GPT-5.6 optimiert sich selbst – neuer Bootstrap-Ansatz aufgetaucht

OpenAI hat einen technischen Bericht veröffentlicht, der RSI (Recursive Self-Improvement, also rekursive Selbstverbesserung) detailliert beschreibt, angewendet auf GPT-5.6. Das Modell ist nun in der Produktion im Einsatz: Es analysiert den Datenverkehr, passt das Routing an, schreibt Triton- und Gluon-Kernel neu, optimiert sein eigenes spekulatives Decodierungssystem, indem es hunderte Experimente durchführt, und sucht nach optimalen Bereitstellungsparametern (Batching, Sharding, KV-Cache-Verwaltung). Infolgedessen sanken die End-to-End-Dienstkosten von OpenAI um 20 %, und die Token-Generierungseffizienz verbesserte sich um über 15 %. Zu den bemerkenswerten Autoren gehört Philippe Tillet, der Schöpfer von Triton. Dennoch bleibt die menschliche Aufsicht bestehen: Menschen legen Optimierungsziele, Toolberechtigungen, Bewertungsmetriken und finale Bereitstellungsentscheidungen fest. Zusätzlich hat OpenAI ein auf Rust basierendes Agent-Harness entwickelt, um wiederkehrenden Overhead in Agenten-Schleifen zu reduzieren, mit Optimierungen wie lazy tool discovery (Werkzeuge werden nur bei Bedarf angezeigt) und append-only prompt caching (nur anhängendes Prompt-Caching), um die Kontextwiederverwendung zu erhalten. Während der internen Tests von GPT-5.6 verdoppelte sich die tägliche Token-Ausgabe pro aktivem Forscher im Vergleich zum Spitzenwert von GPT-5.5; die Rechenleistung für interne Programmierung und logisches Denken stieg innerhalb von sechs Monaten um das Hundertfache, und der interne Agent-Token-Verbrauch stieg um etwa das 22-Fache.