Tracce di ragionamento di GPT-6.1 Sol: leggibili perché sono riassunti, non perché sono trapelate

Alle 00:46 UTC del 21 ottobre 2026, uno screenshot di GPT-6.1 Sol, il cui testo di ragionamento ha iniziato a circolare su X, pubblicato da @scaling01 con la didascalia "tracce di ragionamento del tutto leggibili, niente di cui preoccuparsi". Lo scherzo — ed è uno scherzo — è che le tracce sono leggibili in inglese semplice, che è esattamente la condizione che, come disse Andrej Karpathy nel settembre 2024, avrebbe significato che l'apprendimento per rinforzo aveva smesso di funzionare correttamente. Due cose vanno dette prima di ogni altra cosa. Primo, il modello non è nuovo: GPT-6.1 Sol è stato rilasciato il 29 settembre 2026 all'OpenAI DevDay, e nulla in questo post è un lancio, un incremento di versione o l'annuncio di una funzionalità. Secondo, lo screenshot è uno screenshot — la visuale di un osservatore su una singola risposta, ripubblicata da persone che non l'hanno riprodotta. Ciò che è nuovo e databile è il dibattito che lo screenshot ha innescato, protrattosi per tutto il 21 ottobre e che ha coinvolto una risposta di Karpathy e un gruppo di ricercatori che discutevano di ragionamento latente. Vale la pena smontare quel dibattito, perché la premessa che ne sta alla base è sbagliata in modo specifico e verificabile. Niente di tutto ciò è ipotetico: i guasti documentati dell'IA e gli incidenti degli agenti dietro rilasci come questo sono raccolti in l'OrcaRouter AI Incident Archive dove ogni voce riporta le proprie fonti, la gravità, il livello di confidenza e l'indicatore di contestazione.

Che cosa è stato effettivamente pubblicato e che cosa è effettivamente verificato

Tolta la cornice, le prove sono scarse, il che è normale per questo genere di cose. Un utente ha pubblicato uno screenshot dell'output di un modello che si legge come prosa inglese ordinaria e ben formata anziché come la stenografia compressa e priva di punteggiatura in cui il testo di catena di pensiero spesso collassa sotto forte pressione di addestramento. Il post aveva circa 65.600 visualizzazioni al momento dell'archiviazione. Karpathy ha risposto "Sì, direi che ora il RL funziona, eccome", citando la sua stessa frase di settembre 2024 secondo cui si capisce che il RL è fatto come si deve quando i modelli smettono di parlare inglese nella loro catena di pensiero. Altri sono andati oltre: una risposta suggeriva che il settore "tanto vale prenda il toro per le corna e passi al ragionamento latente completo", e un'altra sosteneva che le tracce avevano solo perso i loro spazi e che ripristinarli produceva l'ordinaria e concisa formulazione del modello su monitoraggio e sul non inventare requisiti.

Quindi in quel thread ci sono tre affermazioni distinte intrecciate tra loro, e hanno uno statuto probatorio molto diverso. Che in un output attribuito a GPT-6.1 Sol sia comparso un inglese leggibile — non verificato, un singolo screenshot, nessun prompt o ID di richiesta pubblicato. Che la leggibilità implichi che il ragionamento interno del modello sia ora leggibile — non verificato e, come mostra la sezione successiva, probabilmente un errore di categoria. Che la leggibilità implichi qualcosa su quanto bene abbia funzionato l'RL — un'interpretazione, proposta per scherzo, da qualcuno che non ha eseguito il modello in questa configurazione. Trattare tutte e tre come osservazioni della community. Nessuna di esse è una scoperta.

Quello che l'API restituisce davvero, cioè la parte che nessuno ha citato.

Ecco il dettaglio che il thread ha saltato. GPT-6.1 Sol non restituisce la propria catena di pensiero, e la documentazione di O​penAI lo afferma a chiare lettere: l'API non espone i token di ragionamento grezzi emessi dal modello, e gli elementi di ragionamento che restituisce restano opachi. A un chiamante vengono restituite tre cose distinte, e solo una di queste è testo in prosa:

• Catena di pensiero grezza — mai restituita, per qualsiasi livello di sforzo, in qualsiasi combinazione di parametri.

• Un riepilogo del ragionamento — facoltativo, richiesto tramite il summary parametro, e scritto dal modello come resoconto narrativo anziché ricavato dai token con cui ha effettivamente ragionato.

• Un conteggio di token — output_tokens_details.reasoning_tokens, un numero, e l'unico punto in cui il reasoning emerge per impostazione predefinita.

Quel punto intermedio è quasi certamente ciò che lo screenshot rappresenta. Un canale di riepilogo è leggibile per progettazione; è proprio questo il suo scopo. È generato perché lo legga un umano, nel registro in cui un umano legge, e la sua scorrevolezza ti dice qualcosa sullo stile del riepilogatore, non sulla forma del calcolo sottostante. Anche l'indizio non è affatto sottile: se il testo nello screenshot presentava gli spazi intatti e le frasi risolte, non è mai stata la traccia grezza. La risposta che sostiene che gli spazi fossero stati semplicemente rimossi e potessero essere ripristinati fa la stessa osservazione dalla direzione opposta, ed è il contributo tecnicamente più fondato del thread.

Perché la frase di Karpathy non si applica qui nel modo in cui è stata applicata

La tesi del 2024 riguardava un test diagnostico specifico: il testo grezzo della catena di pensiero che degenera in una lingua diversa dall'inglese o in abbreviazioni non interpretabili è prova che la policy è stata ottimizzata fino al punto in cui il suo livello verbale fa qualcosa di diverso dal comunicare. Quel test diagnostico funziona solo sulla traccia grezza. Applicalo a un riassunto e starai testando il riassuntore, che è una passata separata del modello con un proprio obiettivo: essere leggibile. Un riassunto leggibile è ciò che ottieni indipendentemente dal fatto che la policy sottostante sia ordinata o meno.

Non è una distinzione inventata per l’occasione. È proprio il motivo per cui OpenAI pubblica un addendum sulla monitorabilità: se il ragionamento grezzo fosse ciò che gli utenti potessero leggere, l’argomentazione sulla sicurezza si fonderebbe sul fatto che gli utenti lo leggano. Invece l’argomentazione si basa su monitor che stanno più vicini ai token di quanto stia qualsiasi chiamante dell’API, e su un canale di riepilogo che è deliberatamente una rappresentazione. La conseguenza per i lettori è netta. Non puoi verificare il ragionamento di GPT-6.1 Sol dall’API. Puoi verificare le sue risposte, i suoi conteggi dei token e i riepiloghi che dichiara. Chiunque affermi di averne letto la mente tramite uno screenshot ha letto un documento che il modello ha scritto su se stesso.

Il numero che conta davvero per «c'è qualcosa che non va là dentro»

Se volete prove su ciò che accade dentro il modello anziché su ciò che esso dice di sé, l'addendum sulla sicurezza del deployment di settembre è l'unica fonte pubblica sostanziale, ed è condotta dal fornitore — O​penAI ha misurato il proprio modello, ha pubblicato il metodo e nessuna parte esterna lo ha riprodotto. Due cifre della sua sezione sulla catena di pensiero vale la pena tenerle a mente.

• Controllabilità del CoT — 44,8% per {{1}}GPT-6.1 Sol{{/1}}, contro il 60,9% di {{2}}GPT-6 Astra{{/2}}, il 23,2% di {{3}}GPT-6 Sol{{/3}} e il 16,1% di {{4}}GPT-5.6 Sol{{/4}}. Un valore più alto significa che un prompt esterno può orientare più facilmente il testo del ragionamento.

• Elusione del monitor CoT con il massimo sforzo — quasi zero, con il monitor a contesto completo che recupera il 100% dei comportamenti inseriti nell'harness dello stesso fornitore.

• {{1}}Codifica steganografica{{/1}} nel ragionamento — tentata e non dimostrata, secondo lo stesso documento.

Se li si legge insieme, il quadro è l’opposto di allarmante rispetto alla direzione implicata dal tweet. Il modello che in superficie si legge con maggiore fluidità non è quello il cui ragionamento è più controllabile; Astra ottiene un punteggio più alto in controllabilità pur essendo il modello che i revisori descrivono come complessivamente più capace. Il ragionamento di GPT-6.1 Sol è relativamente difficile da condizionare e, secondo i dati dello stesso fornitore, facile da seguire per un monitor a contesto completo. «Niente di cui preoccuparsi» è una battuta, ma stando alle prove pubblicate non è poi così lontano dalla realtà — per la questione specifica della monitorabilità, che è una questione ristretta.

Il ragionamento latente è una vera risposta a un problema diverso

La risposta "passare al ragionamento latente completo" merita più rispetto di quanto le abbia dato il thread, perché individua una tensione reale. Se il ragionamento resta in vettori continui, non c'è nulla di leggibile da fraintendere, nulla da riassumere e nulla da guidare — e anche nulla che un monitor possa leggere, ed è per questo che i laboratori non l'hanno semplicemente fatto. Il ragionamento latente scambia monitorabilità con margine di capacità. Nessuno in quel thread proponeva un pasto gratis; proponevano di chiudere la finestra per impedire alla gente di guardarci attraverso.

C'è un secondo fronte di cui vale la pena essere consapevoli. Lavori pubblicati quest'anno sull'estrazione di tracce di ragionamento da API proprietarie attraverso canali laterali — attacchi di prompt injection e di timing dei token anziché la lettura del corpo della risposta — hanno stabilito che una traccia che non avevi mai intenzione di restituire può comunque uscire. Il design di OpenAI chiude la versione ovvia di quell'attacco, perché il corpo della risposta contiene un rendering anziché la traccia. Non chiude il canale di timing, e non si pretende che lo faccia. Questo è il rischio che un lettore serio dovrebbe tenere d'occhio, e non è il rischio a cui si riferiva lo screenshot.

Come verificare tutto questo da solo, spendendo poco

Tutto quanto è verificabile in un pomeriggio, e il costo è abbastanza basso che non c'è motivo di fidarsi della parola di qualcuno, inclusa la nostra. GPT-6.1 Sol ha un prezzo di $2 per milione di token di input e $10 per milione di output, con input in cache a $0.10 e scritture in cache a $2.50. Il contesto è di 1.050.000 token e l'output massimo è di 128.000. La scala dell'effort ha cinque livelli — low, medium come impostazione predefinita, high, xhigh e max — e non esiste un'impostazione "none" o "minimal", quindi non puoi chiedere a questo modello di saltare del tutto il ragionamento. reasoning.context accetta all_turns, che mantiene lo stato di ragionamento attraverso una conversazione multi-turno invece di riavviarlo a ogni turno.

L'esperimento che vale la pena fare non è «sembra scritto in inglese?» ma «la sintesi segue la risposta?». Invia lo stesso prompt difficile a basso, alto e massimo, richiedi i riassunti per ciascuno e confronta il riassunto con la correttezza valutata e con reasoning_tokens. Se i riassunti si gonfiano mentre l'accuratezza resta piatta, il riassunto è decorazione. Se l'accuratezza sale con i reasoning_tokens e il riassunto resta conciso, il riassunto è un indice con perdita ma onesto. Entrambi i risultati sono più informativi di uno screenshot.

È anche in questo confronto che un livello di routing si guadagna il suo posto invece di essere aggiunto a posteriori. OrcaRouter offre openai/gpt-6.1-solinsieme ad altri oltre 200 modelli su un'unica chiave con markup dello 0%, quindi i $2/$10 indicati sopra sono la cifra che paghi e qualsiasi variazione di prezzo del fornitore si applica lo stesso giorno. Il failover conta per questo test specifico: eseguire tre livelli di effort in parallelo significa tre possibilità di incappare in un rate limit o in un bad gateway, e il failover automatico verso un provider sano fa sì che il confronto A/B/C arrivi a termine invece di fermarsi a metà. Se vuoi misurare affiancati il canale di riepilogo e il canale delle risposte grezze senza scrivere codice client separato per ogni endpoint, il DSL di routing compone le chiamate in un unico punto.

Cosa cambierebbe davvero questo pezzo

Due sviluppi farebbero passare questa cosa da una lettura in stile fuga di notizie a una vera notizia. Il primo è qualsiasi modifica al contratto dell’API che restituisca qualcosa di diverso da un riepilogo: un parametro per la traccia grezza, una modalità di debug, un’anteprima di ricerca. Il changelog di ottobre di OpenAI non contiene voci sulle tracce di ragionamento o sulla catena di pensiero grezza, e la formulazione della documentazione non è cambiata, quindi al momento della pubblicazione il contratto è invariato. Il secondo è un risultato indipendente e riproducibile: qualcuno che pubblichi prompt, ID delle richieste e output che mostrano il riepilogo divergere dalla correttezza valutata a uno specifico livello di sforzo. Quello sarebbe un risultato. Uno screenshot senza un prompt no.

Per contestualizzare dove si colloca effettivamente il modello mentre si discute di tutto questo: Artificial Analysis misura GPT-6.1 Sol a un Intelligence Index di 52 su v4.3.2, al 12° posto su 214 modelli, a $0,72 per attività e 55,2 token al secondo — eseguito in modo indipendente, e il dato del costo per attività è quello da tenere d'occhio, dato che GPT-6 Astra segna 53 a $3,26 per attività con prezzi $10/$50. La suite verificata di ARC Prize colloca GPT-6.1 Sol al 98,5% su ARC-AGI-1 e al 94,2% su ARC-AGI-2. Questi sono numeri di capacità. Non dicono nulla sulla leggibilità del ragionamento, ed è esattamente la confusione su cui si è incentrato il thread: un modello può essere eccellente e opaco, e il riassunto che leggi è una cortesia, non una finestra.