GPT-5.5推理token聚类异常

问题描述

我在Codex的token_count元数据中发现一种聚合规律：gpt-5.5的响应中，reasoning_output_tokens（推理输出令牌数）恰好为516的占比异常偏高，同时在1034和1552附近也存在明显的固定峰值。

该现象为gpt-5.5特有，且伴随整体推理令牌密度下降，这或许可以解释其在复杂高风险Codex任务上的性能退化。

本问题与编号#29353的问题相关——后者记录了一个具体案例：当gpt-5.5的推理令牌数恰好为516时，返回了错误答案。本次问题补充了2026年2月至6月期间的大规模聚合数据作为佐证。

我并非断言这证明了思维链被暗中截断，仅指出Codex的遥测数据显示，gpt-5.5存在特定的固定令牌聚类异常，表现与推理预算阈值机制高度吻合。

产品：Codex
涉事主要模型：gpt-5.5
数据来源：Codex的token_count元数据
分析时间范围：2026年2月1日至6月27日（UTC时间）
关联问题：Codex Desktop中gpt-5.5 xhigh模式有时会在reasoning_output_tokens=516时提前终止并返回错误final_answer #29353

指标	数值
分析的响应级令牌记录总数	390,195
涉及的会话数	865
`reasoning_output_tokens`恰好为516的事件数	3,363
`gpt-5.5`占所有响应的比例	19.3%
`gpt-5.5`占令牌数恰好为516事件的比例	82.0%
`gpt-5.5`中令牌数恰好为516与令牌数≥516的比例	44.0%
非`gpt-5.5`模型中令牌数恰好为516与令牌数≥516的比例	1.3%

该异常并非单纯的推理令牌使用量上升：2026年2-4月至5-6月，推理令牌的均值和90分位数值均呈下降趋势，但令牌数恰好为516的聚类占比却大幅上升。

聚类现象也并非在各模型中均匀分布：gpt-5.5仅占总响应量的19.3%，却贡献了82.0%的令牌数恰好为516事件；其令牌数恰好为516与令牌数≥516的比例，是非gpt-5.5模型基线水平的约33.6倍。

此外，固定数值特征也值得关注：516、1034、1552更像是重复出现的阈值边界，而非自然波动的推理令牌分布。

对于复杂Codex任务，推理令牌数应随任务复杂度自然变化，不应出现某一模型家族的响应集中聚集于特定固定数值的情况。

gpt-5.5的响应大量聚集于推理令牌数恰好为516的情况，同时在1034和1552附近也存在相关峰值。其他多款模型的此类现象则明显更弱或完全不存在。

Codex团队能否排查gpt-5.5是否存在推理预算、路由、截断、降级或调度机制，导致响应在推理令牌数达到516/1034/1552左右时终止？

若此为预期行为，希望能明确令牌数恰好为516代表正常终止点、预算上限、降级层级，还是其他内部阈值。

建议开展以下内部验证检查：

按模型查询token_count事件中的reasoning_output_tokens数据
对比令牌数为0、516、1034、1552的事件数量
按模型和日期计算count(reasoning_output_tokens = 516) / count(reasoning_output_tokens >= 516)的比例
将gpt-5.5与gpt-5.2、gpt-5.4及Codex专用变体模型进行对比
在gpt-5.2和gpt-5.5上重新运行匹配的复杂任务并开展质量评估，尤其需将令牌数恰好为516的响应与推理过程更长的响应分开分析