąże wskazówki z faktyczną możliwością środowiska uruchomieniowego i powodami zablokowania
Długie zadania mogły znikać w niejednoznaczności replay/Compaction	PR C emituje jawne stany wstrzymania, zablokowania, porzucenia i nieprawidłowego replay
Twierdzenia o parytecie były anegdotyczne	PR D tworzy raport oraz werdykt JSON z tym samym pokryciem scenariuszy na obu modelach

# Powiązane

• Parytet agentowy GPT-5.5 / Codex