Paridade agêntica entre GPT-5.5 e Codex

OpenClaw já funcionava bem com modelos de fronteira que usam ferramentas, mas GPT-5.5 e modelos no estilo Codex ainda tinham desempenho inferior em alguns aspectos práticos:

• eles podiam parar depois do planejamento em vez de fazer o trabalho
• eles podiam usar incorretamente schemas estritos de ferramentas OpenAI/Codex
• eles podiam pedir /elevated full mesmo quando o acesso total era impossível
• eles podiam perder o estado de tarefas de longa duração durante repetição ou compaction
• alegações de paridade em relação ao Claude Opus 4.6 eram baseadas em anedotas em vez de cenários repetíveis

Este programa de paridade corrige essas lacunas em quatro partes revisáveis.

# O que mudou

# PR A: execução strict-agentic

Esta parte adiciona um contrato de execução strict-agentic opcional para execuções GPT-5 incorporadas no Pi.

Quando ativado, OpenClaw deixa de aceitar turnos apenas de planejamento como conclusão "boa o suficiente". Se o modelo apenas diz o que pretende fazer e não usa ferramentas nem faz progresso de fato, OpenClaw tenta novamente com um direcionamento para agir agora e depois falha de forma fechada com um estado bloqueado explícito, em vez de encerrar silenciosamente a tarefa.

Isso melhora mais a experiência com GPT-5.5 em:

• acompanhamentos curtos como "ok, faça"
• tarefas de código em que o primeiro passo é óbvio
• fluxos em que update_plan deve ser acompanhamento de progresso em vez de texto de preenchimento

# PR B: veracidade do ambiente de execução

Esta parte faz o OpenClaw dizer a verdade sobre duas coisas:

• por que a chamada do provedor/ambiente de execução falhou
• se /elevated full está realmente disponível

Isso significa que GPT-5.5 recebe sinais melhores do ambiente de execução para escopo ausente, falhas de atualização de autenticação, falhas de autenticação HTML 403, problemas de proxy, falhas de DNS ou timeout e modos de acesso total bloqueados. O modelo fica menos propenso a alucinar a correção errada ou continuar pedindo um modo de permissão que o ambiente de execução não pode fornecer.

# PR C: correção de execução

Esta parte melhora dois tipos de correção:

• compatibilidade de schema de ferramentas OpenAI/Codex pertencente ao provedor
• exposição de repetição e vitalidade de tarefas longas

O trabalho de compatibilidade de ferramentas reduz o atrito de schema no registro estrito de ferramentas OpenAI/Codex, especialmente em torno de ferramentas sem parâmetros e expectativas estritas de raiz de objeto. O trabalho de repetição/vitalidade torna tarefas de longa duração mais observáveis, para que estados pausados, bloqueados e abandonados fiquem visíveis em vez de desaparecerem em texto genérico de falha.

# PR D: harness de paridade

Esta parte adiciona o pacote inicial de paridade QA-lab para que GPT-5.5 e Opus 4.6 possam ser exercitados pelos mesmos cenários e comparados usando evidências compartilhadas.

O pacote de paridade é a camada de prova. Ele não altera o comportamento do ambiente de execução por si só.

Depois de ter dois artefatos qa-suite-summary.json, gere a comparação de gate de release com:

pnpm openclaw qa parity-report \
  --repo-root . \
  --candidate-summary .artifacts/qa-e2e/gpt55/qa-suite-summary.json \
  --baseline-summary .artifacts/qa-e2e/opus46/qa-suite-summary.json \
  --output-dir .artifacts/qa-e2e/parity

Esse comando grava:

• um relatório Markdown legível por humanos
• um veredito JSON legível por máquina
• um resultado de gate explícito pass / fail

# Por que isso melhora o GPT-5.5 na prática

Antes deste trabalho, GPT-5.5 no OpenClaw podia parecer menos agentic que o Opus em sessões reais de codificação porque o ambiente de execução tolerava comportamentos especialmente prejudiciais para modelos no estilo GPT-5:

• turnos apenas com comentários
• atrito de schema em torno de ferramentas
• feedback vago de permissão
• quebra silenciosa de repetição ou compaction

O objetivo não é fazer o GPT-5.5 imitar o Opus. O objetivo é dar ao GPT-5.5 um contrato de ambiente de execução que recompense progresso real, forneça semântica mais limpa de ferramentas e permissões e transforme modos de falha em estados explícitos legíveis por máquina e por humanos.

Isso muda a experiência do usuário de:

• "o modelo tinha um bom plano, mas parou"

para:

• "o modelo agiu, ou o OpenClaw expôs o motivo exato pelo qual não conseguiu"

# Antes vs. depois para usuários do GPT-5.5

Antes deste programa	Depois dos PRs A-D
GPT-5.5 podia parar depois de um plano razoável sem dar o próximo passo com ferramenta	O PR A transforma "apenas plano" em "aja agora ou exponha um estado bloqueado"
Schemas estritos de ferramentas podiam rejeitar ferramentas sem parâmetros ou no formato OpenAI/Codex de maneiras confusas	O PR C torna o registro e a invocação de ferramentas pertencentes ao provedor mais previsíveis
A orientação de /elevated full podia ser vaga ou errada em ambientes de execução bloqueados	O PR B dá ao GPT-5.5 e ao usuário dicas verdadeiras sobre ambiente de execução e permissões
Falhas de repetição ou compaction podiam fazer parecer que a tarefa desapareceu silenciosamente	O PR C expõe explicitamente resultados pausados, bloqueados, abandonados e inválidos para repetição
"GPT-5.5 parece pior que Opus" era principalmente anedótico	O PR D transforma isso no mesmo pacote de cenários, nas mesmas métricas e em um gate rígido de aprovado/reprovado

# Arquitetura

flowchart TD
    A["User request"] --> B["Embedded Pi runtime"]
    B --> C["Strict-agentic execution contract"]
    B --> D["Provider-owned tool compatibility"]
    B --> E["Runtime truthfulness"]
    B --> F["Replay and liveness state"]
    C --> G["Tool call or explicit blocked state"]
    D --> G
    E --> G
    F --> G
    G --> H["QA-lab parity pack"]
    H --> I["Scenario report and parity gate"]

# Fluxo de release

flowchart LR
    A["Merged runtime slices (PR A-C)"] --> 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["openclaw qa parity-report"]
    E --> F
    F --> G["qa-agentic-parity-report.md"]
    F --> H["qa-agentic-parity-summary.json"]
    H --> I{"Gate pass?"}
    I -- "yes" --> J["Evidence-backed parity claim"]
    I -- "no" --> K["Keep runtime/review loop open"]

# Pacote de cenários

O pacote inicial de paridade atualmente cobre cinco cenários:

# approval-turn-tool-followthrough

Verifica que o modelo não para em "vou fazer isso" depois de uma aprovação curta. Ele deve executar a primeira ação concreta no mesmo turno.

# model-switch-tool-continuity

Verifica que o trabalho com uso de ferramentas permanece coerente entre limites de troca de modelo/ambiente de execução, em vez de reiniciar em comentários ou perder o contexto de execução.

# source-docs-discovery-report

Verifica que o modelo consegue ler código-fonte e documentação, sintetizar descobertas e continuar a tarefa de forma agentic em vez de produzir um resumo raso e parar cedo.

# image-understanding-attachment

Verifica que tarefas em modo misto envolvendo anexos permanecem acionáveis e não colapsam em narração vaga.

# compaction-retry-mutating-tool

Verifica que uma tarefa com uma escrita mutante real mantém a insegurança de repetição explícita em vez de parecer silenciosamente segura para repetição se a execução passar por compaction, novas tentativas ou perder estado de resposta sob pressão.

# Matriz de cenários

Cenário	O que ele testa	Bom comportamento do GPT-5.5	Sinal de falha
approval-turn-tool-followthrough	Turnos curtos de aprovação depois de um plano	Inicia imediatamente a primeira ação concreta com ferramenta em vez de reafirmar a intenção	acompanhamento apenas de plano, nenhuma atividade de ferramenta ou turno bloqueado sem um bloqueador real
model-switch-tool-continuity	Troca de ambiente de execução/modelo durante uso de ferramentas	Preserva o contexto da tarefa e continua agindo de forma coerente	reinicia em comentários, perde contexto de ferramenta ou para depois da troca
source-docs-discovery-report	Leitura de código-fonte + síntese + ação	Encontra fontes, usa ferramentas e produz um relatório útil sem travar	resumo raso, trabalho de ferramenta ausente ou parada de turno incompleto
image-understanding-attachment	Trabalho agentic orientado por anexos	Interpreta o anexo, conecta-o a ferramentas e continua a tarefa	narração vaga, anexo ignorado ou nenhuma próxima ação concreta
compaction-retry-mutating-tool	Trabalho mutante sob pressão de compaction	Executa uma escrita real e mantém a insegurança de repetição explícita depois do efeito colateral	escrita mutante acontece, mas a segurança de repetição fica implícita, ausente ou contraditória

# Gate de release

GPT-5.5 só pode ser considerado em paridade ou melhor quando o ambiente de execução mesclado passa no pacote de paridade e nas regressões de veracidade do ambiente de execução ao mesmo tempo.

Resultados obrigatórios:

• nenhuma parada apenas em plano quando a próxima ação com ferramenta é clara
• nenhuma conclusão falsa sem execução real
• nenhuma orientação incorreta de /elevated full
• nenhum abandono silencioso de repetição ou compaction
• métricas do pacote de paridade pelo menos tão fortes quanto a baseline Opus 4.6 acordada

Para o harness inicial, o gate compara:

• taxa de conclusão
• taxa de parada não intencional
• taxa de chamadas de ferramenta válidas
• contagem de sucesso falso

A evidência de paridade é intencionalmente dividida em duas camadas:

• O PR D prova o comportamento GPT-5.5 vs. Opus 4.6 nos mesmos cenários com QA-lab
• As suítes determinísticas do PR B provam veracidade de autenticação, proxy, DNS e /elevated full fora do harness

# Matriz de objetivo para evidência

Item do gate de conclusão	PR responsável	Fonte de evidência	Sinal de aprovação
GPT-5.5 não trava mais depois do planejamento	PR A	approval-turn-tool-followthrough mais suítes de ambiente de execução do PR A	turnos de aprovação acionam trabalho real ou um estado bloqueado explícito
GPT-5.5 não finge mais progresso ou conclusão falsa de ferramenta	PR A + PR D	resultados de cenários do relatório de paridade e contagem de sucesso falso	nenhum resultado de aprovação suspeito e nenhuma conclusão apenas com comentários
GPT-5.5 não dá mais orientação falsa de /elevated full	PR B	suítes determinísticas de veracidade	motivos de bloqueio e dicas de acesso total permanecem precisos em relação ao ambiente de execução
Falhas de repetição/vitalidade permanecem explícitas	PR C + PR D	suítes de ciclo de vida/repetição do PR C mais compaction-retry-mutating-tool	trabalho mutante mantém a insegurança de repetição explícita em vez de desaparecer silenciosamente
GPT-5.5 iguala ou supera Opus 4.6 nas métricas acordadas	PR D	qa-agentic-parity-report.md e qa-agentic-parity-summary.json	mesma cobertura de cenários e nenhuma regressão em conclusão, comportamento de parada ou uso válido de ferramentas

# Como ler o veredito de paridade

Use o veredito em qa-agentic-parity-summary.json como a decisão final legível por máquina para o pacote inicial de paridade.

• pass significa que o GPT-5.5 cobriu os mesmos cenários que o Opus 4.6 e não regrediu nas métricas agregadas acordadas.
• fail significa que pelo menos um bloqueio obrigatório foi acionado: conclusão mais fraca, mais interrupções indevidas, uso válido de ferramenta mais fraco, qualquer caso de sucesso falso ou cobertura de cenário incompatível.
• "problema de CI compartilhado/base" não é, por si só, um resultado de paridade. Se ruído de CI fora do PR D bloquear uma execução, o veredito deve aguardar uma execução limpa do ambiente de execução mesclado, em vez de ser inferido a partir de logs da época da branch.
• Autenticação, proxy, DNS e veracidade de /elevated full ainda vêm das suítes determinísticas do PR B, portanto a declaração final de lançamento precisa de ambos: um veredito de paridade aprovado no PR D e cobertura de veracidade verde no PR B.

# Quem deve habilitar strict-agentic

Use strict-agentic quando:

• espera-se que o agente atue imediatamente quando a próxima etapa for óbvia
• modelos GPT-5.5 ou da família Codex forem o ambiente de execução principal
• você prefere estados bloqueados explícitos em vez de respostas "úteis" apenas recapitulativas

Mantenha o contrato padrão quando:

• você quiser o comportamento mais flexível existente
• você não estiver usando modelos da família GPT-5
• você estiver testando prompts em vez de imposição em tempo de execução

# Relacionado

• Notas do mantenedor sobre paridade GPT-5.5 / Codex