GPT-5.6 Sol Ultra estará no Codex

Cortes no custo de inferência & “multiplicadores de compute”

• O tópico conecta GPT‑5.6 Sol / Ultra a relatos de que a OpenAI encontrou uma forma de reduzir pela metade os custos de inferência.
• As pessoas especulam sobre técnicas: cache compartilhado de KV/prefixo, speculative decoding, arquiteturas mais eficientes, truques no estilo DeepSeek (modelos de rascunho, sistemas semelhantes ao DSpark).
• Vários argumentam que simples cache de respostas ou cache de prefixo não ajudará muito em cargas de trabalho de cauda longa e contexto longo (por exemplo, programação), onde os custos importam mais.
• “Multiplicadores de compute” são vistos como os principais segredos comerciais dos laboratórios; mantê-los em segredo é comparado a algoritmos de trading quantitativo. Outros criticam esse sigilo como anticientífico e socialmente nocivo.

Sol Ultra, Pro, subagentes & fluxos de trabalho

• Sol Ultra no Codex é descrito (com base no código-fonte) como: mesmo modelo/mesmo esforço “max”, mais um ajuste no prompt para usar proativamente subagentes. Nenhum modo especial de backend exposto.
• Acredita-se que GPT‑5.5 Pro use compute de teste paralelo no tempo de inferência (várias passagens + um modelo de seleção/síntese), explicando seu custo efetivo muito mais alto.
• São feitas comparações com o “ultracode” do Claude Code / fluxos de trabalho dinâmicos: scripts que orquestram muitos subagentes de forma determinística, com alguma discordância sobre quão maduros ou “quebrados” eles são.

Qualidade do modelo, კონკorrência & acesso

• Muitos veem Fable/Mythos como os líderes atuais em programação, especialmente em tarefas complexas e de várias etapas (por exemplo, engenharia reversa de hardware).
• GPT‑5.5 Pro é elogiado pela qualidade, mas criticado por ser proibitivamente caro no uso via API; alguns esperam que o 5.6 Sol Ultra reduza a diferença a preços de assinatura.
• Alguns usuários relatam que o 5.5 ficou “mais preguiçoso”/pior recentemente no Codex, possivelmente como preparação para o 5.6, mas isso é anedótico.
• A pesquisa aberta e os baixos preços da DeepSeek são citados repetidamente como pressão sobre os laboratórios dos EUA; há debate sobre se os laboratórios chineses estão à frente em eficiência ou apenas são estruturalmente forçados a otimizar.

Uso empresarial, custos & preocupações com bolha

• Usuários corporativos relatam já estar vendo o 5.6-Sol Ultra; a administração inicialmente transformou em jogo “mais tokens usados”, depois mudou abruptamente para alertas sobre alto gasto de tokens e incentivo ao uso de modelos mais baratos.
• Vários comentaristas veem isso como um sinal inicial de que a bolha econômica pode estar esvaziando: as ferramentas são úteis, mas caras demais para substituir o trabalho humano em escala.
• Estratégias mencionadas: usar modelos fortes para planejamento, modelos menores para o “trabalho braçal”; usar modelos locais para a maioria das tarefas e LLMs na nuvem apenas quando estiver travado.

Confiabilidade, segurança & automação

• Há forte ceticismo sobre incorporar LLMs estocásticos diretamente em processos críticos e automatizados de negócios: as empresas querem determinismo, auditabilidade e comportamento estável.
• Alguns argumentam que é possível construir sistemas confiáveis a partir de componentes estocásticos com feedback e testes; outros contra-argumentam que os LLMs atuais não conseguem realmente aprender com o feedback em tempo de implantação e continuam opacos.

Branding, nomes & UX

• Há confusão e irritação com nomes pouco descritivos (“Sol”, “Ultra”, “Codex”) em vez de rótulos técnicos; outros observam que marketing e facilidade de uso muitas vezes superam nomes descritivos.