Codex 爆出隱藏Bug，GPT-5.5 突然變蠢

大家好，我是 Ai 學習的老章

這兩天 Codex 社區有個 issue 吵得挺兇

核心就一個問題：明明選了 gpt-5.5 + xhigh，為什么有些復雜任務只想了一小會兒，就直接給答案了

更刺激的是，很多本地日志里都出現了同一個數字：516

發生了什么

GitHub 上有人開了一個很硬核的 issue，標題大意是：gpt-5.5 在 Codex 里出現了 516 / 1034 / 1552 這類固定推理長度聚集，可能和復雜任務表現下降有關

這個 issue 到我寫稿時還開著，作者掃了 2026 年 2 月 1 日到 6 月 27 日之間的 Codex 本地記錄，一共分析了 390,195 條響應級別的 token 記錄，覆蓋 865 個 session

最扎眼的幾組數字是：

指標

數值

總響應記錄

390,195

session 數

865

正好等于 516 的事件

3,363

gpt-5.5在所有響應里的占比

19.3%

gpt-5.5 在 516 事件里的占比

82.0%

gpt-5.5 的 516 / 大于等于 516 比例

44.0%

非 gpt-5.5 的 516 / 大于等于 516 比例

1.3%

這組數據看完，第一反應就是：這不像自然波動

因為復雜任務的推理長度，正常應該跟任務難度、上下文、工具調用、輸出結構一起變化

如果某個模型大量卡在同一個點，尤其還集中在 516、1034、1552 這種固定位置，就值得認真查

516 為什么刺眼

作者的說法：Codex telemetry 里出現了一個 gpt-5.5 特有的固定 token 聚集異常，看起來像某種閾值化的推理預算行為

這個表更能說明問題：

模型

響應記錄

516 / 大于等于 516

gpt-5.5

75,401

44.0%

gpt-5.4

25,214

19.8%

gpt-5.2

247,575

0.34%

gpt-5.3-codex

13,333

0.0%

gpt-5.3-codex-spark

26,179

0.0%

更麻煩的是，516 聚集變強的同時，整體推理強度還在下降

2026 年 5 月，516 聚集比例沖到 53.30%，但平均推理 token 只有 106.9，P90 只有 344

如果只看體感，用戶會覺得“模型變快了”

但如果復雜任務也這么快，那就很危險

快，有時候是聰明

有時候是提前收工

最有意思的糖果題

這個 issue 還關聯了另一個更早的復現實驗

測試題大概是這樣：袋子里有蘋果、桃子、西瓜三種糖，每種糖有圓形和五角星兩種形狀，形狀可以靠摸出來，味道不能靠摸出來

問題是：至少摸多少顆，才能保證同時拿到不同形狀的蘋果和桃子

正確答案是 21

可怕的地方來了

在 gpt-5.5 + xhigh 的幾次 fresh conversation 里，有些運行直接進入最終回答，沒有中間進展提示，十幾秒就結束，最終答成了 29

而這些錯誤運行，本地日志里都是：

reasoning_output_tokens: 516
phases: ["final_answer"]

成功運行則明顯不同

它會先發出短暫進展提示，繼續想更久，推理 token 上千甚至幾千，最后答出 21

這個對照很有殺傷力

因為它把抽象的 token 異常，落到了一個具體任務上：短路徑更容易錯，長路徑更容易對

評論區已經變成復現實驗場

這條 issue 現在有 100 多條評論，很多人都在貼本地復現結果

有人用 codex-cli 0.142.5 跑糖果題，9 次可見結果里只有 3 次正確，錯誤運行全部落在 516 或 1034

也有人貼出兩臺機器的本地日志：gpt-5.5 的 516 / 大于等于 516 比例分別接近 50.1% 和 47.9%

還有人補充了一個很關鍵的觀察：這些數字像一把梳子

516 只是第一檔

還會出現：

• 516

• 1034

• 1552

• 2070

• 2588

• 3106

它們之間的步長是 518

所以有人把這個模式叫做 518n - 2

評論里也有人貼了本地統計圖，整體看起來確實不像一個孤立偶發問題：

Codex 516 本地復現統計截圖

當然，這里必須加一句冷水

看到 516，不等于這次回答一定錯

評論里也有人提醒，516 可能只是某個量化后的正常停止點，只有 OpenAI 內部才能確認真實原因

但問題在于：當它頻繁出現在復雜任務里，并且和錯誤答案、快速結束、無中間進展同時出現時，用戶就很難安心

臨時繞法靠譜嗎

評論區給了不少臨時辦法

第一類是提示詞繞法

比如讓模型“慢慢想”“至少思考 60 秒”“復雜任務要充分驗證”

有人反饋有緩解，也有人說效果有限

這類辦法我會當成止痛片

能用，但不要當根治

第二類是改 Codex 的基礎指令

有人認為問題和 Intermediary updates 相關，也就是 Codex 要求工作中定期發進展提示的那段指令

有用戶把這段刪掉后，糖果題 20 次全對，且沒有再出現 516、1034、1552

但也有人說，在真實工作里這個辦法只能緩解，后面仍然能看到 516

所以我的判斷是：這個繞法對某些測試有效，但目前還不能證明它能覆蓋真實編碼任務

第三類是本地代理或插件

有用戶做了本地代理，檢測到 518n - 2 這類可疑停止點時，讓模型繼續想一輪，再把結果合并給 Codex

也有人做了 hook 插件，在高風險回合結束時提醒用戶，避免把可疑回答直接用于復雜重構

這類方案思路更工程化，但也更折騰

普通用戶短期可以先不碰

我建議怎么用 Codex

如果你現在重度用 Codex，我建議先做幾件事

下面這張圖，把我的處理順序簡單畫出來：

Codex 516 事件排查路徑

第一，復雜任務不要盲信第一次答案

尤其是架構設計、數據庫遷移、權限改造、支付流程、安全修復這種任務

如果它十幾秒就結束，還沒有明顯的探索、檢查、運行測試過程，要多留個心眼

第二，關鍵任務要求它實際驗證

不要只讓它“解釋一下”

直接要求它跑測試、讀日志、復現錯誤、對比輸出

只要能落到真實文件、真實命令、真實結果，幻覺空間就會小很多

第三，能用 5.4 或 Codex 專用模型做交叉檢查時，就交叉一下

這個 issue 里的數據看，gpt-5.3-codex 和 gpt-5.3-codex-spark 沒有出現同樣的 516 聚集

gpt-5.4 也有一定比例，但低很多

如果你手上有多個模型可選，復雜任務可以讓另一個模型復核關鍵結論

第四，別把“xhigh”當成保險箱

這次最尷尬的地方就在這里

用戶以為自己選了最高思考檔位，結果本地記錄卻顯示一些回合非常短

在官方給出解釋前，我會把 xhigh 當成傾向設置，別把它當絕對保證

這事真正值得關注的地方

我覺得這個 issue 最有價值的地方，不只是吐槽某次回答錯了

它把 AI 產品一個很隱蔽的問題暴露出來了：用戶看見的是“模型名”和“思考檔位”，實際發生的是一整套運行時策略

里面可能有路由、預算、緩存、調度、前端流式處理、工具協議、基礎指令

任何一層變化，都可能影響最終質量

對于用戶來說，最難受的是不可解釋

你明明付費選了更高檔位，卻不知道這次到底有沒有真正多想

你明明讓它做復雜任務，卻不知道它是認真檢查完才給答案，還是在某個固定位置提前結束

所以我更希望 OpenAI 做兩件事

第一，確認 516 / 1034 / 1552 / 2070 這些固定值到底意味著什么

第二，給復雜任務一個更透明的質量信號

哪怕不暴露內部推理，也至少應該讓用戶知道：這次回答有沒有完整走完預期的高強度路徑