GPT-5.3-Codex και η μετάβαση από τη συγγραφή κώδικα στον χειρισμό του υπολογιστή

Ο ισχυρισμός περί αυτοαναφορικής ανάπτυξης, και τι περιγράφει στην πραγματικότητα

Η OpenAI παρουσιάζει το GPT-5.3-Codex ως «το πρώτο μας μοντέλο που ήταν καθοριστικό στη δημιουργία του εαυτού του». Χωρίς τη ρητορική επένδυση, η πηγή περιγράφει συγκεκριμένες εργασίες: πρώιμες εκδόσεις του μοντέλου παρακολουθούσαν και αποσφαλμάτωναν τη διαδικασία εκπαίδευσης, εντόπιζαν μοτίβα κατά τη διάρκειά της, βρήκαν τη ρίζα χαμηλών ποσοστών επιτυχίας cache, και κλιμάκωναν δυναμικά συστάδες GPU κατά την κυκλοφορία του προϊόντος για να διατηρήσουν σταθερή τη λανθάνουσα απόκριση.

Πρόκειται για μια συγκεκριμένη και επαληθεύσιμη λίστα. Δεν είναι το μοντέλο να σχεδιάζει τη δική του αρχιτεκτονική, αλλά να εκτελεί την επιχειρησιακή και διαγνωστική εργασία γύρω από μια διαδικασία εκπαίδευσης, την οποία διαφορετικά θα έκαναν με το χέρι οι μηχανικοί. Το αποτέλεσμα που αναφέρεται είναι επιτάχυνση υφιστάμενων ερευνητικών έργων, με στελέχη της OpenAI να περιγράφουν τη δουλειά τους ως «θεμελιωδώς διαφορετική από ό,τι ήταν πριν από μόλις δύο μήνες».

Για όσους δημιουργούν ροές εργασίας με πράκτορες, το χρήσιμο συμπέρασμα είναι η μορφή της εργασίας που αυτοματοποιείται: ανάλυση αρχείων καταγραφής, ταξινομητές regex που εκτελούνται πάνω σε δεδομένα συνεδριών, και πλουσιότερες διαδικασίες οπτικοποίησης που συντάσσονται κατά παραγγελία. Ένας ερευνητής ζήτησε από το μοντέλο να δημιουργήσει ταξινομητές για να εκτιμήσει τη συχνότητα διευκρινιστικών ερωτήσεων και την πρόοδο εργασιών σε όλα τα αρχεία καταγραφής συνεδριών — το είδος της εσωτερικής μετρησιμότητας που σπάνια υλοποιείται επειδή δεν αποτελεί προτεραιότητα για κανέναν.

Το OSWorld είναι ο αριθμός που έχει μεγαλύτερη σημασία από το SWE-Bench

Στο SWE-Bench Pro η βελτίωση είναι οριακή: 56,8% έναντι 56,4% για το GPT-5.2-Codex. Η δραματική αλλαγή είναι στο OSWorld-Verified, τη δοκιμή χρήσης υπολογιστή που εκτελείται μέσω οπτικού περιβάλλοντος desktop, όπου η βαθμολογία εκτινάσσεται από 38,2% σε 64,7%. Το Terminal-Bench 2.0 ανεβαίνει ομοίως από 64,0% σε 77,3%.

Αυτό το μοτίβο δείχνει προς τα πού κατευθύνεται το προϊόν. Η απόδοση στη συγγραφή κώδικα έχει σχεδόν φτάσει σε πλατό· η νέα δυνατότητα είναι ο χειρισμός υπολογιστή — εργασίες καθοδηγούμενες από όραση σε περιβάλλον desktop, όπου οι άνθρωποι σκοράρουν περίπου 72%. Η διαφορά μεταξύ του GPT-5.3-Codex και της ανθρώπινης απόδοσης σε αυτή τη δοκιμή είναι πλέον μικρότερη από τη διαφορά που είχε αυτό το μοντέλο με τον προκάτοχό του.

Η OpenAI στηρίζεται σε αυτό παραπέμποντας στο GDPval, την αξιολόγηση γνωσιακής εργασίας που καλύπτει 44 επαγγέλματα, δείχνοντας αποτελέσματα όπως μια παρουσίαση δέκα διαφανειών για συμβουλευτική υπηρεσία θεματοφύλακα. Αξίζει να σημειωθεί ότι η απόδοση στο GDPval απλώς «ισοφαρίζει το GPT-5.2» στο 70,9% — η βελτίωση εδώ αφορά την πρακτορική εκτέλεση και τον χειρισμό υπολογιστή, όχι την ωμή ποιότητα γνωσιακής εργασίας.

Η διαδραστική καθοδήγηση ως η πραγματική αλλαγή διεπαφής

Η OpenAI είναι ξεκάθαρη ότι το σημείο συμφόρησης μετατοπίζεται: «το χάσμα μετακινείται από το τι είναι ικανοί να κάνουν οι πράκτορες προς το πόσο εύκολα μπορούν οι άνθρωποι να αλληλεπιδρούν, να καθοδηγούν και να επιβλέπουν πολλούς από αυτούς που εργάζονται παράλληλα». Η απάντηση είναι μια δυνατότητα καθοδήγησης που σας επιτρέπει να παρεμβαίνετε στη μέση μιας εργασίας χωρίς να χάνεται το πλαίσιο, ενεργοποιούμενη μέσω Settings > General > Follow-up behavior.

Αυτό έχει μεγαλύτερη σημασία από μια απλή δοκιμή. Ένα μοντέλο που λειτουργεί αυτόνομα πάνω από «εκατομμύρια tokens» — όπως συνέβη κατά τη δημιουργία των παιχνιδιών αγώνων και καταδύσεων — είναι ανεπίβλεπτο αν βλέπετε μόνο το τελικό αποτέλεσμα. Οι συχνές ενημερώσεις προόδου και η διορθωτική παρέμβαση στη μέση της εκτέλεσης είναι αυτό που κάνει τους πράκτορες μακράς διαρκείας χρησιμοποιήσιμους, αντί για ένα τζόγο που ξεκινάτε ελπίζοντας στο καλό.

Ο κανόνας δρομολόγησης κυβερνοασφάλειας είναι η πιο σημαντική γραμμή στην ανάρτηση

Το GPT-5.3-Codex είναι το πρώτο μοντέλο που η OpenAI κατατάσσει ως «Υψηλής ικανότητας» για την κυβερνοασφάλεια βάσει του Preparedness Framework της, και το πρώτο που εκπαίδευσε ρητά για την εύρεση ευπαθειών λογισμικού. Ένας ερευνητής χρησιμοποίησε το Codex για να εντοπίσει ευπάθειες στο Next.js, οι οποίες γνωστοποιήθηκαν την εβδομάδα πριν από την κυκλοφορία.

Για να αποτραπεί η κακή χρήση, ορισμένα αιτήματα που τα συστήματά μας εντοπίζουν ως αυξημένου κυβερνοκινδύνου ενδέχεται να δρομολογούνται αυτόματα από το GPT‑5.3‑Codex στο GPT‑5.2.Montana Labs

Πρόκειται για έναν ενεργό ρυθμιστή δυνατοτήτων ενσωματωμένο στο προϊόν. Αν ένα αίτημα ενεργοποιήσει τον ταξινομητή κινδύνου, λαμβάνετε σιωπηλά ένα ασθενέστερο μοντέλο. Για νόμιμες ομάδες ασφάλειας αυτό σημαίνει μη ντετερμινιστική συμπεριφορά ακριβώς στις εργασίες που τους ενδιαφέρουν, με ένα πιλοτικό πρόγραμμα Trusted Access for Cyber και μια εντολή /feedback ως διαφυγές. Η OpenAI δεσμεύεται επίσης για 10 εκατομμύρια δολάρια σε πιστώσεις API προς άμυνα.

Τι δεσμεύεται να τηρήσει η OpenAI με αυτή την κυκλοφορία

Επανατοποθετώντας το Codex από πράκτορα κωδικοποίησης σε «έναν πιο γενικό συνεργάτη στον υπολογιστή», η OpenAI αναλαμβάνει υποχρεώσεις που τώρα πρέπει να τηρήσει. Αν το ίδιο μοντέλο που αποσφαλματώνει το build σας μπορεί επίσης να ελέγξει τις εξαρτήσεις σας για ευπάθειες, ο προμηθευτής γίνεται ενεργός συμμέτοχος στη στάση ασφάλειάς σας — και η λογική δρομολόγησης που υποβαθμίζει επικίνδυνα prompts γίνεται μέρος του μοντέλου απειλών όχι μόνο δικού τους, αλλά και δικού σας.

Για τις ομάδες που το αξιολογούν, τα πρακτικά ερωτήματα είναι λιγότερο εντυπωσιακά: αν ο ταξινομητής κυβερνοκινδύνου ενεργοποιείται λανθασμένα σε συνήθεις εργασίες ασφάλειας, αν η καθοδήγηση όντως διατηρεί τις μακρές αυτόνομες εκτελέσεις σε σωστή πορεία, και αν η βελτίωση ταχύτητας κατά 25% διατηρείται υπό πραγματική κίνηση. Η πρόσβαση μέσω API είναι «σύντομα διαθέσιμη», οπότε αυτές οι απαντήσεις δεν είναι ακόμη ελέγξιμες εκτός της εφαρμογής Codex, του CLI, της επέκτασης IDE και του web.