GPT-5.5の「推論トークン・クラスタリング」が性能低下の原因か？深まる懸念を徹底検証

GPT-5.5のモデルにおける推論トークンのクラスタリングが、結果としてモデルの性能低下を招いているのではないかという議論が浮上しています。推論プロセスの最適化が、かえって特定のパターンへの偏りや出力の質の劣化を引き起こしている可能性について、現在コミュニティで意見が交わされています。

要約：

GPT-5.5 Codexモデルで、reasoning_output_tokensが518間隔の固定値に集まるクラスタリング現象が発生している。

これらの閾値で停止する応答は、複雑なタスクでのエラーと強く相関している。

この現象はGPT-5.5特有のもので、GPT-5.4では発生頻度がかなり低く、GPT-5.2や5.3ではほとんど見られない。

明らかにスループット最適化のために、推論処理を512トークンの倍数でバッチ処理してるんだろうね。

ここ最近、ほぼ毎日クオリティがガクッと落ちるのを実感してるよ。いつもxhighを使ってるんだけど、年初のCodexの素晴らしいコード生成に頼りきりだったあの体験はもう消え失せた。時々信じられないくらいお粗末な実装を出すようになったから、OpenAIが真剣に取り組むまではClaudeに乗り換えたよ。ここ数ヶ月の自分の感覚だと、彼らはこの問題を全然深刻に捉えてないみたいだけどね。

そういえば数日前、ここで誰かが「OpenAIが画期的な最適化で計算コストを半分に削減した」って言ってた気がする。もしかしてこれのことか？

うわ、これヤバそうだな。codex cliを使えば簡単に再現できるよ。推論が必要なパズル系のプロンプトを投げると、たまにショートカットしてちょうど516トークンで思考を終了して、間違った回答を返してくる。一方で、6000〜8000トークンくらい思考してるときは正しい結果を出すんだよね。

適応型推論に何か問題があるのかな？やっぱりローカルモデルはいいよね、サーバー側で勝手に変更されて悩まされることもないし。

「モデルが馬鹿になった」なんて話はいつものユーザーの思い込みってことがほとんどだけど、今回は珍しく本当に馬鹿になったパターンか？

既視感がすごい……4月のClaude Codeのパフォーマンス低下時とそっくりだよ。あのとき私はClaudeのサブスクをやめてCodexに乗り換えたんだ。

今は両方のトークン課金制を試そうかと思ってる。ほとんどのタスクはFireworks上でGLM 5.2を使いつつ、必要なときだけ大手モデルを叩く感じで。元が取れるかは正直微妙だけどね。

無料で提供されてから1ヶ月使ってるけど、CodexのGPT-5はかなり変というか酷い出来だね。x-highですらそう。で、OMP (Pi) を試してみたらこっちはかなり良かったよ。

GPT 5.2 Codexは良かった記憶があるんだけどなあ……。

記憶違いかもしれないけど、トークン効率とコードの質のバランスが一番良かったのは5.3だと思う。5.5は性能はいいけど、トークンを無駄に食い散らかしすぎ。