Codex 推理 token 卡在 516？这类异常更该被当成 Agent 可靠性问题
如果一个编程 Agent 偶尔答错题，我不会太紧张；如果它总是在某几个固定的 reasoning token 数上“刹车”，那就不是普通失误了。 这两天 Hacker News 上有个很适合做工程复盘的讨论：GPT-5.5 Codex reasoning-token clustering may be leading to degraded performance。原帖指向 OpenAI Codex 仓库里的一个 issue：报告者分析了 Codex token_count 元数据，发现 GPT-5.5 的 reasoning_output_tokens 异常集中在 516，另外还有 1034、1552 这类固定边界；同时，复杂任务上的表现似乎变差。这个 issue 目前仍是 open 状态，不能把它当成 OpenAI 已确认的根因结论。但它暴露的问题非常真实：当 AI 编程助手进入生产工作流，模型内部“想了多久、在哪里停下、什么情况下短路”，会变成可靠性指标，而不是研究员才关心的细节。 我更愿意把它看成一个 Agent 可观测性案例，而不是“GPT-5.5 又翻车了”的新闻。 516 这个数字为什么值得警惕 先把事实边界说清楚。 在 OpenAI Codex issue #30364 中，报告者声称自己分析了 2026 年 2 月到 6 月的 Codex token 元数据，共 390,195 条 response-level token records、865 个 sessions。其中最刺眼的数据是：GPT-5.5 只占全部响应的 19.3%，却占了精确 reasoning_output_tokens = 516 事件的 82.0%；在 GPT-5.5 中，达到 516 及以上 reasoning token 的响应里，有 44.0% 精确停在 516。非 GPT-5.5 的对应比例只有 1.3%。 ...