Η OpenAI λανσάρει το GPT-5.3-Codex και ανεβάζει τον πήχη στους coding agents

Η OpenAI κυκλοφόρησε την Τετάρτη το GPT-5.3-Codex, το οποίο χαρακτηρίζει ως τον πιο ικανό coding agent που έχει παρουσιάσει έως τώρα, σε μια ανακοίνωση που συνέπεσε χρονικά με την αναβάθμιση του κορυφαίου μοντέλου της Anthropic, Claude Opus 4.6.

Οι ταυτόχρονες κυκλοφορίες σηματοδοτούν την έναρξη αυτού που παρατηρητές του κλάδου αποκαλούν «AI coding wars», με επίκεντρο την αγορά του enterprise software development.

Η συγκυρία έρχεται σε μια ήδη έντονη

εβδομάδα αντιπαράθεσης ανάμεσα στις δύο εταιρείες, οι οποίες ετοιμάζονται επίσης να προβάλουν ανταγωνιστικές διαφημίσεις στο Super Bowl την Κυριακή. Παράλληλα, στελέχη τους έχουν ανταλλάξει δημόσια αιχμές για ζητήματα επιχειρηματικών μοντέλων, πρόσβασης και εταιρικής ηθικής.

Λίγα λεπτά μετά το λανσάρισμα, ο CEO της OpenAI, Sam Altman, έγραψε στο X ότι του αρέσει να «χτίζει» με το μοντέλο και πως η πρόοδος που προσφέρει είναι μεγαλύτερη από ό,τι δείχνουν τα benchmarks. Αργότερα πρόσθεσε ότι η ομάδα κατάφερε να κυκλοφορήσει το 5.3-Codex πολύ ταχύτερα χρησιμοποιώντας το ίδιο το 5.3-Codex, χαρακτηρίζοντάς το ένδειξη για όσα ακολουθούν. 

Η OpenAI παρουσιάζει ως ορόσημο το γεγονός ότι το GPT-5.3-Codex (ήδη διαθέσιμο και στο Codex app για macOS) συνέβαλε στην ίδια του την ανάπτυξη. Σύμφωνα με την εταιρεία, η ομάδα του Codex χρησιμοποίησε πρώιμες εκδόσεις του μοντέλου για debugging σε training runs, για διαχείριση υποδομών ανάπτυξης (deployment) και για διάγνωση αποτελεσμάτων από tests και αξιολογήσεις, περιγράφοντάς το ως το πρώτο μοντέλο που υπήρξε «καθοριστικό» στη δημιουργία του.

Στο πεδίο των μετρήσεων, το GPT-5.3-Codex καταγράφει σημαντικές επιδόσεις: 57% στο SWE-Bench Pro, 77,3% στο Terminal-Bench 2.0 και 64% στο OSWorld. Η επίδοση στο Terminal-Bench 2.0 ξεχωρίζει, καθώς η OpenAI τη συγκρίνει με το GPT-5.2-Codex (64,0%) και το βασικό GPT-5.2 (62,2%), δηλαδή άλμα 13 ποσοστιαίων μονάδων μέσα σε μία γενιά. Χρήστης στο X σχολίασε ότι το αποτέλεσμα «διέλυσε» το Opus 4.6 της Anthropic, το οποίο αναφέρεται ότι πέτυχε 65,4% στο ίδιο benchmark.

Η εταιρεία υποστηρίζει επίσης ότι το μοντέλο είναι πιο αποδοτικό, απαιτώντας λιγότερο από τα μισά tokens σε σχέση με τον προκάτοχό του για ισοδύναμες εργασίες, ενώ προσφέρει και πάνω από 25% ταχύτερο inference ανά token. «Με λιγότερα tokens από κάθε προηγούμενο μοντέλο, οι χρήστες μπορούν απλώς να χτίζουν περισσότερο», σημειώνει η OpenAI.

Πέρα από τον προγραμματισμό, η OpenAI τοποθετεί το GPT-5.3-Codex ως agent που μπορεί να κάνει «σχεδόν οτιδήποτε» κάνουν developers και επαγγελματίες σε υπολογιστή: debugging, deployment, monitoring, συγγραφή PRD, επιμέλεια κειμένων, έρευνα χρηστών, δημιουργία παρουσιάσεων και ανάλυση δεδομένων σε spreadsheets. Το μοντέλο εμφανίζει ισχυρή επίδοση και στο GDPVal, μια αξιολόγηση της OpenAI (2025) για καλά ορισμένες εργασίες γνώσης σε 44 επαγγέλματα, ενώ στο OSWorld-Verified αναφέρεται ότι σχεδόν διπλασιάζει τη βαθμολογία του προκατόχου του σε εργασίες παραγωγικότητας σε περιβάλλον desktop.

Η στροφή προς γενικής χρήσης υπολογιστική δυνατότητα συνοδεύεται από νέα πρωτόκολλα ασφαλείας. Η OpenAI αποκάλυψε ότι το GPT-5.3-Codex είναι το πρώτο μοντέλο που ταξινομεί ως «υψηλής ικανότητας» για εργασίες κυβερνοασφάλειας στο Preparedness Framework και το πρώτο που έχει εκπαιδευτεί άμεσα για εντοπισμό ευπαθειών λογισμικού. Παρότι η εταιρεία δηλώνει ότι δεν διαθέτει οριστικές αποδείξεις πως μπορεί να αυτοματοποιήσει επιθέσεις από άκρο σε άκρο, εφαρμόζει προληπτική προσέγγιση με το πιο ολοκληρωμένο cybersecurity safety stack της μέχρι σήμερα, που περιλαμβάνει dual-use safety training, αυτοματοποιημένη παρακολούθηση, Trusted Access για προηγμένες δυνατότητες και enforcement pipelines με ενσωμάτωση threat intelligence.

Ο Altman τόνισε ότι πρόκειται για το πρώτο μοντέλο που φτάνει το επίπεδο «high» στην κλίμακα κυβερνοασφάλειας της εταιρείας, προσθέτοντας ότι η OpenAI εγκαινιάζει το Trusted Access framework, δεσμεύονται 10 εκατ. δολάρια σε API credits για επιτάχυνση της κυβερνοάμυνας. Παράλληλα, επεκτείνεται η private beta του Aardvark, του security research agent της εταιρείας, ενώ αναφέρεται συνεργασία με maintainers open-source έργων για δωρεάν σάρωση κώδικα σε ευρέως χρησιμοποιούμενα projects, με παράδειγμα το Next.js, όπου ερευνητής χρησιμοποίησε το Codex για να εντοπίσει ευπάθειες που γνωστοποιήθηκαν την περασμένη εβδομάδα.

Διαβάστε ολόκληρο το άρθρο