GPT-5.5 / агентний паритет Codex

OpenClaw уже добре працював із передовими моделями, що використовують інструменти, але GPT-5.5 і моделі у стилі Codex усе ще поступалися в кількох практичних аспектах:

вони могли зупинятися після планування замість виконання роботи
вони могли неправильно використовувати строгі схеми інструментів OpenAI/Codex
вони могли просити /elevated full, навіть коли повний доступ був неможливий
вони могли втрачати стан довготривалого завдання під час replay або compaction
твердження про паритет із Claude Opus 4.6 ґрунтувалися на окремих прикладах, а не на повторюваних сценаріях

Ця програма паритету усуває ці прогалини в чотирьох придатних для перегляду частинах.

Що змінилося

PR A: виконання strict-agentic

Ця частина додає опціональний контракт виконання strict-agentic для вбудованих запусків Pi GPT-5. Коли його ввімкнено, OpenClaw перестає приймати ходи лише з планом як достатньо добрі для завершення. Якщо модель лише каже, що має намір зробити, але фактично не використовує інструменти й не робить поступу, OpenClaw повторює спробу з підказкою діяти негайно, а потім завершує закрито з явним заблокованим станом замість того, щоб тихо завершити завдання. Це найбільше покращує досвід GPT-5.5 у:

коротких подальших відповідях на кшталт “ок, зроби це”
кодових завданнях, де перший крок очевидний
потоках, де update_plan має бути відстеженням поступу, а не текстом-заповнювачем

PR B: правдивість runtime

Ця частина змушує OpenClaw правдиво повідомляти про дві речі:

чому виклик provider/runtime зазнав невдачі
чи /elevated full справді доступний

Це означає, що GPT-5.5 отримує кращі runtime-сигнали для відсутнього scope, збоїв оновлення auth, HTML 403 auth-помилок, проблем із proxy, DNS або timeout-збоїв і заблокованих режимів повного доступу. Модель із меншою ймовірністю вигадує неправильне виправлення або продовжує просити режим дозволів, який runtime не може надати.

PR C: коректність виконання

Ця частина покращує два типи коректності:

сумісність схем інструментів OpenAI/Codex, якими володіє provider
відображення replay і живучості довгих завдань

Робота над сумісністю інструментів зменшує тертя схем для строгій реєстрації інструментів OpenAI/Codex, особливо навколо інструментів без параметрів і строгих очікувань щодо кореневого об’єкта. Робота над replay/живучістю робить довготривалі завдання помітнішими, тому призупинені, заблоковані й покинуті стани видимі замість того, щоб зникати в узагальненому тексті помилки.

PR D: parity harness

Ця частина додає parity pack першої хвилі для QA-lab, щоб GPT-5.5 і Opus 4.6 можна було проганяти через ті самі сценарії та порівнювати за спільними доказами. Parity pack є шаром доказів. Сам по собі він не змінює поведінку runtime. Після того як у вас є два артефакти qa-suite-summary.json, згенеруйте порівняння для release gate за допомогою:

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

Ця команда записує:

зручний для читання Markdown-звіт
машиночитний JSON-вердикт
явний результат gate pass / fail

Чому це покращує GPT-5.5 на практиці

До цієї роботи GPT-5.5 в OpenClaw міг здаватися менш агентним, ніж Opus, у реальних сеансах кодування, бо runtime допускав поведінку, особливо шкідливу для моделей у стилі GPT-5:

ходи лише з коментарями
тертя схем навколо інструментів
нечіткий зворотний зв’язок щодо дозволів
непомітні збої replay або compaction

Мета не в тому, щоб змусити GPT-5.5 імітувати Opus. Мета — дати GPT-5.5 runtime-контракт, який винагороджує реальний поступ, надає чистішу семантику інструментів і дозволів та перетворює режими відмови на явні машино- й людиночитні стани. Це змінює досвід користувача з:

“модель мала добрий план, але зупинилася”

на:

“модель або діяла, або OpenClaw показав точну причину, чому вона не могла”

До й після для користувачів GPT-5.5

До цієї програми	Після PR A-D
GPT-5.5 міг зупинятися після розумного плану, не виконуючи наступний крок інструментом	PR A перетворює “лише план” на “дій зараз або покажи заблокований стан”
Строгі схеми інструментів могли відхиляти інструменти без параметрів або форми OpenAI/Codex у заплутаний спосіб	PR C робить реєстрацію та виклик інструментів, якими володіє provider, передбачуванішими
Підказки щодо `/elevated full` могли бути нечіткими або неправильними в заблокованих runtime	PR B дає GPT-5.5 і користувачу правдиві runtime-підказки та підказки щодо дозволів
Збої replay або compaction могли виглядати так, ніби завдання тихо зникло	PR C явно показує призупинені, заблоковані, покинуті та replay-invalid результати
”GPT-5.5 здається гіршим за Opus” було переважно анекдотичним твердженням	PR D перетворює це на той самий набір сценаріїв, ті самі метрики й жорсткий gate pass/fail

Архітектура

Процес release

Набір сценаріїв

Parity pack першої хвилі наразі охоплює п’ять сценаріїв:

`approval-turn-tool-followthrough`

Перевіряє, що модель не зупиняється на “я це зроблю” після короткого схвалення. Вона має виконати першу конкретну дію в тому самому ході.

`model-switch-tool-continuity`

Перевіряє, що робота з використанням інструментів залишається узгодженою на межах перемикання model/runtime замість того, щоб скидатися до коментарів або втрачати контекст виконання.

`source-docs-discovery-report`

Перевіряє, що модель може читати source і docs, синтезувати висновки та продовжувати завдання агентно, а не створювати поверховий підсумок і передчасно зупинятися.

`image-understanding-attachment`

Перевіряє, що змішанорежимні завдання з вкладеннями залишаються придатними до дії й не зводяться до нечіткої оповіді.

`compaction-retry-mutating-tool`

Перевіряє, що завдання з реальною мутуючою операцією запису зберігає явну replay-небезпечність замість того, щоб тихо виглядати replay-безпечним, якщо запуск зазнає compaction, retry або втратить стан відповіді під тиском.

Матриця сценаріїв

Сценарій	Що він тестує	Добра поведінка GPT-5.5	Сигнал невдачі
`approval-turn-tool-followthrough`	Короткі ходи схвалення після плану	Негайно починає першу конкретну дію інструментом замість повторення наміру	подальший хід лише з планом, відсутність активності інструментів або заблокований хід без реальної перешкоди
`model-switch-tool-continuity`	Перемикання runtime/model під час використання інструментів	Зберігає контекст завдання й продовжує діяти узгоджено	скидання до коментарів, втрата контексту інструментів або зупинка після перемикання
`source-docs-discovery-report`	Читання source + синтез + дія	Знаходить джерела, використовує інструменти й створює корисний звіт без зависання	поверховий підсумок, відсутня робота інструментами або зупинка на незавершеному ході
`image-understanding-attachment`	Агентна робота, керована вкладенням	Інтерпретує вкладення, пов’язує його з інструментами й продовжує завдання	нечітка оповідь, вкладення проігноровано або немає конкретної наступної дії
`compaction-retry-mutating-tool`	Мутуюча робота під тиском compaction	Виконує реальний запис і зберігає явну replay-небезпечність після побічного ефекту	мутуючий запис відбувається, але replay-безпечність натякається, відсутня або суперечлива

Release gate

GPT-5.5 можна вважати на рівні паритету або кращим лише тоді, коли об’єднаний runtime одночасно проходить parity pack і регресійні перевірки runtime-правдивості. Обов’язкові результати:

немає зависання лише на плані, коли наступна дія інструментом очевидна
немає фальшивого завершення без реального виконання
немає неправильних підказок щодо /elevated full
немає тихого покидання replay або compaction
метрики parity pack щонайменше такі самі сильні, як узгоджений baseline Opus 4.6

Для harness першої хвилі gate порівнює:

completion rate
unintended-stop rate
valid-tool-call rate
fake-success count

Докази паритету навмисно розділені на два шари:

PR D доводить поведінку GPT-5.5 проти Opus 4.6 у тих самих сценаріях за допомогою QA-lab
детерміновані набори PR B доводять правдивість auth, proxy, DNS і /elevated full поза harness

Матриця цілей і доказів

Елемент completion gate	Відповідальний PR	Джерело доказів	Сигнал проходження
GPT-5.5 більше не зависає після планування	PR A	`approval-turn-tool-followthrough` плюс runtime-набори PR A	ходи схвалення запускають реальну роботу або явний заблокований стан
GPT-5.5 більше не імітує поступ або фальшиве завершення інструменту	PR A + PR D	результати сценаріїв parity report і fake-success count	немає підозрілих pass-результатів і немає завершення лише з коментарями
GPT-5.5 більше не дає хибних підказок щодо `/elevated full`	PR B	детерміновані набори правдивості	причини блокування й підказки full-access залишаються точними щодо runtime
Збої replay/живучості залишаються явними	PR C + PR D	lifecycle/replay-набори PR C плюс `compaction-retry-mutating-tool`	мутуюча робота зберігає явну replay-небезпечність замість тихого зникнення
GPT-5.5 дорівнює або перевершує Opus 4.6 за узгодженими метриками	PR D	`qa-agentic-parity-report.md` і `qa-agentic-parity-summary.json`	те саме покриття сценаріїв і відсутність регресії щодо completion, поведінки зупинок або валідного використання інструментів

Як читати parity verdict

Використовуйте verdict у qa-agentic-parity-summary.json як фінальне машиночитне рішення для parity pack першої хвилі.

pass означає, що GPT-5.5 охопив ті самі сценарії, що й Opus 4.6, і не мав регресій за узгодженими агрегованими метриками.
fail означає, що спрацював принаймні один жорсткий шлюз: слабше завершення, гірші ненавмисні зупинки, слабше коректне використання інструментів, будь-який випадок фальшивого успіху або невідповідне покриття сценаріїв.
“спільна/базова проблема CI” сама по собі не є результатом паритету. Якщо шум CI поза PR D блокує запуск, вердикт має чекати чистого виконання об’єднаного runtime, а не виводитися з журналів часів гілки.
Автентифікація, проксі, DNS і правдивість /elevated full досі походять із детермінованих наборів PR B, тому фінальне твердження про реліз потребує обох умов: успішного вердикту паритету PR D і зеленого покриття правдивості PR B.

Кому слід увімкнути `strict-agentic`

Використовуйте strict-agentic, коли:

очікується, що агент діятиме негайно, коли наступний крок очевидний
GPT-5.5 або моделі родини Codex є основним runtime
ви віддаєте перевагу явним заблокованим станам замість “корисних” відповідей лише з підсумком

Залишайте типовий контракт, коли:

вам потрібна наявна вільніша поведінка
ви не використовуєте моделі родини GPT-5
ви тестуєте промпти, а не примусове виконання на рівні runtime

Пов’язане

Нотатки мейнтейнера щодо паритету GPT-5.5 / Codex

Documentation Index

​Що змінилося

​PR A: виконання strict-agentic

​PR B: правдивість runtime

​PR C: коректність виконання

​PR D: parity harness

​Чому це покращує GPT-5.5 на практиці

​До й після для користувачів GPT-5.5

​Архітектура

​Процес release

​Набір сценаріїв

​approval-turn-tool-followthrough

​model-switch-tool-continuity

​source-docs-discovery-report

​image-understanding-attachment

​compaction-retry-mutating-tool

​Матриця сценаріїв

​Release gate

​Матриця цілей і доказів

​Як читати parity verdict

​Кому слід увімкнути strict-agentic

​Пов’язане