Codex не для пісень, а для довготривалої агентної роботи

Codex не гальмує, він просто грає в іншу гру

Тут Codex виглядає не зламаним, а заточеним під задачі, де краще зайвий раз узгодити дію, ніж тихо наробити шкоди. У документації OpenAI описано режим автоперевірки: модель передає заплановану дію та свіжий контекст субагенту узгодження, який може автоматично схвалювати низькоризикові кроки й частину більш ризикованих за достатньої авторизації.

На творчому завданні це перетворюється на бюрократію. Користувач просить написати пісню, а отримує п’ять уточнювальних запитань, задум, план написання і прохання про схвалення після кожного кроку. Формально модель робить процес акуратнішим, але результат не з’являється там, де потрібен швидкий естетичний кидок.

І ось тут контраст цікавіший за саму скаргу. Інші учасники обговорення пишуть, що Codex у них працює по пів дня й довше, а один користувач описує тиждень автономної роботи й тисячі експериментів. Я б не видавав це за перевірений бенчмарк: це користувацький досвід, а не відтворюваний тест. Але напрям збігається з тим, як OpenAI позиціонує Codex: безпечні дефолти, ізольоване середовище, довгі агентні цикли, робота з кодом і дослідницькими задачами.

Тобто проблема не в тому, що модель не вміє працювати з текстом. Проблема в тому, що її поведінка оптимізована під план, дії, перевірку й контроль ризиків. Для пісні це звучить як занудство. Для експериментів – уже схоже на корисну дисципліну.

Де такий характер моделі справді корисний

Головний висновок простий: Codex варто оцінювати не як універсального автора, а як агентну систему для задач із перевірюваними кроками. Кодинг, research, перебір гіпотез, запуск експериментів і поступове уточнення рішення отримують від такої обережності більше користі, ніж шкоди.

У відкритому листі все навпаки. Там часто немає однозначного критерію успіху, зате є стиль, темп, сміливість формулювання й готовність одразу дати цілісний чернетку. Якщо модель натомість вибудовує протокол узгоджень, вона ламає потік. Не тому що дурна, а тому що намагається бути надійною там, де від неї чекають смаку.

Мені в цій історії важливий не спір, яка модель краще пише пісні. Вхідні дані не дають чесного рейтингу між Gemini, Claude, Grok, Fable чи іншими моделями. Зате вони добре показують інженерну розвилку: одна й та сама обережність може бути дратівливим тертям у тексті й цінним запобіжником в автономній роботі.

Найнебезпечніший висновок – назвати Codex поганою моделлю. Точніший висновок нудніший, але корисніший: агентність без правильного сценарію швидко виглядає як канцелярія з GPU.

Раніше ми розповідали, як Anthropic скасувала приховане заниження запитів у Claude, повертаючи прозорість після скандалу. Саме ця зміна спричинила надмірну обережність моделі, через яку вона відмовлялася генерувати пісні, залишаючись корисною лише для наукових завдань.