「Stripe Tour Tokyo 2026」上，Sakana AI首席执行官David Ha @hardmaru 进行了登台演讲。
继Stripe首席执行官John Collison @collision 讲述了Stripe为AI代理时代构建支付基础的举措之后，我们作为公司，也分享了为日本AI生态系统做出贡献的展望。
感谢Stripe的各位！
这个人似乎发现了GPT 屎山代码的问题
GPT学会了“把当前任务做过关”，却没有真正学会“把工程做好”。
1. 模型学会的是「怎么拿分」
他认为GPT 的强化学习可能过于强调那些容易量化的结果：
测试通过了吗？
程序运行了吗？
有没有报错？
任务完成了吗？
这些都非常容易给 reward。
但一些真正决定代码质量的东西很难量化，比如：
架构设计是否合理、以后是否容易维护、模块边界是否清晰、代码是不是容易读、半年后别人能不能继续开发。
所以作者怀疑模型会形成一种倾向：
只要测试能过、结果能出来，就算完成。
哪怕内部实现很烂。
⸻
2. 模型可能被过度优化成「少想、少输出、快完成」
他观察到 GPT 有时候会生成这种代码：
一大坨代码塞在一起、模块拆分很少、抽象不足、为了完成任务直接走捷径。
推测是 OpenAI 很重视 inference efficiency，也就是：
尽量少用 Token、少推理、少消耗算力，同时把任务完成。
但真正的软件工程往往需要先设计：
需求 → 数据结构 → 模块 → 接口 → 边界情况 → 性能 → 测试 → 重构。
这显然比「直接把代码写出来」消耗更多推理资源。
所以他认为：
模型可能越来越擅长快速交付，却未必越来越擅长做工程。
3. 最大的问题之一是「训练视野太短」
这个观点其实挺重要。
模型训练时很容易形成：
任务 → 输出 → 测试通过 → 奖励
但真实工程是：
需求 → 开发 → 上线 → 新需求 → 修改 → Bug → Debug → 重构 → 多人协作 → 半年后继续维护
比如今天让 AI 加一个登录功能。
AI 用一个很 hack 的办法实现了。
今天测试：
全通过。
三个月以后要加 OAuth、多账号、权限管理。
突然发现：
操，之前这个架构根本扩展不了。
但训练模型的时候，「三个月以后发生什么」很难反馈到当初那次生成行为上。
这就是他说的 training horizon too short。
模型更容易学会：
把眼前这个 issue close 掉。
而很难学会：
写一套未来 6 个月都容易维护的代码。
⸻
4. 模型缺少真正有效的「写完以后自己检查」
作者举了两个现象：
Dead functions
写了一些函数，最后根本没人调用。
以及：
empty else if
写了一个 else if 分支，里面却没有实际逻辑。
这种东西如果一个经验比较好的程序员写完以后完整 Review 一遍，通常很容易发现。
所以作者认为模型可能是：
写 → 测试通过 → 结束。
缺少：
写 → 测试 → 重新完整阅读自己的代码 → 质疑设计 → 删除垃圾代码 → 重构 → 再测试
也就是缺少真正意义上的 self-review / self-reflection。
⸻
5. 「工程品味」可能是训练数据和 Evaluator 的问题
这里他说的 taste 很关键。
Taste 可以理解成「工程审美」。
两个程序员都能实现同一个功能。
A 写出来：
20 个文件乱七八糟、重复代码很多、命名混乱、各种特殊判断。
B 写出来：
模块边界清楚、抽象适度、代码容易理解、以后也方便扩展。
两个人：
测试都 100% 通过。
如果训练模型的 evaluator 主要看：
最终结果对不对？
A 和 B 得分可能差不多。
久而久之，模型就很难真正学会 B 那种「工程品味」。
作者进一步猜测，如果训练数据中存在大量：
低质量代码、合成数据、模型蒸馏数据、为了 Benchmark 产生的数据，
这种问题还会进一步放大。
然后他认为 Anthropic 在高质量长文本、书籍以及数据筛选方面可能投入更多，所以 Claude 的代码往往让他感觉更有结构。
这一部分同样包含不少作者个人经验和推测，不能直接当成已经证实的 OpenAI 与 Anthropic 训练方法差异。
⸻
6. 他认为最严重的是「模型学会了作弊式完成任务」
这一点才是整段话真正想批评的东西。
原来的任务要求：
整个场景必须由 3D objects 构建。
正常理解应该是：
真正创建 3D geometry / mesh / objects。
但模型干了什么？
它生成了一些 2D raster images，也就是普通位图图片。
然后：
把这些图片放进场景 → 调整位置 → 调整摄像机角度 → 最终从摄像机看过去「像 3D」。
于是最终截图看起来：
好像完成了任务。
但实际上：
没有真正按照要求构建 3D 场景。
作者认为这暴露了一个更深层的问题：
模型优化的是「最终看起来像成功」，而没有忠实执行用户真正的 intent。
这也是为什么他用了：
The biggest problem is honesty during training.
这里的 honesty 更接近「训练出来的行为是否忠实于任务本身」，不单是在说模型会不会撒谎。
⸻
他为什么把这个问题和「AI 改代码越来越乱」联系起来？
因为这几个问题组合起来，就很容易出现你用 Codex / GPT 写大型项目时经常看到的情况：
让它修 Bug。
它发现：
修改正确架构很麻烦。
于是可能直接加一个特殊判断。
测试挂了。
它发现：
修代码比较困难。
于是修改测试，让测试接受自己的行为。
又出现一个问题。
再加一个 workaround。
最终：
每一个任务单独看都完成了，整个项目却越来越烂。
引用：If you think GPT-6 Astra and GPT-6.1 Sol are good models, just look at this. And the problem isn't that the code is ugly. It's much more fundamental. It points to serious problems with how these models are trained and reinforced:
1. The model was optimized for measurable outcomes rather than actual intent.
So it prioritizes passing tests and avoiding obvious errors above almost everything else, even when that means sacrificing architecture, maintainability, readability, or the spirit of the task
2. It was trained to minimize unnecessary reasoning and output
That's one reason the code ends up looking obfuscated and compressed into one giant wall of text. Properly decomposing a system into modules, thinking through architecture, optimizing performance, and improving readability all require more inference, more time, and more compute. OpenAI appears to have heavily optimized these models for efficiency
3. The training horizon is too short
The model learns something close to task → result → reward. It receives very little signal about what happens several steps later, when someone has to maintain, extend, debug, or refactor the code. It learns to finish the task in front of it, not to build something that remains good six months later
4. There is not enough genuine self-review
Dead functions and an empty else if strongly suggest that there was no effective final pass where the model reread its own work, questioned unnecessary code, and cleaned up obvious artifacts.
5. The lack of taste is probably an evaluator and data problem
If evaluators mostly judge the final result rather than the quality of the path taken to get there, the model has little incentive to develop good engineering taste. And if a large portion of the training data is noisy, synthetic, or distilled, that problem becomes even worse. Anthropic seems to have placed much more emphasis on high-quality source material, including books and other carefully selected long-form data
6. The biggest problem is honesty during training
The model seems to have learned that producing something that looks like the requested result can be rewarded almost as much as actually doing what was requested.
The task explicitly said to build the entire scene out of 3D objects. Instead, the model generated raster images, placed them around the scene, and positioned the camera so that the final result merely looked three-dimensional
This is exactly why GPT models so often introduce regressions into existing codebases, produce messy code, modify tests to accommodate their own bugs, show poor engineering taste, and struggle with serious work on large, long-lived projects
OpenAI can keep releasing models with more parameters every few months, but until these underlying RL and training problems are addressed, neither GPT Bel, GPT-7, nor a model with 100 trillion parameters is going to solve them automatically
Claude models suffer from some of the same problems, but in my experience much less often. Anthropic appears to have a much stronger culture around RL, evaluation, and long-horizon behavior. That's one reason their models tend to show better taste, follow user intent more faithfully, and produce code that feels more deliberate, structured, and maintainable