Ślady rozumowania GPT-6.1 Sol: czytelne, ponieważ są streszczeniami, a nie dlatego, że wyciekły

21 października 2026 r. o 00:46 UTC zrzut ekranu GPT-6.1 Sol z tekstem rozumowania zaczął krążyć na X, opublikowany przez @scaling01 z podpisem „ślady rozumowania całkowicie czytelne, nie ma się czym martwić”. Żart — i to jest żart — polega na tym, że ślady są czytelne w zwyczajnym języku angielskim, a to dokładnie ten warunek, który według Andreja Karpathy'ego we wrześniu 2024 r. oznaczałby, że uczenie ze wzmocnieniem przestało działać poprawnie. Na wstępie trzeba powiedzieć dwie rzeczy. Po pierwsze, model nie jest nowy: GPT-6.1 Sol został wydany 29 września 2026 r. na OpenAI DevDay, a nic w tym poście nie jest premierą, podniesieniem numeru wersji ani ogłoszeniem funkcji. Po drugie, zrzut ekranu to zrzut ekranu — widok jednej odpowiedzi z perspektywy jednego obserwatora, udostępniony ponownie przez osoby, które go nie odtworzyły. Nowa i możliwa do datowania jest natomiast debata, którą zapoczątkował ten zrzut ekranu; ciągnęła się przez cały 21 października i wciągnęła odpowiedź Karpathy'ego oraz grupę badaczy spierających się o rozumowanie latentne. Ten spór warto rozłożyć na części, ponieważ leżąca u jego podstaw przesłanka jest błędna w konkretny i możliwy do sprawdzenia sposób. Nic z tego nie jest hipotetyczne: udokumentowane awarie AI i incydenty z agentami stojące za takimi wydaniami jak to są zebrane w OrcaRouter AI Incident Archive, gdzie każdy wpis ma własne źródła, poziom dotkliwości, ocenę pewności i znacznik sporności.

Co zostało faktycznie opublikowane, a co faktycznie zweryfikowane

Po odarciu tego z ramy dowody są cienkie, co jest normalne w tego typu sprawach. Użytkownik opublikował zrzut ekranu z wynikiem modelu, który czyta się jak zwykła, poprawnie zbudowana angielska proza, a nie skompresowany, pozbawiony interpunkcji skrót, w który tekst chain-of-thought często się zapada przy dużym nacisku treningowym. Post miał około 65 600 wyświetleń, zanim został zarchiwizowany. Karpathy odpowiedział: „Tak, powiedziałbym, że RL teraz działa, i to jak”, cytując własne zdanie z września 2024 r., że można poznać, iż RL zrobiono właściwie, gdy modele przestają mówić po angielsku w swoim łańcuchu myśli. Inni poszli dalej: jedna odpowiedź sugerowała, że dziedzina „może równie dobrze przełknąć gorzką pigułkę i przejść na pełne rozumowanie latentne”, a inny przekonywał, że ślady jedynie utraciły spacje i że przywrócenie ich dało zwykłe, zwięzłe sformułowania modelu o monitorowaniu i niewymyślaniu wymagań.

W tym wątku splatają się trzy osobne twierdzenia, a mają one bardzo różny status dowodowy. To, że w wyniku przypisywanym GPT-6.1 Sol pojawił się czytelny angielski — niezweryfikowane, pojedynczy zrzut ekranu, bez opublikowanego promptu ani identyfikatora żądania. To, że owa czytelność oznacza, iż wewnętrzne rozumowanie modelu jest teraz czytelne — niezweryfikowane i, jak pokazuje następna sekcja, prawdopodobnie błąd kategorii. To, że owa czytelność coś mówi o tym, jak dobrze zadziałało RL — interpretacja przedstawiona żartem przez kogoś, kto nie uruchamiał modelu w tej konfiguracji. Traktuj wszystkie trzy jako obserwacje społeczności. Żadna z nich nie jest ustaleniem.

To, co API faktycznie zwraca, czyli część, której nikt nie zacytował.

Oto szczegół, który wątek pominął. GPT-6.1 Sol nie zwraca swojego łańcucha myśli, a dokumentacja samego O​penAI mówi to wprost: API nie udostępnia surowych tokenów rozumowania, które emituje model, a elementy rozumowania, które mimo to zwraca, pozostają nieprzejrzyste. Do wywołującego wracają trzy odrębne rzeczy i tylko jedna z nich jest prozą:

• Surowy łańcuch rozumowania — nigdy niezwracany, niezależnie od poziomu wysiłku, przy dowolnej kombinacji parametrów.

• Podsumowanie rozumowania — opcjonalne, żądane za pomocą parametru summary, zapisywane przez model jako opis narracyjny, a nie zaczerpnięte z tokenów, którymi faktycznie rozumował.

• Liczba tokenów — output_tokens_details.reasoning_tokens, liczba, i jedyne miejsce, w którym rozumowanie pojawia się domyślnie.

Ten środkowy element to niemal na pewno to, co przedstawia zrzut ekranu. Kanał podsumowań jest z założenia czytelny; taki jest cały jego sens. Jest generowany z myślą o czytaniu przez człowieka, w rejestrze, w jakim czyta człowiek, a jego płynność mówi o stylu podsumowującego, nie o kształcie obliczeń, które się pod nim kryją. Sygnał rozpoznawczy też nie jest subtelny: jeśli tekst na zrzucie ekranu pojawił się z nienaruszonymi spacjami i kompletnymi zdaniami, to nigdy nie był surowym śladem. Odpowiedź argumentująca, że spacje po prostu usunięto i można je przywrócić, mówi to samo z przeciwnej strony i jest najbardziej technicznie ugruntowanym wkładem w wątku.

Dlaczego zdanie Karpathy'ego nie ma tu zastosowania w taki sposób, w jaki zostało zastosowane

Twierdzenie z 2024 r. dotyczyło konkretnej diagnozy: surowy tekst łańcucha myśli, który degeneruje się do nieangielskiego lub niemożliwego do sparsowania skrótu, jest dowodem, że polityka została zoptymalizowana do tego stopnia, że jej warstwa werbalna robi coś innego niż komunikowanie. Ta diagnoza działa tylko na surowym śladzie. Uruchom ją na streszczeniu, a testujesz streszczacz, który jest osobnym przebiegiem modelu z własnym celem — być czytelnym. Czytelne streszczenie otrzymujesz niezależnie od tego, czy leżąca u podstaw polityka jest uporządkowana, czy nie.

To nie jest rozróżnienie wymyślone na tę okazję. Właśnie dlatego OpenAI w ogóle publikuje aneks dotyczący monitorowalności: gdyby surowe rozumowanie było tym, co użytkownicy mogliby czytać, argument bezpieczeństwa opierałby się na tym, że użytkownicy je czytają. Zamiast tego argument opiera się na monitorach, które znajdują się bliżej tokenów niż jakikolwiek podmiot wywołujący API, oraz na kanale podsumowań, który celowo jest wyłącznie wyrenderowaną reprezentacją. Konsekwencja dla czytelników jest brutalnie prosta. Nie da się przeprowadzić audytu rozumowania GPT-6.1 Sol z poziomu API. Można audytować jego odpowiedzi, liczby tokenów i deklarowane podsumowania. Każdy, kto twierdzi, że odczytał jego umysł ze zrzutu ekranu, przeczytał dokument, który model napisał sam o sobie.

Liczba, która rzeczywiście ma znaczenie dla pytania „czy coś jest tam nie w porządku”

Jeśli chcesz dowodów na to, co dzieje się wewnątrz modelu, a nie na to, co model mówi o sobie samym, wrześniowy aneks dotyczący bezpieczeństwa wdrożenia jest jedynym merytorycznym publicznym źródłem — i został przygotowany przez dostawcę: O​penAI zmierzyło własny model, opublikowało metodę, a żadna zewnętrzna strona tego nie odtworzyła. Warto zapamiętać dwie liczby z jego sekcji dotyczącej łańcucha myśli.

• Sterowalność CoT — 44,8% dla GPT-6.1 Sol, wobec 60,9% dla GPT-6 Astra, 23,2% dla GPT-6 Sol i 16,1% dla GPT-5.6 Sol. Wyższa wartość oznacza, że zewnętrzny prompt może łatwiej sterować tekstem rozumowania.

• Unikanie wykrycia przez monitor CoT przy maksymalnym wysiłku — bliskie zeru, a monitor z pełnym kontekstem odzyskuje 100% zasianych zachowań we własnym harnessie dostawcy.

• Kodowanie steganograficzne w rozumowaniu — podjęto próbę, lecz nie wykazano tego, zgodnie z tym samym dokumentem.

Przeczytane razem dają obraz przeciwieństwa alarmu — w kierunku przeciwnym do tego, który sugerował tweet. Model, który na powierzchni czyta się najbardziej płynnie, nie jest tym, którego rozumowaniem najłatwiej sterować; Astra uzyskuje wyższy wynik w zakresie kontrolowalności, będąc jednocześnie modelem opisywanym przez recenzentów jako ogólnie bardziej zdolny. Rozumowanie GPT-6.1 Sol stosunkowo trudno jest sterować i — według własnych danych dostawcy — łatwo je śledzić monitorowi z pełnym kontekstem. „Nie ma się czym martwić” to żart, ale w świetle opublikowanych dowodów niewiele odbiega od prawdy — konkretnie w kwestii monitorowalności, która jest wąskim pytaniem.

Ukryte rozumowanie to prawdziwa odpowiedź na inny problem.

Odpowiedź „przejście na pełne rozumowanie utajone” zasługuje na więcej szacunku, niż okazał jej ten wątek, ponieważ wskazuje na prawdziwe napięcie. Jeśli rozumowanie pozostaje w ciągłych wektorach, nie ma nic czytelnego, co można by błędnie odczytać, nic do podsumowania i niczym nie da się kierować — a także nie ma nic, co mógłby odczytać monitor, dlatego laboratoria nie zrobiły tego po prostu. Rozumowanie utajone wymienia monitorowalność na zapas możliwości. Nikt w tym wątku nie proponował darmowego obiadu; proponowano zamknięcie okna, aby ludzie przestali przez nie zaglądać.

Jest jeszcze drugi kierunek, o którym warto wiedzieć. Prace opublikowane w tym roku dotyczące wydobywania śladów rozumowania z zastrzeżonych API kanałami bocznymi — za pomocą ataków typu prompt injection i ataków opartych na czasie tokenów, a nie odczytywania treści odpowiedzi — wykazały, że ślad, którego nigdy nie zamierzano zwracać, i tak może wyciec. Konstrukcja OpenAI zamyka oczywistą wersję tego ataku, ponieważ treść odpowiedzi zawiera wyrenderowaną postać, a nie sam ślad. Nie zamyka jednak kanału czasowego i nie twierdzi się, że go zamyka. To jest ryzyko, na które poważny czytelnik powinien zwracać uwagę, i nie jest to ryzyko, którego dotyczył zrzut ekranu.

Jak tanio sprawdzić to wszystko samodzielnie

Całość można przetestować w jedno popołudnie, a koszt jest tak niski, że nie ma powodu wierzyć nikomu na słowo, w tym nam. GPT-6.1 Sol kosztuje 2 USD za milion tokenów wejściowych i 10 USD za milion tokenów wyjściowych, przy czym wejście z pamięci podręcznej kosztuje 0,10 USD, a zapisy do pamięci podręcznej 2,50 USD. Kontekst wynosi 1 050 000 tokenów, a maksymalna długość wyjścia to 128 000. Drabinka wysiłku ma pięć szczebli — low, medium jako domyślny, high, xhigh i max — i nie ma ustawienia „none” ani „minimal”, więc nie można poprosić tego modelu, aby całkowicie pominął rozumowanie. reasoning.context przyjmuje all_turns, co przenosi stan rozumowania przez rozmowę wieloturnową, zamiast uruchamiać go od nowa w każdej turze.

Eksperyment, który warto przeprowadzić, to nie „czy czyta się to jak angielski”, ale „czy podsumowanie podąża za odpowiedzią”. Wyślij ten sam trudny prompt przy niskim, wysokim i maksymalnym poziomie, poproś o podsumowania przy każdym i porównaj podsumowanie z ocenioną poprawnością oraz z reasoning_tokens. Jeśli podsumowania puchną, a dokładność stoi w miejscu, podsumowanie jest dekoracją. Jeśli dokładność rośnie wraz z tokenami rozumowania, a podsumowanie pozostaje zwięzłe, podsumowanie jest stratnym, ale uczciwym indeksem. Każdy wynik jest bardziej informacyjny niż zrzut ekranu.

To porównanie jest także miejscem, w którym warstwa routingu zasługuje na swoje miejsce, zamiast być doklejona na siłę. OrcaRouter udostępnia openai/gpt-6.1-sol obok ponad 200 innych modeli na jednym kluczu przy 0% marży, więc powyższe $2/$10 to kwota, którą płacisz, a każda zmiana ceny przez dostawcę wchodzi w życie tego samego dnia. Przełączanie awaryjne ma znaczenie w tym konkretnym teście: uruchamianie trzech poziomów wysiłku równolegle oznacza trzy szanse na trafienie w limit zapytań lub błędną bramę, a automatyczne przełączenie awaryjne na zdrowego dostawcę pozwala dokończyć porównanie A/B/C zamiast kończyć je w połowie. Jeśli chcesz zmierzyć kanał podsumowania i kanał surowych odpowiedzi obok siebie, bez pisania osobnego kodu klienta dla każdego punktu końcowego, DSL routingu łączy te wywołania w jednym miejscu.

Co tak naprawdę zmieniłoby ten kawałek

Dwa wydarzenia przeniosłyby to z odczytu w stylu przecieku do materiału newsowego. Pierwszym byłaby jakakolwiek zmiana kontraktu API, w wyniku której zwracane jest coś innego niż podsumowanie — parametr surowego śladu, tryb debugowania, podgląd badawczy. Październikowy changelog OpenAI nie ma wpisu o śladach rozumowania ani surowym łańcuchu myśli, a język dokumentacji nie uległ zmianie, więc na moment publikacji kontrakt pozostaje bez zmian. Drugim byłby powtarzalny, niezależny wynik: ktoś publikuje prompty, identyfikatory żądań i wyniki pokazujące, że podsumowanie odbiega od ocenionej poprawności przy konkretnym poziomie wysiłku. To byłoby konkretne ustalenie. Zrzut ekranu bez promptu nim nie jest.

Aby dać kontekst, gdzie model faktycznie się plasuje, gdy trwa cała ta dyskusja: Artificial Analysis mierzy GPT-6.1 Sol na poziomie Intelligence Index 52 w wersji v4.3.2, co daje mu 12. miejsce wśród 214 modeli, przy $0,72 na zadanie i 55,2 tokena na sekundę — to pomiar niezależny, a najważniejszą liczbą do obserwowania jest koszt na zadanie, ponieważ GPT-6 Astra osiąga 53 przy $3,26 na zadanie w cenniku $10/$50. W zweryfikowanym zestawie ARC Prize GPT-6.1 Sol osiąga 98,5% w ARC-AGI-1 i 94,2% w ARC-AGI-2. To liczby obrazujące możliwości. Nie mówią nic o tym, czy rozumowanie jest czytelne, i dokładnie to zamieszanie napędzało ten wątek: model może być doskonały i nieprzejrzysty, a podsumowanie, które czytasz, jest uprzejmością, a nie oknem.