GitHub issue popisuje podezřelé shlukování reasoning tokenů u GPT-5.5 v Codexu

V repozitáři openai/codex se objevilo issue, které upozorňuje na možnou anomálii v chování GPT-5.5 při použití v Codexu.

Autor issue analyzoval metadata token_count a všiml si, že odpovědi GPT-5.5 se podezřele často zastavují přesně na hodnotě reasoning_output_tokens = 516. Další špičky se podle něj objevují kolem hodnot 1034 a 1552.

Důležité je říct hned na začátku: nejde o potvrzenou chybu od OpenAI.

Autor sám píše, že tím nechce dokazovat zkracování skrytého chain-of-thought. Užší tvrzení je opatrnější: v telemetrii Codexu podle něj existuje modelově specifické shlukování na pevných hodnotách, které může souviset s reasoning budgetem, routingem, fallbackem nebo schedulerem.

Co issue tvrdí

Podle autora bylo analyzováno 390 195 záznamů odpovědí z období od 1. února do 27. června 2026.

Z těchto dat vychází několik pozorování:

• GPT-5.5 tvořil 19,3 % všech odpovědí
• zároveň tvořil 82 % událostí s přesnou hodnotou reasoning_output_tokens = 516
• poměr exact 516 / >=516 byl u GPT-5.5 podle autora 44 %
• u ostatních modelů měl být stejný poměr jen 1,3 %
• další pevné hodnoty se měly objevovat kolem 1034 a 1552 tokenů

Autor také uvádí, že v květnu a červnu výrazně vzrostl podíl odpovědí zastavených na přesné hodnotě 516, zatímco průměrný i P90 počet reasoning tokenů ve stejném období klesl.

To je podle něj podezřelé proto, že nejde jen o obecně vyšší využití reasoning tokenů. Naopak: celková reasoning intenzita klesla, ale pevná hodnota 516 se začala objevovat častěji.

Proč je to zajímavé

Pokud by reasoning tokeny přirozeně odpovídaly složitosti úlohy, čekali bychom spíš plynulejší rozložení hodnot.

Pevné špičky na hodnotách 516, 1034 a 1552 mohou naznačovat interní hranice, limity nebo přepínání režimů. To ale zatím není jisté.

Issue proto nežádá okamžitou opravu konkrétní chyby. Spíš žádá tým Codexu, aby ověřil, zda u GPT-5.5 neexistuje chování, které odpovědi ukončuje kolem těchto hranic.

Autor navrhuje například:

• porovnat reasoning_output_tokens podle modelu
• sledovat přesné hodnoty 0, 516, 1034 a 1552
• porovnat GPT-5.5 s GPT-5.2, GPT-5.4 a Codex variantami
• přehrát složitější úlohy napříč modely a vyhodnotit kvalitu odpovědí

Co říká diskuze

V diskuzi pod issue se objevují další uživatelé, kteří hlásí podobné problémy. Někteří popisují selhání na složitějších úlohách, kde odpovědi končily právě na 516 reasoning tokenech.

Zároveň se tam objevuje i důležitý protiargument: samotná hodnota 516 automaticky neznamená, že odpověď selhala.

Jeden z komentářů upozorňuje, že model mohl v některých případech prostě nepotřebovat víc reasoning tokenů. Jinými slovy, podezřelý vzorec může být signál, ale není to sám o sobě důkaz špatné odpovědi.

To je důležité rozlišení.

Problém není „každá odpověď s 516 tokeny je špatně“.

Přesnější formulace je: pokud se u jednoho modelu neobvykle často objevuje stejná pevná hodnota a zároveň se v některých případech pojí s horšími výsledky, stojí za to zjistit, jestli nejde o systémové chování.

Proč na tom záleží

U coding agentů není důležitý jen finální text odpovědi. Důležitá je i spolehlivost procesu, kterým se model k odpovědi dostává.

Pokud by složité úlohy někdy končily příliš brzy kvůli internímu limitu, routingu nebo fallbacku, může to mít dopad hlavně na úlohy, kde je potřeba delší plánování:

• refaktoring
• hledání chyb
• bezpečnostní analýza
• kombinatorické nebo logické úlohy
• práce s větším kontextem projektu

Z pohledu vývojáře je proto podobné issue zajímavé i bez oficiálního potvrzení.

Ukazuje, že u AI nástrojů pro vývoj nestačí sledovat jen název modelu a deklarovaný výkon. Dává smysl sledovat i metadata, opakovatelnost chování a kvalitu výstupů na vlastních úlohách.

Opatrné čtení

Tento report je komunitní analýza z GitHub issue, ne oficiální závěr OpenAI.

Neprokazuje, že GPT-5.5 v Codexu má jednoznačnou chybu. Neprokazuje ani to, že pevné hodnoty reasoning tokenů vždy znamenají truncation nebo špatný výsledek.

Ukazuje ale vzorec, který autor považuje za dostatečně neobvyklý na to, aby ho tým Codexu prověřil.

A to je podle mě hlavní pointa: u coding agentů budou podobné provozní signály čím dál důležitější. Nejen odpověď samotná, ale i to, jak konzistentně a předvídatelně se model chová v náročných úlohách.