Rastros de raciocínio do GPT-6.1 Sol: legíveis porque são resumos, não porque vazaram

Às 00:46 UTC de 21 de outubro de 2026, uma captura de tela do texto de raciocínio do GPT-6.1 Sol começou a circular no X, publicada por @scaling01 com a legenda "traços de raciocínio totalmente legíveis, nada com que se preocupar". A piada — e é uma piada — é que os traços estão legíveis em inglês claro, que é exatamente a condição que Andrej Karpathy disse, em setembro de 2024, significar que o aprendizado por reforço havia parado de funcionar direito. Duas coisas precisam ser ditas antes de qualquer outra. Primeira: o modelo não é novo: o GPT-6.1 Sol foi lançado em 29 de setembro de 2026 no DevDay da O​penAI, e nada nesta postagem é um lançamento, um avanço de versão ou o anúncio de um recurso. Segunda: a captura de tela é uma captura de tela — a visão de um observador sobre uma resposta, repostada por pessoas que não a reproduziram. O que é novo e datável é a discussão que a captura deflagrou, que se estendeu ao longo de 21 de outubro e envolveu uma réplica de Karpathy e um grupo de pesquisadores debatendo raciocínio latente. Vale a pena desmontar essa discussão, porque a premissa por baixo dela está errada de um modo específico e verificável. Nada disso é hipotético: as falhas de IA e os incidentes com agentes documentados por trás de lançamentos como este estão reunidos em o OrcaRouter AI Incident Archive, onde cada entrada traz suas próprias fontes, grau de severidade, grau de confiança e marcação de contestação.

O que foi realmente publicado e o que está realmente verificado

Tirando o enquadramento, a evidência é fraca, o que é normal para esse tipo de coisa. Um usuário postou uma captura de tela da saída do modelo que soa como prosa em inglês comum e bem formada, em vez da taquigrafia comprimida e sem pontuação na qual o texto de cadeia de pensamento frequentemente se degenera sob alta pressão de treinamento. A postagem tinha cerca de 65.600 visualizações quando foi arquivada. Karpathy respondeu "É, eu diria que o RL está funcionando agora, tudo certo", citando sua própria frase de setembro de 2024 de que dá para perceber que o RL foi feito direito quando os modelos param de falar inglês na cadeia de pensamento. Outros foram além: uma resposta sugeriu que a área "bem que poderia encarar de vez e mudar para raciocínio latente completo", e outra argumentou que os traços só tinham perdido os espaços, e que restaurá-los produzia o texto comum e conciso do modelo sobre monitoramento e não inventar requisitos.

Então há três afirmações distintas emaranhadas nesse tópico, e elas têm status de evidência bem diferentes. Que inglês legível apareceu em uma saída atribuída ao GPT-6.1 Sol — não verificado, uma única captura de tela, nenhum prompt ou ID de requisição publicado. Que a legibilidade implica que o raciocínio interno do modelo agora é legível — não verificado e, como a próxima seção mostra, provavelmente um erro de categoria. Que a legibilidade implica algo sobre quão bem o RL funcionou — uma interpretação, oferecida como piada, por alguém que não executou o modelo nessa configuração. Trate todas as três como observação da comunidade. Nenhuma delas é um achado.

O que a API realmente retorna, que é a parte que ninguém citou

Aqui está o detalhe que a thread omitiu. O GPT-6.1 Sol não devolve sua cadeia de raciocínio, e a própria documentação da OpenAI diz isso textualmente: a API não expõe os tokens brutos de raciocínio que o modelo emite, e os itens de raciocínio que ela de fato retorna permanecem opacos. O que volta para quem faz a chamada são três coisas distintas, e apenas uma delas é prosa:

• Cadeia de raciocínio bruta — nunca retornada, para qualquer nível de esforço, sob qualquer combinação de parâmetros.

• Um resumo do raciocínio — opcional, solicitado por meio do parâmetro summary, e escrito pelo modelo como um relato narrativo em vez de extraído dos tokens com os quais ele realmente raciocinou.

• Uma contagem de tokens — output_tokens_details.reasoning_tokens, um número, e o único lugar onde o raciocínio aparece por padrão.

Esse item do meio é quase certamente o que a captura de tela mostra. Um canal de resumo é legível por projeto; esse é justamente o objetivo dele. Ele é gerado para um humano ler, no registro em que um humano lê, e sua fluidez diz respeito ao estilo do resumidor, não à forma da computação por baixo. O indício também não é sutil: se o texto na captura de tela veio com os espaços intactos e as frases resolvidas, ele nunca foi o traço bruto. A resposta que argumenta que os espaços simplesmente haviam sido removidos e poderiam ser restaurados faz o mesmo ponto pela direção oposta, e é a contribuição tecnicamente mais fundamentada na thread.

Por que a frase de Karpathy não se aplica aqui da forma como foi aplicada

A alegação de 2024 dizia respeito a um diagnóstico específico: texto bruto de cadeia de pensamento que se degrada em abreviações não inglesas ou não interpretáveis é evidência de que a política foi otimizada a ponto de sua camada verbal estar fazendo algo além de comunicar. Esse diagnóstico só funciona no traço bruto. Aplique-o a um resumo e você estará testando o sumarizador, que é uma passagem separada do modelo com seu próprio objetivo — ser legível. Um resumo legível é o que você obtém independentemente de a política subjacente estar organizada ou não.

Esta não é uma distinção inventada para a ocasião. É por isso que a O​penAI publica um adendo de monitorabilidade: se o raciocínio bruto fosse aquilo que os usuários pudessem ler, o argumento de segurança dependeria de os usuários o lerem. Em vez disso, o argumento se baseia em monitores que ficam mais próximos dos tokens do que qualquer chamador da API, e em um canal de resumo que é deliberadamente uma renderização. A consequência para os leitores é direta. Você não pode auditar o raciocínio do GPT-6.1 Sol pela API. Você pode auditar suas respostas, suas contagens de tokens e seus resumos declarados. Qualquer pessoa que afirme ter lido sua mente por meio de uma captura de tela leu um documento que o modelo escreveu sobre si mesmo.

O número que de fato é relevante para "há algo errado aí dentro"

Se você quer evidências sobre o que acontece dentro do modelo em vez do que ele diz sobre si mesmo, o adendo de segurança de implantação de setembro é a única fonte pública substancial, e é conduzido pelo fornecedor — a O​penAI mediu seu próprio modelo, publicou o método, e nenhuma parte externa o reproduziu. Dois números da sua seção de cadeia de pensamento valem a pena levar em conta.

• Controlabilidade de CoT — 44,8% para GPT-6.1 Sol, contra 60,9% para GPT-6 Astra, 23,2% para GPT-6 Sol e 16,1% para GPT-5.6 Sol. Um valor mais alto significa que um prompt externo consegue direcionar o texto de raciocínio com mais facilidade.

• Evasão do monitor de CoT sob esforço máximo — quase zero, com o monitor de contexto completo recuperando 100% dos comportamentos semeados no próprio harness do fornecedor.

• Codificação esteganográfica no raciocínio — tentada e não demonstrada, conforme o mesmo documento.

Lidos em conjunto, o quadro é o oposto de alarmante na direção que o tuíte insinuava. O modelo que parece mais fluente na superfície não é aquele cujo raciocínio é mais direcionável; a Astra pontua mais alto em controlabilidade, ao mesmo tempo que é o modelo que os avaliadores descrevem como mais capaz no geral. O raciocínio do GPT-6.1 Sol é relativamente difícil de manipular e, segundo os próprios números do fornecedor, fácil para um monitor de contexto completo acompanhar. “Não há nada com que se preocupar” é brincadeira, mas, diante das evidências publicadas, não está muito longe — especificamente para a questão da monitorabilidade, que é uma questão estreita.

O raciocínio latente é uma resposta real para um problema diferente.

A resposta “mudar para raciocínio latente completo” merece mais respeito do que o tópico lhe deu, porque identifica uma tensão genuína. Se o raciocínio permanece em vetores contínuos, não há nada legível para interpretar mal, nada para resumir e nada para direcionar — e também nada para um monitor ler, e é por isso que os laboratórios não adotaram isso pura e simplesmente. O raciocínio latente troca monitorabilidade por margem de capacidade. Ninguém naquele tópico estava propondo almoço grátis; estavam propondo fechar a janela para impedir que as pessoas ficassem olhando através dela.

Há um segundo flanco que vale a pena conhecer. Trabalhos publicados este ano sobre a extração de traços de raciocínio de APIs proprietárias por canais laterais — ataques de injeção de prompt e de temporização de tokens, em vez de leitura do corpo da resposta — estabeleceram que um traço que você nunca pretendia retornar ainda pode vazar. O design da OpenAI fecha a versão óbvia desse ataque, porque o corpo da resposta carrega uma renderização, e não o traço. Ele não fecha o canal de temporização, e não se afirma que o faça. Esse é o risco que um leitor sério deveria estar acompanhando, e não é o risco de que tratava a captura de tela.

Como verificar qualquer uma dessas coisas por conta própria, gastando pouco

Tudo isso é testável em uma tarde, e o custo é baixo o suficiente para que não haja motivo para acreditar na palavra de ninguém, incluindo a nossa. O GPT-6.1 Sol custa US$ 2 por milhão de tokens de entrada e US$ 10 por milhão de saída, com entrada em cache a US$ 0,10 e gravações em cache a US$ 2,50. O contexto é de 1.050.000 tokens e a saída máxima é de 128.000. A escala de esforço tem cinco níveis — low, medium como padrão, high, xhigh e max — e não há configuração "none" nem "minimal", então você não pode pedir a este modelo que ignore o raciocínio por completo. reasoning.context aceita all_turns, que carrega o estado de raciocínio ao longo de uma conversa de vários turnos em vez de reiniciá-lo a cada turno.

O experimento que vale a pena rodar não é "isto lê como inglês", mas sim "o resumo acompanha a resposta". Envie o mesmo prompt difícil em baixo, alto e máximo, solicite resumos em cada um e compare o resumo com a acurácia avaliada e com reasoning_tokens. Se os resumos inflarem enquanto a acurácia fica estagnada, o resumo é decoração. Se a acurácia subir com os reasoning_tokens e o resumo continuar conciso, o resumo é um índice com perdas, mas honesto. Qualquer um dos resultados é mais informativo do que uma captura de tela.

Essa comparação também é o momento em que uma camada de roteamento justifica seu lugar, em vez de ser algo improvisado. O OrcaRouter disponibiliza openai/gpt-6.1-sol ao lado de mais de 200 outros modelos em uma única chave, com 0% de margem, então o $2/$10 acima é o valor que você paga e qualquer alteração de preço do fornecedor entra em vigor no mesmo dia. O failover é importante para este teste específico: executar três níveis de esforço em paralelo significa três chances de atingir um limite de taxa ou um gateway com falha, e o failover automático para um provedor saudável mantém a comparação A/B/C sendo concluída em vez de ficar pela metade. Se você quiser medir o canal de resumo e o canal de resposta bruta lado a lado sem escrever código de cliente separado para cada endpoint, a DSL de roteamento compõe as chamadas em um único lugar.

O que realmente mudaria esta peça

Dois desdobramentos levariam isto de uma leitura no estilo de vazamento para uma notícia. O primeiro é qualquer mudança no contrato da API que retorne algo diferente de um resumo — um parâmetro de rastreamento bruto, um modo de depuração, uma prévia de pesquisa. O changelog de outubro da OpenAI não tem nenhuma entrada sobre rastros de raciocínio ou cadeia de pensamento bruta, e a linguagem da documentação não mudou, então, até o momento da publicação, o contrato está inalterado. O segundo é um resultado independente reproduzível: alguém publicando prompts, IDs de requisição e saídas que mostrem o resumo divergindo da correção avaliada em um nível de esforço específico. Isso seria um achado. Uma captura de tela sem um prompt não é.

Para contextualizar onde o modelo realmente se situa enquanto tudo isso é discutido: o Artificial Analysis mede o GPT-6.1 Sol com um Intelligence Index de 52 na v4.3.2, classificando-o em 12º entre 214 modelos, a US$ 0,72 por tarefa e 55,2 tokens por segundo — executado de forma independente, e o número de custo por tarefa é o que deve ser observado, já que o GPT-6 Astra pontua 53 a US$ 3,26 por tarefa com preços de US$ 10/US$ 50. A suíte verificada do ARC Prize coloca o GPT-6.1 Sol em 98,5% no ARC-AGI-1 e 94,2% no ARC-AGI-2. Esses são números de capacidade. Eles não dizem nada sobre se o raciocínio é legível, e é precisamente essa a confusão sobre a qual a thread se desenrolou: um modelo pode ser excelente e opaco, e o resumo que você leu é uma cortesia, não uma janela.