GPT-5.6 poskočil v testech inteligence. Stačilo mu zapnout úsudek na pozadí

Model teď myslí předtím, než mluví

OpenAI odhalila, jak GPT-5.6 dramaticky zlepšil skóre v logickém testu ARC-AGI-3. Nejde o novou architekturu, ale o dvě nenápadná API nastavení: zapnutí interního úsudku (reasoning) a povolení kompakce kontextu. Model si díky nim dokáže během řešení problému držet v paměti logické kroky, aniž by je musel všechny rovnou generovat jako výstup.

Trik spočívá v tom, že model dostane časový a prostorový rozpočet pro to, aby si úlohu „promyslel nanečisto“. Dosavadní systémy trpěly tím, že jakmile jednou vygenerovaly chybný krok, musely na něj navazovat a zamotaly se do vlastních chyb. Kompakce zároveň zajišťuje, že model nezahltí svou vlastní paměť zbytečnou vatou, ale drží si jen podstatné vektory.

Levnější výkon pro vývojáře aplikací

Pro vývojáře, kteří nad API staví aplikace, to znamená zásadní posun v ekonomice. Zvýšení spolehlivosti doteď znamenalo složité promptingové řetězce, RAG systémy nebo fine-tuning. Teď stačí upravit parametry volání. Z modelu, který byl dosud rychlým generátorem textu, se stává systém schopný řešit vícestupňové problémy s menší chybovostí.

Vývojářské týmy si musí uvědomit, že tohle mění způsob, jakým by měly modely testovat. Pokud model zvládne víc logických kroků sám, přenáší se složitost z orchestrování agentů zpět do samotného volání základního modelu. Zároveň to ale vyžaduje pečlivější hlídání nákladů na skrytý výpočet (compute), který běží pod povrchem.

Benchmark není produkce

Skóre v ARC-AGI-3 sice vypadá na papíře skvěle, ale realita produkčního nasazení je složitější. Benchmark měří schopnost najít abstraktní vzor na malé mřížce pixelů. To je elegantní zkouška inteligence, ale neodpovídá to špinavé realitě firemních databází, nekonzistentních API a měnících se požadavků uživatelů.

Navíc platí, že skrytý úsudek je pro vývojáře black box. Pokud model udělá chybu během své interní úvahy, nelze ji snadno debuggovat nebo opravit mezikrok, jako u tradičního chain-of-thought promptingu. Systém buď vrátí správný výsledek, nebo halucinuje s ještě větší jistotou než dřív.

Cena skrytého výpočtu ukáže smysl

Důkazem, že tohle nastavení dává smysl mimo laboratoř, bude adopce v běžných firemních aplikacích. Pokud se ukáže, že cena za tyto dodatečné interní kroky je příliš vysoká, zůstane tato funkce doménou výzkumníků a nadšenců. Vývojáři budou bedlivě sledovat, zda nárůst spolehlivosti ospravedlní vyšší spotřebu tokenů pod kapotou.

Lilithin verdikt

OpenAI neukázala chytřejší model, ale lepší způsob, jak z něj vyždímat to, co už umí. Pro vývojáře je to jasný signál, že éra složitých agentních řetězců možná brzy ustoupí jednoduchému požadavku „tady máš čas, prostě to vymysli“.