Thật quá kỳ lạ.
GPT-5.5, lá bài chủ lực của OpenAI, bỗng nhiên "xuống dốc" trong những nhiệm vụ lập trình phức tạp những ngày gần đây, trí thông minh bị giảm sút đáng kể.
Điều đáng sợ hơn là, có người đã tìm ra "mật mã tử thần" khiến nó sụp đổ ngay lập tức:
Con số 516
Hàng loạt nhà phát triển Codex đồng loạt phàn nàn, xác minh lỗi Bug khó hiểu này.
Một mô hình lớn đỉnh cao như vậy, tại sao lại có thể bị một con số làm hỏng?
GPT-5.5 Chết Kẹt Ở Con Số "516"
80% Nhiệm Vụ Bị "Hạ Trí" Lén Lút
Sự thật của vấn đề là như thế này...
Một tuần trước, nhà phát triển Codex @vguptaa45, kéo ra dữ liệu meta từ hệ thống, bất ngờ phát hiện một quy luật khiến người ta phải sởn gáy——
Số lượng Token suy luận trong một lượng lớn phản hồi của GPT-5.5, lại bị kẹt chặt ở con số "516".
Cổng dịch chuyển:https://github.com/openai/codex/issues/30364
Và không chỉ một điểm. Tại hai mốc 1034 và 1552, cũng xuất hiện sự bùng nổ tập trung kỳ lạ tương tự.
Trong Issue GitHub mang số #30364, nhà phát triển đã trình bày một thống kê:
Cửa sổ phân tích từ ngày 1/2/2026 đến 27/6/2026, bao phủ 390,195 bản ghi Token cấp phản hồi, 865 phiên làm việc.
Trong đó, sự kiện số Token suy luận chính xác bằng 516, tổng cộng xảy ra 3363 lần.
Trong một so sánh ngang giữa các mô hình, kết quả gây sốc——
GPT-5.5, chỉ chiếm 19.3% tổng lượng phản hồi, nhưng lại chiếm tới 82.0% các sự kiện "chính xác 516".
Nói cách khác, hơn 80% số phản hồi mắc kẹt ở nút chết 516 trên toàn mạng đều xuất phát từ một mình GPT-5.5.
Tiếp theo, so sánh với các mô hình GPT khác trong nhà, một chỉ số quan trọng gọi là "tỷ lệ chính xác 516/ lớn hơn hoặc bằng 516".
Trên GPT-5.5, gần một nửa các phản hồi "suy nghĩ sâu" cuối cùng đều dừng chính xác ở bức tường 516 này.
Còn với GPT-5.2, tỷ lệ này là 0.34% — gần như bằng không.
Tỷ lệ của nó cao hơn giá trị cơ sở của tất cả các mô hình không phải GPT-5.5 khác đến tận 33.6 lần.
Không thể không nói, kiểu phân bố đứt gãy như vậy, chỉ nhắm vào một mô hình duy nhất, nhìn thế nào cũng không giống như một mô hình lớn đang "suy nghĩ" một cách tự nhiên.
Nó giống như, một công tắc ẩn sâu nào đó, đã bị lén lật sang vị trí "516".
Hơn nữa, càng dùng càng "ngu" đi
Theo lẽ thường, một mô hình thường xuyên kích hoạt "516", ít nhất chứng tỏ nó "nghĩ nhiều", khối lượng suy luận lớn.
Sự thật lại hoàn toàn trái ngược.
Số liệu cho thấy, ngay trong tháng 5 và tháng 6, khi "hiện tượng 516" xấu đi nghiêm trọng, cường độ suy luận tổng thể của GPT-5.5——
Dù là giá trị trung bình hay P90 (phân vị thứ 90), đều giảm mạnh so với tháng 2 đến tháng 4.
Một bên là "nút chết 516" càng ngày càng hay bị kẹt, một bên là tổng thể mô hình "càng nghĩ càng ít".
Hai nhóm dữ liệu mâu thuẫn cực kỳ kỳ lạ này đều chỉ ra một khả năng khiến tất cả người dùng trả phí phải sởn gáy:
GPT-5.5 khi xử lý các nhiệm vụ phức tạp, rủi ro cao, có thể đang bị một loại "giới hạn ngân sách suy luận" ẩn hoặc "cơ chế cắt ngang" nào đó, lặng lẽ nhấn nút tạm dừng.
Bạn tưởng bạn trả tiền, mua mô hình mạnh nhất, mở cấp cao nhất, để nó vật lộn với một nhiệm vụ khó nhằn.
Kết quả nó nghĩ được một nửa, bụp, đến 516 rồi, xong việc, nộp bài. Đáp án đúng hay sai? Không quan tâm nữa.
Hàng Vạn Người Lên Đơn Khiếu Nại Trên GitHub, Nhà Phát Triển Phẫn Nộ
Một hòn đá ném tung mặt nước.
Bài đăng #30364 này vừa được đăng lên, phần bình luận lập tức chật kín "nạn nhân"——
Tôi cũng liên tục bị vấn đề này hành hạ, sắp phát điên lên rồi.
Cùng một căn bệnh, yêu cầu OpenAI cho một lời giải thích!
Có người đào ra, thực ra từ sớm trong bài đăng #29353, đã có người tái hiện:
GPT-5.5 chạy đến đúng 516 Token suy luận thì "đoản mạch" dừng lại, sau đó đưa ra một đáp án sai.
Lần này, nhà phát triển chỉ là dùng khối lượng dữ liệu khổng lồ trải dài 5 tháng để đóng đinh bằng chứng sắt cho một ví dụ riêng lẻ đó.
Thậm chí có nhà phát triển đã đưa chiến sự đến Reddit, đăng bài thẳng thắn nói "một nửa yêu cầu Codex rủi ro cao của bạn, có thể đang bị hạ cấp lén lút".
Một người dùng trên HK cho biết, đưa ra một vấn đề cần suy luận, cuối cùng cần sử dụng 6000-8000 Token suy nghĩ, mới có thể xuất ra kết quả chính xác.
Lại có người đi lại giữa Codex và Claude hai AI.
Đối mặt với làn sóng dư luận dâng cao, cộng đồng chính thức gửi cho đội ngũ Codex một "trát truy nã", câu nào cũng sắc như dao:
Đây rốt cuộc là do ngân sách suy luận bị giới hạn, là định tuyến gặp vấn đề, là bị cắt ngang, là kích hoạt một loại fallback nào đó, hay là bộ điều phối gây rối, dẫn đến tất cả phản hồi đều đột ngột dừng lại ở quanh 516/1034/1552?
Nếu đây là "thiết kế bình thường", vậy hãy nói cho chúng tôi biết——
516, rốt cuộc là một điểm dừng suy nghĩ bình thường, một trần ngân sách, hay là một "mức chất lượng kém" bị hạ cấp?
Một loạt câu hỏi ngược này, chờ đợi chính là một câu trả lời thẳng thắn từ OpenAI.
Tuy nhiên, người đề xuất nói rất chừng mực: Anh ta không tuyên bố điều này "chứng minh" OpenAI đang lén cắt ngắn chuỗi suy nghĩ.
Nguyên văn của anh ta là, điều này giống một sự tập trung bất thường "đặc trưng của GPT-5.5, có vẻ phù hợp với hành vi ngân sách suy luận có ngưỡng nào đó" hơn.
Kết luận rằng có phải OpenAI chủ động thiến khả năng tính toán hay không, vẫn còn thiếu một câu nói chính thức từ OpenAI.
Không Chỉ Biến Ngu, Còn Trở Nên "Độc Miệng" Hơn
Một làn sóng phàn nàn khác trên toàn mạng gần đây, lại chĩa thẳng vào tính cách của GPT-5.5.
Một nhà phát triển tên Angel, đã làm một thí nghiệm khá gay gắt: Đưa cùng một câu nói, lần lượt cho ChatGPT (GPT-5.5 Instant) và Claude (Fable 5), chụp ảnh và so sánh song song.
Kết luận khiến một loạt người vỗ bàn——
Vấn đề một: Cái gì cũng phải liệt kê thành chấm tròn nhỏ.
ChatGPT không thể nói một câu bình thường như con người, bất kỳ câu trả lời nào cũng bị nó chặt thành tiêu đề, in đậm, chấm tròn, dấu hai chấm.
Bảo nó "tự nhiên lên, đừng giọng AI như vậy", nó trả lời cho bạn một danh sách ký hiệu bốn chấm, nghiêm túc liệt kê "Tôi sẽ không giống AI như thế nào". Còn Claude chỉ trả lời một câu: "Được, tôi sẽ nói tự nhiên hơn, có sao không?"
Vấn đề hai: Nó nhất định phải sửa cho bạn.
Bảo nó kiểm tra một câu nói, một dòng tweet, nó bắt buộc phải chỉ ra điểm sai, như thể "nói một câu 'tốt lắm'" sẽ lấy mạng nó vậy.
Trong khi Claude nói "không vấn đề gì, có thể đăng trực tiếp", ChatGPT lại nhét cho bạn hai phiên bản viết lại, hai lựa chọn thay thế "theo phong cách X hơn", thêm vào một câu "câu nói của bạn hơi phóng đại rồi".
Vấn đề ba: Bạn yêu cầu một, nó đưa ba.
Bạn nói "kể một câu chuyện cười làm tôi vui lên", Claude kể một.
ChatGPT kể xong một, thêm một chi tiết bổ sung của riêng nó, rồi lại thêm "hoặc cái này", kể cái thứ hai, tiếp theo "còn một cái đặc biệt ngớ ngẩn nữa", kể cái thứ ba, cuối cùng mời bạn "nói rõ loại hài hước bạn thích, để nó nhắm chính xác hơn".
Phán đoán của nhà phát triển thật sắc bén: Đối với một trợ lý trò chuyện, tính cách chính là sản phẩm.
Nếu mỗi câu trả lời đều bị định dạng quá mức, sửa lỗi quá mức, đưa ra lựa chọn quá mức, ma sát sẽ tích tụ từng chút, cuối cùng làm cạn kiệt người dùng.
Một cái kẹt ở 516, một cái mắc kẹt trong chấm tròn, hai căn bệnh lạ nhìn có vẻ chẳng liên quan gì nhau, nhưng căn nguyên lại là một——
GPT-5.5 ngày càng giỏi "giao bài", ngày càng không giỏi "giúp đỡ".
Trí thông minh thực sự, không nên là một con rối bị khóa chết bởi "516".
Suy cho cùng, con người trả tiền để thuê một thiên tài có thể sát cánh chiến đấu, chứ không phải một "giáo viên chủ nhiệm" tính lương theo sản phẩm.
Tài liệu tham khảo:
https://github.com/openai/codex/issues/30364
Bài viết này đến từ tài khoản công chúng WeChat "新智元", tác giả: ASI启示录, biên tập: Đào Tử
