L’episodio 11 dell’OpenAI Podcast è dedicato a GPT-5.1 e al modo in cui il team ha lavorato sul comportamento del modello. La conversazione tra la ricercatrice Christina Kim e la product manager Laurentia Romaniuk affronta tre temi principali: gli obiettivi di GPT-5.1 come modello di ragionamento, la costruzione di una personalità controllabile e il ruolo della memoria e della personalizzazione nell’esperienza di ChatGPT.
Il primo aspetto riguarda il passaggio a una generazione di modelli definiti di ragionamento. GPT-5.1 viene progettato per adattare la propria “quantità di pensiero” al compito: nelle richieste semplici risponde in modo diretto, mentre nelle domande complesse attiva processi interni con più passaggi logici prima di arrivare all’output. Questo approccio, basato su un uso selettivo del ragionamento esteso, migliora la qualità delle risposte, la capacità di seguire istruzioni articolate e i risultati sui benchmark interni. In altre parole, il modello decide quando approfondire e quando restare essenziale.
L’episodio evidenzia anche il passaggio da GPT-5 a GPT-5.1. Una parte degli utenti aveva percepito GPT-5 come meno intuitivo e meno accogliente rispetto alle aspettative. Analizzando le conversazioni, il team si è accorto che spesso l’impressione derivava dalla gestione del contesto. Se in una chat compariva una frase come “oggi è una giornata terribile”, dopo diversi turni questo elemento usciva di scena e le risposte assumevano un tono neutro. GPT-5.1 è addestrato per conservare più a lungo dettagli significativi della conversazione, così da mantenere una continuità emotiva e cognitiva più credibile.
Un altro punto centrale riguarda il cosiddetto model switcher. ChatGPT si basa su un sistema che include il modello di ragionamento principale, versioni ottimizzate per risposte rapide, il componente che decide quale modello usare e altri strumenti specializzati. Il model switcher valuta il tipo di domanda, il livello di precisione richiesto e la tolleranza alla latenza, quindi seleziona il percorso più adatto. Una richiesta scientifica dettagliata può beneficiare di un profilo che dedica più passi al ragionamento, anche a costo di qualche secondo in più. La sfida di prodotto è trovare un equilibrio tra profondità, velocità e coerenza dello stile.
Nel passaggio tra modelli diversi si erano osservate differenze di tono, in particolare nelle conversazioni delicate. Quando un utente parlava di una diagnosi medica, ad esempio, il passaggio automatico al modello più analitico poteva produrre risposte tecniche con uno stacco percepibile rispetto ai messaggi precedenti. Con GPT-5.1 il team lavora sulla riduzione di questi cambi di stile improvvisi, così che l’interazione mantenga una continuità espressiva anche quando il sistema cambia internamente strategia.
Nel podcast emerge poi la distinzione tra intelligenza logica e intelligenza emotiva. Per la prima esistono test e benchmark consolidati, che permettono confronti chiari tra modelli. L’intelligenza emotiva richiede un approccio diverso, basato sui cosiddetti segnali degli utenti. OpenAI utilizza sistemi di feedback e modelli di reward per stimare la soddisfazione nelle conversazioni reali e per capire se il modello sta interpretando correttamente intenzioni, contesto e tono. Una parte importante del lavoro riguarda la capacità di ascolto: ricordare chi ha di fronte, tenere conto di ciò che è stato detto e regolare il linguaggio di conseguenza.
Il concetto di personalità viene descritto su due livelli. In senso stretto riguarda lo stile di risposta: lunghezza dei messaggi, uso o assenza di emoji, tono più formale o più colloquiale, grado di sintesi o di dettaglio. Sono elementi che gli utenti possono controllare sempre di più, grazie alle opzioni di personalizzazione del comportamento. In senso ampio, personalità indica l’intera esperienza ChatGPT, che comprende interfaccia, tempi di risposta, memoria, gestione del contesto, limiti di utilizzo e modalità con cui avvengono gli eventuali cambi di modello. Da questo punto di vista, la personalità è l’effetto combinato di scelte tecniche e di prodotto.
Kim e Romaniuk sottolineano anche il tema della controllabilità. Il post-training mira a ridurre abitudini indesiderate del modello, come certi manierismi o formule ridondanti, però senza limitare la possibilità per gli utenti di orientare lo stile quando lo desiderano. Se un modello venisse corretto in modo eccessivo su un tratto espressivo, chi apprezza proprio quella caratteristica avrebbe più difficoltà a ottenerla tramite istruzioni. L’obiettivo è un equilibrio tra policy di sicurezza, linee guida di base e ampio margine di scelta per chi utilizza il sistema.
Un’altra area di lavoro riguarda la gestione dell’incertezza, dei bias e delle domande soggettive. Il modello è incoraggiato a dichiarare con maggiore chiarezza quando i dati sono incompleti, quando esistono opinioni diverse o quando una risposta univoca non è possibile. Questo tipo di comportamento riduce il rischio di affermazioni rigide su argomenti che ammettono più interpretazioni. In parallelo, lo sviluppo mira a preservare la creatività del modello, con una gamma più ampia di registri stilistici e gradi di complessità. Quando gli utenti chiedono semplificazioni, approfondimenti o variazioni di tono, GPT-5.1 è progettato per adattarsi con maggiore precisione rispetto alle versioni precedenti.
Un capitolo specifico è dedicato alla memoria di ChatGPT. La memoria consente al modello di conservare nel tempo alcune informazioni chiave sull’utente, come argomenti ricorrenti, preferenze stilistiche o obiettivi di lavoro. Questo permette di evitare ripetizioni e offre risposte più mirate fin dalle prime battute di una nuova conversazione. L’episodio cita anche esempi di prodotti che sfruttano questa capacità per proporre contenuti aggiornati in linea con gli interessi emersi in passato. Un requisito fondamentale del sistema di memoria è la trasparenza: l’utente può consultare, modificare o cancellare le informazioni memorizzate.
Guardando in avanti, il podcast descrive una direzione in cui la personalizzazione diventa sempre più profonda. Con centinaia di milioni di persone che usano ChatGPT ogni settimana, un solo stile standard non è sufficiente. L’idea è che in futuro il modello inferisca in modo più accurato il livello di competenza, il contesto professionale e le preferenze comunicative di ciascuno, anche senza istruzioni esplicite in ogni sessione. Un ricercatore che lavora in un certo ambito scientifico, ad esempio, può aspettarsi risposte allineate con il proprio livello di esperienza, sia per i contenuti sia per il linguaggio.
Nella parte conclusiva, gli autori del podcast offrono qualche suggerimento pratico. Invitano chi usa GPT-5.1 a provarlo su compiti che conosce molto bene, così da valutare con precisione l’evoluzione della qualità. Suggeriscono inoltre di tornare periodicamente sugli stessi scenari, perché il comportamento del modello cambia con gli aggiornamenti. Ricordano infine che il modello può assistere anche nella definizione delle richieste, aiutando a formulare prompt più chiari o a individuare domande che consentono di ottenere risposte più utili.
