Trazas de razonamiento de GPT-6.1 Sol: legibles porque son resúmenes, no porque se filtraron

A las 00:46 UTC del 21 de octubre de 2026, una captura de pantalla del texto de razonamiento de GPT-6.1 Sol empezó a circular en X, publicada por @scaling01 con la leyenda «trazas de razonamiento totalmente legibles, nada de lo que preocuparse». El chiste —y es un chiste— es que las trazas son legibles en inglés sencillo, que es exactamente la condición que Andrej Karpathy dijo en septiembre de 2024 que significaría que el aprendizaje por refuerzo había dejado de funcionar correctamente. Hay dos cosas que decir antes que nada. Primera: el modelo no es nuevo: GPT-6.1 Sol se lanzó el 29 de septiembre de 2026 en el OpenAI DevDay, y nada en esta publicación es un lanzamiento, un cambio de versión ni el anuncio de una función. Segunda: la captura es una captura: la visión de un solo observador sobre una sola respuesta, republicada por personas que no la han reproducido. Lo nuevo y fechable es el debate que la captura desató, que se extendió a lo largo del 21 de octubre y atrajo una respuesta de Karpathy y a un grupo de investigadores discutiendo sobre el razonamiento latente. Merece la pena desmontar ese debate, porque la premisa que lo sustenta es errónea de una manera concreta y verificable. Nada de eso es hipotético: los fallos de IA y los incidentes con agentes documentados que hay detrás de lanzamientos como este se recopilan en el Archivo de Incidentes de IA de OrcaRouter, donde cada entrada incluye sus propias fuentes, su gravedad, su grado de confianza y su indicador de disputa.

Lo que realmente se publicó y lo que realmente está verificado

Si se quita el encuadre, la evidencia es escasa, lo cual es normal para este tipo de cosas. Un usuario publicó una captura de pantalla de la salida de un modelo que se lee como prosa inglesa común y bien formada, en lugar de la taquigrafía comprimida y sin puntuación en la que a menudo colapsa el texto de cadena de pensamiento bajo alta presión de entrenamiento. La publicación tenía alrededor de 65.600 visualizaciones cuando se archivó. Karpathy respondió: «Sí, diría que el RL ya está funcionando, sin duda», citando su propia frase de septiembre de 2024 de que se puede saber que el RL se hace correctamente cuando los modelos dejan de hablar inglés en su cadena de pensamiento. Otros fueron más allá: una respuesta sugirió que el campo «bien podría hacer de tripas corazón y pasarse al razonamiento latente completo», y otra sostuvo que las trazas solo habían perdido sus espacios, y que restaurarlos producía la habitual redacción escueta del modelo sobre monitorear y no inventar requisitos.

Así que en ese hilo hay tres afirmaciones distintas entrelazadas, y tienen un estatus probatorio muy diferente. Que apareciera inglés legible en una salida atribuida a GPT-6.1 Sol —sin verificar, una sola captura de pantalla, sin prompt ni ID de solicitud publicados. Que la legibilidad implique que el razonamiento interno del modelo ahora sea legible —sin verificar y, como muestra la siguiente sección, probablemente un error de categoría. Que la legibilidad implique algo sobre lo bien que funcionó el RL —una interpretación, ofrecida en broma, por alguien que no ha ejecutado el modelo en esta configuración. Trata las tres como observación de la comunidad. Ninguna de ellas es un hallazgo.

Lo que la API realmente devuelve, que es la parte que nadie citó.

Aquí está el detalle que el hilo omitió. GPT-6.1 Sol no devuelve su cadena de pensamiento, y la propia documentación de OpenAI lo dice con todas las letras: la API no expone los tokens de razonamiento en bruto que emite el modelo, y los elementos de razonamiento que sí devuelve siguen siendo opacos. Lo que recibe quien hace la llamada son tres cosas distintas, y solo una de ellas es prosa:

Cadena de pensamiento sin procesar — nunca devuelta, para cualquier nivel de esfuerzo, bajo cualquier combinación de parámetros.

• Un resumen del razonamiento —opcional, solicitado mediante el summary parámetro y escrito por el modelo como un relato narrativo en lugar de extraído de los tokens con los que realmente razonó.

• Un recuento de tokens — output_tokens_details.reasoning_tokens, un número, y el único lugar donde el razonamiento aparece por defecto.

Ese elemento intermedio es lo que casi con total seguridad es la captura de pantalla. Un canal de resumen es legible por diseño; esa es precisamente su finalidad. Se genera para que lo lea una persona, en el registro en que lee una persona, y su fluidez habla del estilo del resumidor, no de la forma del cálculo subyacente. La señal reveladora tampoco es sutil: si el texto de la captura de pantalla venía con los espacios intactos y las frases resueltas, nunca fue la traza sin procesar. La respuesta que sostiene que los espacios simplemente se habían eliminado y podían restaurarse plantea el mismo argumento desde la dirección opuesta, y es la contribución técnicamente más fundamentada del hilo.

Por qué la frase de Karpathy no se aplica aquí de la manera en que se aplicó

La afirmación de 2024 trataba sobre un diagnóstico específico: el texto sin procesar de la cadena de pensamiento que se degrada a un idioma distinto del inglés o a una abreviatura imposible de analizar es evidencia de que la política se ha optimizado hasta el punto de que su capa verbal hace algo distinto de comunicar. Ese diagnóstico solo funciona sobre el rastro sin procesar. Ejecútalo sobre un resumen y estarás evaluando al resumidor, que es una pasada separada del modelo con su propio objetivo: ser legible. Obtienes un resumen legible tanto si la política subyacente está ordenada como si no.

Esta no es una distinción inventada para la ocasión. Es la razón por la que OpenAI publica siquiera un apéndice de monitorizabilidad: si el razonamiento en bruto fuera lo que los usuarios pudieran leer, el argumento de seguridad dependería de que los usuarios lo leyeran. En cambio, el argumento depende de monitores que están más cerca de los tokens que cualquier llamador de la API, y de un canal de resumen que es deliberadamente una representación. La consecuencia para los lectores es contundente. No puedes auditar el razonamiento de GPT-6.1 Sol desde la API. Puedes auditar sus respuestas, sus recuentos de tokens y los resúmenes que declara. Cualquiera que afirme haber leído su mente a través de una captura de pantalla ha leído un documento que el modelo escribió sobre sí mismo.

El número que sí es relevante para «¿hay algo mal ahí dentro?»

Si quieres pruebas sobre lo que ocurre dentro del modelo en lugar de lo que dice sobre sí mismo, el apéndice de seguridad del despliegue de septiembre es la única fuente pública sustantiva, y está ejecutada por el proveedor: OpenAI midió su propio modelo, publicó el método y ninguna parte externa lo ha reproducido. Dos cifras de su sección de cadena de razonamiento merecen tenerse a mano.

• Controlabilidad del CoT: 44,8 % para GPT-6.1 Sol, frente al 60,9 % de GPT-6 Astra, el 23,2 % de GPT-6 Sol y el 16,1 % de GPT-5.6 Sol. Un valor más alto significa que un prompt externo puede dirigir el texto de razonamiento con mayor facilidad.

• Evasión del monitor de CoT con el máximo esfuerzo — casi cero, con el monitor de contexto completo recuperando el 100 % de los comportamientos sembrados en el propio arnés del proveedor.

• Codificación esteganográfica en el razonamiento — intentada y no demostrada, según el mismo documento.

Si se leen juntos, el panorama es lo contrario de alarmante en la dirección que insinuaba el tuit. El modelo que se lee con mayor fluidez en la superficie no es el que tiene un razonamiento más dirigible; Astra obtiene una puntuación más alta en controlabilidad y, a la vez, es el modelo que los revisores describen como más capaz en general. El razonamiento de GPT-6.1 Sol es comparativamente difícil de manipular y, según los propios números del proveedor, fácil de seguir para un monitor de contexto completo. «No hay nada de qué preocuparse» es una broma, pero, según la evidencia publicada, no está muy lejos — para la cuestión de la monitorabilidad en concreto, que es una cuestión estrecha.

El razonamiento latente es una respuesta real a un problema diferente.

La respuesta «cambiar a razonamiento latente completo» merece más respeto del que le dio el hilo, porque identifica una tensión genuina. Si el razonamiento permanece en vectores continuos, no hay nada legible que malinterpretar, nada que resumir y nada que dirigir — y tampoco nada que un monitor pueda leer, que es por lo que los laboratorios no lo han hecho sin más. El razonamiento latente cambia monitorizabilidad por margen de capacidad. Nadie en ese hilo estaba proponiendo algo gratis; proponían cerrar la ventana para impedir que la gente siguiera mirando a través de ella.

Hay un segundo flanco que conviene conocer. Un trabajo publicado este año sobre la extracción de trazas de razonamiento de API propietarias mediante canales laterales —ataques de inyección de prompts y de temporización de tokens en lugar de leer el cuerpo de la respuesta— demostró que una traza que nunca tuviste la intención de devolver puede filtrarse de todos modos. El diseño de OpenAI cierra la versión obvia de ese ataque, porque el cuerpo de la respuesta lleva una representación renderizada en lugar de la traza. No cierra el canal de temporización, y no se pretende que lo haga. Ese es el riesgo al que un lector serio debería prestar atención, y no es el riesgo del que trataba la captura de pantalla.

Cómo comprobar cualquiera de estas cosas por tu cuenta, de forma económica

Todo esto se puede probar en una tarde, y el costo es lo suficientemente bajo como para que no haya razón para fiarse de la palabra de nadie, incluida la nuestra. GPT-6.1 Sol tiene un precio de $2 por millón de tokens de entrada y $10 por millón de salida, con la entrada en caché a $0.10 y las escrituras de caché a $2.50. El contexto es de 1,050,000 tokens y la salida máxima es de 128,000. La escala de esfuerzo tiene cinco niveles —low, medium como predeterminado, high, xhigh y max— y no hay una opción "none" ni "minimal", así que no puedes pedirle a este modelo que omita el razonamiento por completo. reasoning.context acepta all_turns, lo que conserva el estado de razonamiento a lo largo de una conversación de varios turnos en lugar de reiniciarlo en cada turno.

El experimento que vale la pena realizar no es «¿se lee como inglés?» sino «¿el resumen refleja la respuesta?». Envía el mismo prompt difícil en los niveles bajo, alto y máximo, solicita resúmenes en cada uno y compara el resumen con la corrección calificada y con reasoning_tokens. Si los resúmenes se inflan mientras la precisión se mantiene plana, el resumen es decoración. Si la precisión aumenta con los tokens de razonamiento y el resumen se mantiene conciso, el resumen es un índice con pérdida pero honesto. Cualquiera de los dos resultados es más informativo que una captura de pantalla.

Esa comparación es también donde una capa de enrutamiento se justifica en lugar de añadirse a posteriori. OrcaRouter incluye openai/gpt-6.1-soljunto con más de 200 otros modelos con una sola clave y un 0% de recargo, así que los $2/$10 anteriores son la cifra que pagas y cualquier cambio de precio del proveedor se aplica ese mismo día. La conmutación por error importa para esta prueba en concreto: ejecutar tres niveles de esfuerzo en paralelo supone tres posibilidades de topar con un límite de peticiones o con una puerta de enlace defectuosa, y la conmutación automática a un proveedor en buen estado hace que la comparación A/B/C termine en lugar de quedarse a medias. Si quieres medir el canal de resumen y el canal de respuesta sin procesar en paralelo sin escribir código de cliente distinto para cada endpoint, el DSL de enrutamiento compone las llamadas en un solo lugar.

¿Qué cambiaría realmente esta pieza?

Dos desarrollos harían que esto pasara de ser una lectura estilo filtración a una noticia. El primero es cualquier cambio en el contrato de la API que devuelva algo distinto de un resumen: un parámetro de traza sin procesar, un modo de depuración, una vista previa de investigación. El registro de cambios de octubre de OpenAI no tiene ninguna entrada sobre trazas de razonamiento ni sobre cadena de pensamiento sin procesar, y el lenguaje de la documentación no ha cambiado, así que, a fecha de publicación, el contrato sigue sin cambios. El segundo es un resultado independiente reproducible: que alguien publique prompts, ID de solicitud y salidas que muestren que el resumen diverge de la corrección calificada en un nivel de esfuerzo concreto. Eso sí sería un hallazgo. Una captura de pantalla sin un prompt no lo es.

Para contextualizar dónde se sitúa realmente el modelo mientras se debate todo esto: Artificial Analysis mide GPT-6.1 Sol con un Intelligence Index de 52 en v4.3.2, lo que lo sitúa en el puesto 12 de 214 modelos, a 0,72 $ por tarea y 55,2 tokens por segundo —ejecución independiente, y la cifra de coste por tarea es la que hay que vigilar, ya que GPT-6 Astra obtiene 53 a 3,26 $ por tarea con precios de 10 $/50 $. La suite verificada de ARC Prize sitúa a GPT-6.1 Sol en el 98,5 % en ARC-AGI-1 y el 94,2 % en ARC-AGI-2. Esas son cifras de capacidad. No dicen nada sobre si el razonamiento es legible, y esa es precisamente la confusión sobre la que giró el hilo: un modelo puede ser excelente y opaco, y el resumen que lees es una cortesía, no una ventana.