Tính tương đương về khả năng tác tử giữa GPT-5.5 và Codex

OpenClaw đã hoạt động tốt với các mô hình frontier có dùng công cụ, nhưng GPT-5.5 và các mô hình kiểu Codex vẫn hoạt động kém hơn mong đợi theo một vài cách thực tế:

chúng có thể dừng lại sau khi lập kế hoạch thay vì thực hiện công việc
chúng có thể dùng sai các schema công cụ OpenAI/Codex nghiêm ngặt
chúng có thể yêu cầu /elevated full ngay cả khi không thể có quyền truy cập đầy đủ
chúng có thể mất trạng thái tác vụ chạy lâu trong quá trình phát lại hoặc Compaction
các tuyên bố ngang bằng với Claude Opus 4.6 dựa trên giai thoại thay vì các kịch bản có thể lặp lại

Chương trình ngang bằng này khắc phục những khoảng trống đó trong bốn phần có thể review.

Những gì đã thay đổi

PR A: thực thi tác tử nghiêm ngặt

Phần này thêm một hợp đồng thực thi strict-agentic tùy chọn cho các lần chạy GPT-5 của Pi nhúng. Khi bật, OpenClaw sẽ ngừng chấp nhận các lượt chỉ lập kế hoạch như một lần hoàn thành “đủ tốt”. Nếu mô hình chỉ nói điều nó định làm và không thực sự dùng công cụ hoặc tạo tiến triển, OpenClaw sẽ thử lại với một chỉ dẫn hành động ngay và sau đó đóng thất bại bằng một trạng thái bị chặn rõ ràng thay vì âm thầm kết thúc tác vụ. Điều này cải thiện trải nghiệm GPT-5.5 nhiều nhất trong:

các lượt tiếp theo ngắn như “ok làm đi”
tác vụ code nơi bước đầu tiên đã rõ ràng
các luồng mà update_plan nên là theo dõi tiến độ thay vì văn bản lấp chỗ

PR B: tính trung thực của runtime

Phần này khiến OpenClaw nói đúng sự thật về hai điều:

vì sao lệnh gọi provider/runtime thất bại
liệu /elevated full có thực sự khả dụng hay không

Điều đó có nghĩa là GPT-5.5 nhận được tín hiệu runtime tốt hơn cho thiếu scope, lỗi làm mới xác thực, lỗi xác thực HTML 403, sự cố proxy, lỗi DNS hoặc timeout, và các chế độ truy cập đầy đủ bị chặn. Mô hình ít có khả năng bịa ra cách khắc phục sai hoặc tiếp tục yêu cầu một chế độ quyền mà runtime không thể cung cấp.

PR C: tính đúng đắn khi thực thi

Phần này cải thiện hai loại tính đúng đắn:

khả năng tương thích schema công cụ OpenAI/Codex do provider sở hữu
hiển thị trạng thái phát lại và tính sống của tác vụ dài

Công việc tương thích công cụ giảm ma sát schema cho việc đăng ký công cụ OpenAI/Codex nghiêm ngặt, đặc biệt quanh các công cụ không có tham số và kỳ vọng object-root nghiêm ngặt. Công việc phát lại/tính sống làm cho các tác vụ chạy lâu dễ quan sát hơn, để các trạng thái tạm dừng, bị chặn và bị bỏ rơi hiển thị thay vì biến mất vào văn bản lỗi chung chung.

PR D: bộ đo ngang bằng

Phần này thêm gói ngang bằng QA-lab đợt đầu để GPT-5.5 và Opus 4.6 có thể được chạy qua cùng các kịch bản và được so sánh bằng bằng chứng dùng chung. Gói ngang bằng là lớp bằng chứng. Bản thân nó không thay đổi hành vi runtime. Sau khi bạn có hai artifact qa-suite-summary.json, hãy tạo phép so sánh cổng phát hành bằng:

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

Lệnh đó ghi:

một báo cáo Markdown dễ đọc cho con người
một kết luận JSON máy đọc được
một kết quả cổng pass / fail rõ ràng

Vì sao điều này cải thiện GPT-5.5 trong thực tế

Trước công việc này, GPT-5.5 trên OpenClaw có thể cho cảm giác ít tác tử hơn Opus trong các phiên code thực tế vì runtime dung thứ các hành vi đặc biệt có hại cho các mô hình kiểu GPT-5:

các lượt chỉ có bình luận
ma sát schema quanh công cụ
phản hồi quyền mơ hồ
lỗi phát lại hoặc Compaction âm thầm

Mục tiêu không phải là làm GPT-5.5 bắt chước Opus. Mục tiêu là cung cấp cho GPT-5.5 một hợp đồng runtime thưởng cho tiến triển thật, cung cấp ngữ nghĩa công cụ và quyền sạch hơn, và biến các chế độ lỗi thành trạng thái rõ ràng, máy và con người đều đọc được. Điều đó thay đổi trải nghiệm người dùng từ:

“mô hình có kế hoạch tốt nhưng đã dừng lại”

thành:

“mô hình hoặc đã hành động, hoặc OpenClaw hiển thị chính xác lý do nó không thể”

Trước và sau đối với người dùng GPT-5.5

Trước chương trình này	Sau PR A-D
GPT-5.5 có thể dừng sau một kế hoạch hợp lý mà không thực hiện bước công cụ tiếp theo	PR A biến “chỉ lập kế hoạch” thành “hành động ngay hoặc hiển thị trạng thái bị chặn”
Schema công cụ nghiêm ngặt có thể từ chối các công cụ không tham số hoặc kiểu OpenAI/Codex theo cách khó hiểu	PR C làm cho việc đăng ký và gọi công cụ do provider sở hữu dễ dự đoán hơn
Hướng dẫn `/elevated full` có thể mơ hồ hoặc sai trong các runtime bị chặn	PR B cung cấp cho GPT-5.5 và người dùng các gợi ý runtime và quyền trung thực
Lỗi phát lại hoặc Compaction có thể khiến tác vụ như âm thầm biến mất	PR C hiển thị rõ ràng các kết quả tạm dừng, bị chặn, bị bỏ rơi và phát lại không hợp lệ
”GPT-5.5 cảm giác tệ hơn Opus” chủ yếu là giai thoại	PR D biến điều đó thành cùng gói kịch bản, cùng chỉ số và một cổng pass/fail cứng

Kiến trúc

Luồng phát hành

Gói kịch bản

Gói ngang bằng đợt đầu hiện bao gồm năm kịch bản:

`approval-turn-tool-followthrough`

Kiểm tra rằng mô hình không dừng ở “Tôi sẽ làm việc đó” sau một phê duyệt ngắn. Nó nên thực hiện hành động cụ thể đầu tiên trong cùng lượt.

`model-switch-tool-continuity`

Kiểm tra rằng công việc dùng công cụ vẫn mạch lạc qua các ranh giới chuyển đổi mô hình/runtime thay vì đặt lại thành bình luận hoặc mất ngữ cảnh thực thi.

`source-docs-discovery-report`

Kiểm tra rằng mô hình có thể đọc nguồn và tài liệu, tổng hợp phát hiện, và tiếp tục tác vụ theo kiểu tác tử thay vì tạo một tóm tắt mỏng rồi dừng sớm.

`image-understanding-attachment`

Kiểm tra rằng các tác vụ chế độ hỗn hợp có attachment vẫn khả thi để hành động và không sụp thành lời kể mơ hồ.

`compaction-retry-mutating-tool`

Kiểm tra rằng một tác vụ có thao tác ghi thay đổi thật giữ rõ tính không an toàn khi phát lại thay vì lặng lẽ trông như an toàn để phát lại nếu lần chạy bị Compaction, thử lại hoặc mất trạng thái phản hồi dưới áp lực.

Ma trận kịch bản

Kịch bản	Nội dung kiểm tra	Hành vi GPT-5.5 tốt	Tín hiệu lỗi
`approval-turn-tool-followthrough`	Các lượt phê duyệt ngắn sau kế hoạch	Bắt đầu hành động công cụ cụ thể đầu tiên ngay lập tức thay vì nhắc lại ý định	lượt tiếp theo chỉ lập kế hoạch, không có hoạt động công cụ, hoặc lượt bị chặn mà không có chặn thật
`model-switch-tool-continuity`	Chuyển đổi runtime/mô hình khi dùng công cụ	Giữ ngữ cảnh tác vụ và tiếp tục hành động mạch lạc	đặt lại thành bình luận, mất ngữ cảnh công cụ, hoặc dừng sau khi chuyển đổi
`source-docs-discovery-report`	Đọc nguồn + tổng hợp + hành động	Tìm nguồn, dùng công cụ, và tạo báo cáo hữu ích mà không bị khựng	tóm tắt mỏng, thiếu công việc công cụ, hoặc dừng ở lượt chưa hoàn tất
`image-understanding-attachment`	Công việc tác tử dựa trên attachment	Diễn giải attachment, kết nối nó với công cụ, và tiếp tục tác vụ	lời kể mơ hồ, bỏ qua attachment, hoặc không có hành động tiếp theo cụ thể
`compaction-retry-mutating-tool`	Công việc thay đổi dữ liệu dưới áp lực Compaction	Thực hiện một thao tác ghi thật và giữ rõ tính không an toàn khi phát lại sau side effect	thao tác ghi thay đổi xảy ra nhưng an toàn phát lại bị ngụ ý, bị thiếu, hoặc mâu thuẫn

Cổng phát hành

GPT-5.5 chỉ có thể được xem là ngang bằng hoặc tốt hơn khi runtime đã merge vượt qua gói ngang bằng và các hồi quy về tính trung thực runtime cùng lúc. Kết quả bắt buộc:

không có khựng chỉ lập kế hoạch khi hành động công cụ tiếp theo đã rõ
không có hoàn thành giả nếu không thực thi thật
không có hướng dẫn /elevated full sai
không âm thầm bỏ rơi khi phát lại hoặc Compaction
chỉ số gói ngang bằng ít nhất mạnh bằng baseline Opus 4.6 đã thống nhất

Đối với bộ đo đợt đầu, cổng so sánh:

tỷ lệ hoàn thành
tỷ lệ dừng ngoài ý muốn
tỷ lệ lệnh gọi công cụ hợp lệ
số lượng thành công giả

Bằng chứng ngang bằng được cố ý tách thành hai lớp:

PR D chứng minh hành vi GPT-5.5 so với Opus 4.6 trên cùng kịch bản bằng QA-lab
các bộ deterministic của PR B chứng minh tính trung thực về xác thực, proxy, DNS và /elevated full bên ngoài bộ đo

Ma trận mục tiêu sang bằng chứng

Mục cổng hoàn thành	PR sở hữu	Nguồn bằng chứng	Tín hiệu đạt
GPT-5.5 không còn khựng sau khi lập kế hoạch	PR A	`approval-turn-tool-followthrough` cộng với các bộ runtime PR A	các lượt phê duyệt kích hoạt công việc thật hoặc trạng thái bị chặn rõ ràng
GPT-5.5 không còn giả tiến triển hoặc giả hoàn thành công cụ	PR A + PR D	kết quả kịch bản của báo cáo ngang bằng và số lượng thành công giả	không có kết quả pass đáng ngờ và không có hoàn thành chỉ bằng bình luận
GPT-5.5 không còn đưa hướng dẫn `/elevated full` sai	PR B	các bộ kiểm thử tính trung thực deterministic	lý do bị chặn và gợi ý truy cập đầy đủ vẫn chính xác theo runtime
Lỗi phát lại/tính sống vẫn rõ ràng	PR C + PR D	các bộ lifecycle/phát lại PR C cộng với `compaction-retry-mutating-tool`	công việc thay đổi dữ liệu giữ rõ tính không an toàn khi phát lại thay vì âm thầm biến mất
GPT-5.5 ngang bằng hoặc vượt Opus 4.6 trên các chỉ số đã thống nhất	PR D	`qa-agentic-parity-report.md` và `qa-agentic-parity-summary.json`	cùng độ phủ kịch bản và không hồi quy về hoàn thành, hành vi dừng hoặc việc dùng công cụ hợp lệ

Cách đọc kết luận ngang bằng

Dùng kết luận trong qa-agentic-parity-summary.json làm quyết định máy đọc được cuối cùng cho gói ngang bằng đợt đầu.

pass nghĩa là GPT-5.5 đã bao phủ cùng các kịch bản như Opus 4.6 và không hồi quy trên các chỉ số tổng hợp đã thống nhất.
fail nghĩa là ít nhất một cổng bắt buộc đã bị kích hoạt: hoàn thành yếu hơn, nhiều lần dừng ngoài ý muốn hơn, sử dụng công cụ hợp lệ yếu hơn, bất kỳ trường hợp thành công giả nào, hoặc phạm vi bao phủ kịch bản không khớp.
“sự cố CI dùng chung/cơ sở” tự nó không phải là một kết quả ngang bằng. Nếu nhiễu CI bên ngoài PR D chặn một lần chạy, kết luận nên chờ một lần thực thi merged-runtime sạch thay vì được suy luận từ nhật ký thời kỳ nhánh.
Xác thực, proxy, DNS và tính trung thực của /elevated full vẫn đến từ các bộ kiểm thử xác định của PR B, vì vậy tuyên bố phát hành cuối cùng cần cả hai: kết luận ngang bằng PR D đạt và phạm vi bao phủ tính trung thực PR B xanh.

Ai nên bật `strict-agentic`

Dùng strict-agentic khi:

agent được kỳ vọng hành động ngay lập tức khi bước tiếp theo đã rõ ràng
GPT-5.5 hoặc các mô hình họ Codex là runtime chính
bạn muốn các trạng thái bị chặn rõ ràng hơn các phản hồi chỉ tóm tắt lại “hữu ích”

Giữ hợp đồng mặc định khi:

bạn muốn hành vi lỏng hơn hiện có
bạn không dùng các mô hình họ GPT-5
bạn đang kiểm thử prompt thay vì thực thi runtime

Liên quan

Ghi chú của maintainer về tính ngang bằng GPT-5.5 / Codex

Documentation Index

​Những gì đã thay đổi

​PR A: thực thi tác tử nghiêm ngặt

​PR B: tính trung thực của runtime

​PR C: tính đúng đắn khi thực thi

​PR D: bộ đo ngang bằng

​Vì sao điều này cải thiện GPT-5.5 trong thực tế

​Trước và sau đối với người dùng GPT-5.5

​Kiến trúc

​Luồng phát hành

​Gói kịch bản

​approval-turn-tool-followthrough

​model-switch-tool-continuity

​source-docs-discovery-report

​image-understanding-attachment

​compaction-retry-mutating-tool

​Ma trận kịch bản

​Cổng phát hành

​Ma trận mục tiêu sang bằng chứng

​Cách đọc kết luận ngang bằng

​Ai nên bật strict-agentic

​Liên quan