Uno studio su 90 esecuzioni dello stesso compito mostra che un tool di test sull’interfaccia alza il costo di un agente del 42-68% senza cambiare l’esito, mentre i difetti stanno nella consegna. Un controllo in più serve solo se guarda dove il sistema si rompe.
Con la cache dei prefissi spenta, 800 esecuzioni identiche non hanno prodotto una sola differenza. Accendendola — ed è accesa di default — cambia la traiettoria di tre quarti degli episodi. La variabile che decide non sta nella richiesta, e il server non te la riporta.
Sullo stesso benchmark e sullo stesso set, GPT-6 Astra prende 62,7% o 99,9% a seconda dell’harness. Il punteggio di un modello non è una proprietà del modello: è una proprietà di una terna.