He estado usando GPT-6 Astra con el flujo de trabajo que desarrollé para GPT-5.6: alcance de tareas documentado, contexto del repositorio, procedimientos operativos estándar y verificación antes de la entrega. En mis pruebas, he tenido que seguir corrigiendo trabajos que esas instrucciones ya cubrían. Los ejemplos incluyeron señalar de nuevo una guía de redacción proporcionada, reafirmar la cadencia de pruebas y solicitar trabajo solicitado que faltaba en una entrega final.
Lee el
estudio completo , la
publicación del blog , o explora los
datos y métodos en el repositorio de investigación.
25,254 respuestas registradas a lo largo de seis días de estudio. El día 6 termina en el punto de corte común. Fuente: registros de uso del Astra Field Study.
Revisé seis días de registros de Astra retenidos para entender la actividad y la dirección que se le daba. Los registros contenían 25,254 respuestas en 557 turnos. Una revisión separada de mis contribuciones escritas y de voz identificó 147 contribuciones correctivas entre 538 contribuciones sustanciales, agrupadas en 78 episodios. Treinta y un episodios contenían correcciones repetidas.
El proceso es anterior a Astra
Escribí sobre el trabajo en curso con Codex, el alcance y las restricciones de las tareas y los POE versionados en junio. Eric Provencher, del equipo Codex DX de OpenAI, describió prácticas estrechamente alineadas en su guía de julio para GPT-5.6, incluyendo asignaciones distintas y la preservación de requisitos al delegar.
Mi método establecido no se ha transferido de manera confiable en mis pruebas con Astra. Las instrucciones cubren los requisitos de acceso, pruebas y entrega para el trabajo.
Lo que muestra la revisión
Cuarenta episodios de corrección involucraron problemas de proceso o POE. Un episodio relacionado con pruebas contenía 17 contribuciones correctivas. La revisión también registró 154 contribuciones que expresaban insatisfacción, con 91 superpuestas en la categoría correctiva. El mismo problema a veces generaba varias correcciones, por lo que este recuento no mide una tasa de fallo del modelo.
538 contribuciones sustanciales en cinco categorías exclusivas: 310 de rutina, 63 solo de insatisfacción, 56 solo de corrección, 91 de ambas y 18 ambiguas. Las 147 contribuciones correctivas incluyen las 91 en ambas categorías. Fuente: revisión contextual, protocolo 1.1.
El uso total fue de 3.42 mil millones de tokens registrados, incluyendo 3.35 mil millones de tokens de entrada en caché. Aproximadamente el 98.2% de la entrada provino de la caché. El contexto repetido contribuye a esos contadores, por lo que el total no nos dice cuánto trabajo útil se completó ni cuánto costó. El estudio incluye el desglose completo y mantiene la actividad del repositorio separada.
Composición de tokens registrados: 3.35B de entrada en caché, 61.11M de entrada sin caché y 10.99M de tokens de salida. La entrada en caché representa el 98.21% de la entrada. La salida incluye razonamiento; estos contadores no miden el costo ni el trabajo útil. Fuente: registros de uso del Astra Field Study.
Dos hipótesis para probar
Sospecho que los atajos para terminar pueden desplazar los requisitos, y que los requisitos pueden perderse durante la delegación. Ambas son hipótesis completamente no probadas basadas en aproximadamente cuatro o cinco días de experiencia personal. No he ejecutado una comparación emparejada de GPT-5.6/GPT-6 ni he rastreado una falla causal de delegación. Un manual de implementación contenía instrucciones desactualizadas.
Las respuestas han incluido experiencias diferentes. Arbaz reportó desviaciones bajo instrucciones de diseño detalladas, mientras que John Collins reportó un buen seguimiento de instrucciones cuando se explicaban los pasos.
He publicado Astra Field Study con agregados revisados, métodos, figuras, un explorador y un kit de contribución MIT. El kit mantiene las conversaciones sin procesar en privado y permite a los contribuyentes revisar su agregado antes de enviarlo. Las calificaciones opcionales de satisfacción y facilidad se recopilan directamente y se mantienen separadas del uso.
Esto es lo que pienso actualmente, y quiero saber más. Si tu flujo de trabajo existente se transfirió sin problemas, comparte lo que usaste y cómo verificaste el resultado. Contribuye a través del repositorio o comunícate aquí, especialmente si tu experiencia contradice la mía.
