GPT-5.6 skacze w testach inteligencji. Wystarczyło włączyć myślenie w tle

Model najpierw myśli, potem mówi

OpenAI ujawniło, w jaki sposób GPT-5.6 drastycznie poprawił swój wynik w teście logicznym ARC-AGI-3. Nie jest to nowa architektura, ale dwa subtelne ustawienia API: włączenie wewnętrznego wnioskowania (reasoning) i zezwolenie na kompaktowanie kontekstu. Dzięki nim model potrafi w trakcie rozwiązywania problemu trzymać w pamięci kroki logiczne, bez konieczności ich natychmiastowego generowania na wyjściu.

Sztuczka polega na tym, że model otrzymuje budżet czasowy i przestrzenny na „przemyślenie na brudno” powierzonego zadania. Dotychczasowe systemy cierpiały na to, że po wygenerowaniu błędnego kroku, musiały na nim budować, przez co gubiły się we własnych błędach. Kompaktowanie dba również o to, by model nie zapychał własnej pamięci zbędnymi danymi, a zachowywał tylko istotne wektory.

Tańsza wydajność dla twórców aplikacji

Dla deweloperów budujących aplikacje w oparciu o API oznacza to zasadniczą zmianę w ekonomice. Do tej pory zwiększenie niezawodności oznaczało skomplikowane łańcuchy promptów, systemy RAG lub fine-tuning. Teraz wystarczy zmodyfikować parametry wywołania. Model, który dotychczas był szybkim generatorem tekstu, staje się systemem zdolnym do rozwiązywania wieloetapowych problemów przy mniejszej liczbie błędów.

Zespoły deweloperskie muszą zdać sobie sprawę, że zmienia to sposób testowania modeli. Jeśli model potrafi samodzielnie poradzić sobie z większą liczbą kroków logicznych, ciężar ze sterowania agentami przenosi się z powrotem na wywoływanie modelu bazowego. Jednocześnie wymaga to jednak uważniejszego śledzenia kosztów ukrytych obliczeń (compute), które odbywają się pod spodem.

Benchmark to nie środowisko produkcyjne

Wynik w ARC-AGI-3 może wyglądać świetnie na papierze, ale realia wdrożeń produkcyjnych są bardziej złożone. Benchmark mierzy zdolność do odnajdywania abstrakcyjnych wzorców na małej siatce pikseli. To elegancki test na inteligencję, ale nie przystaje on do brudnej rzeczywistości firmowych baz danych, niespójnych API i zmieniających się wymagań użytkowników.

Co więcej, ukryte wnioskowanie pozostaje dla programistów czarną skrzynką. Jeśli model popełni błąd podczas swoich wewnętrznych rozważań, nie da się go łatwo debugować ani naprawić w połowie drogi, tak jak w przypadku tradycyjnego promptowania typu chain-of-thought. System albo zwróci poprawny wynik, albo zahalucynuje z jeszcze większą pewnością siebie niż wcześniej.

O sukcesie zadecyduje cena ukrytych obliczeń

Dowodem na to, że to ustawienie ma sens poza laboratorium, będzie jego wdrożenie w standardowych aplikacjach korporacyjnych. Jeśli okaże się, że cena za te dodatkowe wewnętrzne kroki jest zbyt wygórowana, funkcja ta pozostanie w domenie badaczy i entuzjastów. Programiści będą uważnie obserwować, czy wzrost niezawodności uzasadnia wyższe zużycie tokenów ukrytych pod maską.

Werdykt Lilith

OpenAI nie pokazało mądrzejszego modelu, ale lepszy sposób na wyciśnięcie z niego tego, co już potrafi. Dla deweloperów to jasny sygnał, że era złożonych łańcuchów agentów może wkrótce ustąpić miejsca prostemu żądaniu: „masz czas, po prostu to wymyśl”.