«1 400 pull request'ов и 800 000 удалённых строк»: команда OpenAI показала, как Codex поддерживает код на GPT-6

Что опубликовали

В блоге OpenAI для разработчиков 14 октября 2026 года появилась заметка «Maintaining software with the GPT-6 family» — от первого лица: её автор Родриго Роим работает в команде Core Experimentation, которая поддерживает инфраструктуру экспериментов OpenAI, от фронтенд-обновлений до эффективности обслуживания моделей.

Тема — не разработка нового, а сопровождение уже написанного: удаление неиспользуемого кода, уборка устаревших экспериментов и починка тестов. По словам автора, агентное программирование ускорило разработку и одновременно увеличило потребность в обслуживании. В работе используются Codex и модели семейства GPT-6: GPT-6 Astra и GPT-6.1 Sol, а на более раннем этапе — GPT-5.6 Sol.

Формат публикации — инженерный отчёт о собственном опыте с числами и промптами. Именно промпты составляют вторую половину заметки: автор приводит конкретные формулировки, которыми команда ставила задачи, включая намеренно неоднозначную: «Можешь помочь найти и вычистить мёртвый код в репозитории, не стесняйся смотреть Slack, Statsig или любой другой источник, который нужен, чтобы подтвердить, что это действительно больше не используется и может быть удалено или упрощено».

1 400 pull request'ов и 800 000 строк

Самый крупный результат описан так: пять инженеров запускали вариации короткого промпта по нескольким репозиториям и довели до merge более 1 400 pull request'ов, удалив свыше 800 000 строк кода. Основную часть этой работы команда сделала за две недели частичной занятости, параллельно с другими проектами, а ревью раздавались по командам вместе с контекстом затронутых проектов.

Измеримые следы: образ контейнера одного сервиса уменьшился с 3,31 до 1,72 ГБ — на 48%, а ещё один проход убрал около 400 вариантов визуальных снапшотов из набора тестов.

Отдельный пример показывает, как модель ведёт себя с находками, которые нельзя удалять молча: однострочный feature flag в Statsig, разрешавший внутренним разработчикам переопределять все остальные флаги, выглядел неприметно среди сотен похожих строк, но давал заметное размножение нагрузки на CPU. Astra нашла строку, посчитала стоимость по CPU и всё равно вынесла находку на человеческое ревью — флаг был явно помечен в консоли как «Permanent» и мог нести операционный смысл. После проверки флаг удалили, с оценкой экономии 0,42% CPU в основном затронутом сервисе.

Astra против Sol: 109,06 против 15,12 доллара

Вторая часть отчёта — сравнение моделей на одной и той же задаче. Автор прогнал один и тот же промпт по чистке устаревших экспериментов в разных комбинациях «модель + уровень рассуждений» на подкаталогах одного репозитория объёмом свыше 6 000 файлов и около 1 млн строк на Python, TypeScript, Go и Rust, а затем сам проверил находки.

Стоимость API: GPT-6 Astra Ultra — 109,06 доллара, GPT-6.1 Sol Ultra — 15,12 доллара, GPT-6.1 Sol Medium — 5,27 доллара. Находок: 142, 131 и 86 соответственно, то есть цена одной принятой находки — 0,77, 0,12 и 0,06 доллара. В публикации оговорено, что расчёт идёт по стандартным ценам API и включает исследовательских субагентов и автоматические последующие ходы Codex.

Итог сравнения сформулирован так: GPT-6.1 Sol Ultra дал 92% находок GPT-6 Astra Ultra при 14% стоимости API. Разбор расхождений показал и слабое место: большинство различий между моделями на уровне Ultra объяснялись константными feature-флагами, которые используются как зависимости внутри других флагов, — Astra их находила, Sol пропускал. Автор отмечает, что такие паттерны ошибок помогают править промпты, но новые релизы моделей делают эти правки неактуальными.

CI: с 10 минут до 4,5

Третий блок — CI. Сначала команда попросила Codex перечислить идеи по снижению нагрузки на CI и отсортировать их по оценке сэкономленных минут в день на основе истории прогонов репозитория, а затем пошла по предложениям: по её итогам до merge дошли около 30 pull request'ов по оптимизации CI.

Результат: медианное время завершения CI упало примерно с 10 минут до 4,5, а 90-й процентиль — с 12,5 до 6 минут. Отдельная правка — добавление недостающего mock — сократила прогон набора из 63 тестов резолвера с 592,6 до 29,8 секунды, то есть на 95%, при сохранении всех 63 тестов.

Автор перечисляет и три промпта «на попробовать»: поиск и починка нестабильных тестов, разбор инструкции в AGENTS.md, которая уводила агента в лишнюю работу, и идеи по разгрузке CI. Рекомендация по масштабированию — начинать с одной небольшой задачи, сравнить модели и уровни рассуждений, а затем расширяться на подкаталог и дальше.

Что здесь проверяемо, а что нет

Проверяемо: сама публикация OpenAI Developers, её автор и дата, перечисленные модели (GPT-6 Astra, GPT-6.1 Sol, GPT-5.6 Sol), продукт Codex и заявленные цены API как цены, по которым считали авторы.

Проверяемо с оговоркой по источнику: все результаты — свыше 1 400 pull request'ов, 800 000 удалённых строк, образ с 3,31 до 1,72 ГБ, 0,42% CPU, таблица стоимостей и находок, медиана CI с 10 до 4,5 минут — это внутренние замеры одной команды внутри собственной компании. Ни воспроизводимого набора данных, ни методики подсчёта находок, ни независимого замера в заметке нет.

Непроверяемо: переносимость этих результатов на другие кодовые базы. Сама публикация предупреждает, что часть предложений добавляла больше сложности, чем приносила пользы, и что в больших репозиториях легко захлебнуться числом оптимизаций, которые находят модели.

Формат: это инженерная заметка о собственном опыте, а не анонс. Новых моделей, API, тарифов или бенчмарков в ней не объявляется, а ускорение CI и удаление кода остаются внутренними показателями OpenAI.