บันทึกผู้ดูแลเกี่ยวกับความเท่าเทียมของ GPT-5.5 / Codex

บันทึกนี้อธิบายวิธีตรวจทานโปรแกรมความเท่าเทียม GPT-5.5 / Codex เป็นหน่วย merge สี่หน่วย โดยไม่สูญเสียสถาปัตยกรรมหกสัญญาเดิม

# หน่วย merge

# PR A: การดำเนินการแบบ agentic ที่เข้มงวด

รับผิดชอบ:

• executionContract
• การติดตามงานให้จบภายใน turn เดียวกันแบบเน้น GPT-5 เป็นอันดับแรก
• update_plan ในฐานะการติดตามความคืบหน้าแบบไม่ใช่สถานะปลายทาง
• สถานะถูกบล็อกที่ชัดเจนแทนการหยุดเงียบแบบมีแต่แผน

ไม่รับผิดชอบ:

• การจัดประเภทความล้มเหลวของ auth/runtime
• ความซื่อตรงของ permission
• การออกแบบ replay/continuation ใหม่
• การวัดเปรียบเทียบความเท่าเทียม

# PR B: ความซื่อตรงของ runtime

รับผิดชอบ:

• ความถูกต้องของ scope OAuth ของ Codex
• การจัดประเภทความล้มเหลวของ provider/runtime แบบมีชนิด
• ความพร้อมใช้งานและเหตุผลการถูกบล็อกของ /elevated full ที่ตรงความจริง

ไม่รับผิดชอบ:

• การทำ normalization ของ tool schema
• สถานะ replay/liveness
• การตั้ง gate สำหรับ benchmark

# PR C: ความถูกต้องของการดำเนินการ

รับผิดชอบ:

• ความเข้ากันได้ของเครื่องมือ OpenAI/Codex ที่ provider เป็นเจ้าของ
• การจัดการ strict schema แบบไม่มี parameter
• การแสดง replay-invalid
• การมองเห็นสถานะงานยาวที่ paused, blocked และ abandoned

ไม่รับผิดชอบ:

• continuation ที่เลือกเอง
• พฤติกรรม dialect ทั่วไปของ Codex นอก provider hooks
• การตั้ง gate สำหรับ benchmark

# PR D: ชุดทดสอบความเท่าเทียม

รับผิดชอบ:

• ชุด scenario ระลอกแรกสำหรับ GPT-5.5 เทียบกับ Opus 4.6
• เอกสารความเท่าเทียม
• รายงานความเท่าเทียมและกลไก release-gate

ไม่รับผิดชอบ:

• การเปลี่ยนแปลงพฤติกรรม runtime นอก QA-lab
• การจำลอง auth/proxy/DNS ภายในชุดทดสอบ

# การแมปกลับไปยังหกสัญญาเดิม

สัญญาเดิม	หน่วย merge
ความถูกต้องของ transport/auth ของ provider	PR B
ความเข้ากันได้ของ tool contract/schema	PR C
การดำเนินการใน turn เดียวกัน	PR A
ความซื่อตรงของ permission	PR B
ความถูกต้องของ replay/continuation/liveness	PR C
Benchmark/release gate	PR D

# ลำดับการตรวจทาน

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

PR D คือชั้นพิสูจน์ ไม่ควรเป็นเหตุให้ PR ด้านความถูกต้องของ runtime ล่าช้า

# สิ่งที่ต้องตรวจดู

# PR A

• การรัน GPT-5 ลงมือทำหรือ fail closed แทนการหยุดที่ commentary
• update_plan ไม่ดูเหมือนความคืบหน้าโดยตัวมันเองอีกต่อไป
• พฤติกรรมยังคงเน้น GPT-5 เป็นอันดับแรกและจำกัดขอบเขตกับ Pi แบบฝังตัว

# PR B

• ความล้มเหลวของ auth/proxy/runtime ไม่ถูกยุบเป็นการจัดการแบบทั่วไปว่า "model failed" อีกต่อไป
• /elevated full ถูกอธิบายว่าพร้อมใช้งานก็ต่อเมื่อพร้อมใช้งานจริง
• เหตุผลการถูกบล็อกมองเห็นได้ทั้งกับโมเดลและ runtime ที่ผู้ใช้เห็น

# PR C

• การลงทะเบียนเครื่องมือ OpenAI/Codex แบบเข้มงวดมีพฤติกรรมคาดเดาได้
• เครื่องมือที่ไม่มี parameter ไม่ล้มเหลวในการตรวจ strict schema
• ผลลัพธ์ของ replay และ Compaction รักษาสถานะ liveness ที่ตรงความจริง

# PR D

• ชุด scenario เข้าใจได้และทำซ้ำได้
• ชุดนี้มี lane ความปลอดภัยของ replay แบบมีการเปลี่ยนแปลง ไม่ใช่เฉพาะ flow แบบอ่านอย่างเดียว
• รายงานอ่านได้ทั้งโดยมนุษย์และระบบอัตโนมัติ
• คำกล่าวอ้างเรื่องความเท่าเทียมมีหลักฐานรองรับ ไม่ใช่เรื่องเล่าจากประสบการณ์

artifact ที่คาดหวังจาก PR D:

• qa-suite-report.md / qa-suite-summary.json สำหรับการรันแต่ละโมเดล
• qa-agentic-parity-report.md พร้อมการเปรียบเทียบระดับรวมและระดับ scenario
• qa-agentic-parity-summary.json พร้อมคำตัดสินที่เครื่องอ่านได้

# Release gate

อย่าอ้างว่า GPT-5.5 เท่าเทียมหรือเหนือกว่า Opus 4.6 จนกว่า:

• PR A, PR B และ PR C จะ merge แล้ว
• PR D รันชุดความเท่าเทียมระลอกแรกได้สะอาด
• ชุด regression ด้านความซื่อตรงของ runtime ยังคงผ่าน
• รายงานความเท่าเทียมไม่แสดงกรณี fake-success และไม่มี regression ในพฤติกรรมการหยุด

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"]

ชุดทดสอบความเท่าเทียมไม่ใช่แหล่งหลักฐานเพียงแหล่งเดียว ให้แยกเรื่องนี้ไว้อย่างชัดเจนในการตรวจทาน:

• PR D รับผิดชอบการเปรียบเทียบ GPT-5.5 กับ Opus 4.6 ตาม scenario
• ชุด deterministic ของ PR B ยังคงรับผิดชอบหลักฐานด้าน auth/proxy/DNS และความซื่อตรงของ full-access

# Workflow merge ด่วนสำหรับ maintainer

ใช้ส่วนนี้เมื่อคุณพร้อม land PR ความเท่าเทียมและต้องการลำดับที่ทำซ้ำได้และความเสี่ยงต่ำ

1. ยืนยันว่าเกณฑ์หลักฐานผ่านก่อน merge:
   • symptom ที่ทำซ้ำได้หรือ test ที่ล้มเหลว
   • root cause ที่ตรวจยืนยันแล้วใน code ที่แตะ
   • fix ใน path ที่เกี่ยวข้อง
   • regression test หรือบันทึกการยืนยันด้วยมือที่ชัดเจน
2. Triage/label ก่อน merge:
   • ใช้ label auto-close r:* ใด ๆ เมื่อ PR ไม่ควร land
   • รักษา merge candidates ให้ไม่มี thread ตัวบล็อกที่ยังไม่ resolved
3. ตรวจสอบในเครื่องบนพื้นผิวที่แตะ:
   • pnpm check:changed
   • pnpm test:changed เมื่อ test เปลี่ยนหรือความมั่นใจของ bug-fix ขึ้นกับ coverage ของ test
4. Land ด้วย flow มาตรฐานของ maintainer (กระบวนการ /landpr) แล้วตรวจสอบ:
   • พฤติกรรม auto-close ของ issue ที่ลิงก์ไว้
   • CI และสถานะหลัง merge บน main
5. หลัง land แล้ว ให้ค้นหา duplicate สำหรับ PR/issue เปิดที่เกี่ยวข้อง และปิดเฉพาะเมื่อมี reference มาตรฐานเท่านั้น

หากมีรายการใดรายการหนึ่งในเกณฑ์หลักฐานที่ขาดไป ให้ request changes แทนการ merge

# แผนที่เป้าหมายสู่หลักฐาน

รายการ completion gate	เจ้าของหลัก	artifact สำหรับตรวจทาน
ไม่มีการค้างแบบมีแต่แผน	PR A	test runtime แบบ strict-agentic และ approval-turn-tool-followthrough
ไม่มีความคืบหน้าปลอมหรือการทำเครื่องมือเสร็จปลอม	PR A + PR D	จำนวน fake-success ของความเท่าเทียมพร้อมรายละเอียดรายงานระดับ scenario
ไม่มีคำแนะนำ /elevated full ที่ผิดพลาด	PR B	ชุด deterministic ด้านความซื่อตรงของ runtime
ความล้มเหลวของ replay/liveness ยังคงชัดเจน	PR C + PR D	ชุด lifecycle/replay พร้อม compaction-retry-mutating-tool
GPT-5.5 เทียบเท่าหรือดีกว่า Opus 4.6	PR D	qa-agentic-parity-report.md และ qa-agentic-parity-summary.json

# คำย่อสำหรับ reviewer: ก่อนเทียบกับหลัง

ปัญหาที่ผู้ใช้มองเห็นก่อนหน้า	สัญญาณการตรวจทานหลังแก้ไข
GPT-5.5 หยุดหลังวางแผน	PR A แสดงพฤติกรรม act-or-block แทนการจบแบบมีแต่ commentary
การใช้เครื่องมือรู้สึกเปราะกับ schema OpenAI/Codex แบบเข้มงวด	PR C ทำให้การลงทะเบียนเครื่องมือและการเรียกแบบไม่มี parameter คาดเดาได้
คำใบ้ /elevated full บางครั้งทำให้เข้าใจผิด	PR B ผูกคำแนะนำกับ capability ของ runtime จริงและเหตุผลการถูกบล็อก
งานยาวอาจหายไปในความกำกวมของ replay/Compaction	PR C emit สถานะ paused, blocked, abandoned และ replay-invalid ที่ชัดเจน
คำกล่าวอ้างเรื่องความเท่าเทียมเป็นเรื่องเล่าจากประสบการณ์	PR D สร้างรายงานพร้อมคำตัดสิน JSON โดยมี coverage ของ scenario เดียวกันบนทั้งสองโมเดล

# ที่เกี่ยวข้อง

• ความเท่าเทียมเชิง agentic ของ GPT-5.5 / Codex