Vi præsenterer Codex

Opdatering den 3. juni 2025: Codex er nu tilgængelig for ChatGPT Plus-brugere. Vi gør det også muligt for brugere at give Codex internetadgang under udførelse af opgaver. Selogfil for ændring⁠(åbner i et nyt vindue) og dokumenter⁠(åbner i et nyt vindue) for flere oplysninger.

I dag lancerer vi en forhåndsvisning af research i Codex: En cloud-baseret softwareudviklingsagent, der kan arbejde på mange opgaver ad gangen. Codex kan foretage opgaver for dig som f.eks. at skrive funktioner, besvare spørgsmål om din kodebase, løse fejl og foreslå pull-anmodninger til gennemgang. Hver opgave kører i sit eget cloud-sandkassemiljø, der er forudindlæst med dit lager.

Codex er drevet af codex-1, en version af OpenAI o3, der er optimeret til softwareudvikling. Den er blevet trænet ved hjælp af forstærkende læring på kodningsopgaver i den virkelige verden i en række forskellige miljøer for at generere kode, der nøje afspejler menneskelig stil og PR-præferencer, følger instruktioner præcist og kan køre tests iterativt, indtil den modtager et bestået resultat. Vi er begyndt at udrulle Codex til ChatGPT Pro-, Enterprise- og Team-brugere i dag, og understøttelse af Plus og Edu kommer snart.

I dag kan du tilgå Codex gennem sidebjælken i ChatGPT og tildele den nye kodningsopgaver ved at skrive en forespørgsel og klikke på "Kode". Hvis du vil stille Codex et spørgsmål om din kodebase, skal du klikke på "Ask". Hver opgave behandles uafhængigt i et separat, isoleret miljø, der er forudindlæst med din kodebase. Codex kan læse og redigere filer samt køre kommandoer, herunder testværktøjer, kodekontroller (linters) og typetjekkere. Opgavefuldførelse tager normalt mellem 1-30 minutter alt efter kompleksitet, og du kan overvåge Codex’ fremgang i realtid.

Når Codex fuldfører en opgave, gemmer den ændringerne i dens miljø. Codex leverer verificerbart bevis på dens handlinger gennem henvisninger til terminallogge og testoutputs, hvilket giver dig mulighed for at spore hvert trin, der er taget under opgavefuldførelsen. Du kan derefter gennemgå resultaterne, anmode om yderligere revideringer, åbne en pull-anmodning i GitHub eller integrere ændringerne direkte i dit lokale miljø. I produktet kan du konfigurere Codex-miljøet til at matche dit virkelige udviklingsmiljø så meget som muligt.

Codex kan vejledes af AGENTS.md-filer, der er placeret i dit lager. Dette er tekstfiler, i stil med README.md, hvor du kan informere Codex om, hvordan den skal navigere i din kodebase, hvilke kommandoer, der skal køres til testning, og hvordan den bedst kan overholde standardfremgangsmåderne for dit projekt. Som med menneskelige udviklere yder Codex-agenter bedst, når de gives konfigurerede udviklermiljøer, pålidelige testopsætninger og tydelig dokumentation. 

På kodningsevalueringer og interne referencer viser codex-1 stærk ydeevne, selv uden AGENTS.md-filer eller tilpasset scaffolding.

Vi udgiver Codex som en research-forhåndsvisning på linje med vores iterative implementeringsstrategi. Vi har prioriteret sikkerhed og gennemsigtighed under designet af Codex, så brugere kan verificere dets outputs – en sikkerhedsforanstaltning, der bliver mere og mere vigtig, efterhånden som AI-modeller håndterer mere komplekse kodningsopgaver uafhængigt, og sikkerhedsovervejelser udvikles. Brugere kan kontrollere Codex' arbejde gennem henvisninger, terminallogge og testresultater. Hvis Codex-agenten er usikker eller støder på testfejl, kommunikerer den udtrykkeligt disse problemer og giver brugere mulighed for at træffe informerede beslutninger om, hvordan de vil fortsætte. Det er stadig vigtigt, at brugere manuelt gennemgår og validerer al agentgenereret kode, før integration og udførelse.

Et primært mål under træning af codex-1 var at tilpasse outputs så tæt på menneskelige kodningspræferencer og -standarder som muligt. Sammenlignet med OpenAI o3 producerer codex-1 hele tiden renere segmenter, der er klar til øjeblikkelig, menneskelig gennemgang og integration i standardarbejdsprocesser.

Det bliver mere og mere vigtigt at beskytte mod ondsindet anvendelse af AI-dreven softwareudvikling, f.eks. udvikling af malware. Samtidigt er det vigtigt, at beskyttelsesforanstaltninger ikke på urimelig vis hindrer legitim og fordelagtig anvendelse, der kan involvere teknikker, som sommetider også anvendes til udvikling af malware, f.eks. udvikling af kerner på lavt niveau.

For at afbalancere sikkerhed og anvendelighed blev Codex trænet til at identificere og på præcis vis afvise anmodninger, der var rettet mod udvikling af ondsindet software, og tydeligt kende forskel på og støtte legitime opgaver. Vi har også forbedret vores politikrammer og inkorporeret strenge sikkerhedsevalueringer for at forstærke disse grænser effektivt. Vi har offentliggjort et tillæg til o3‑systemkortet⁠ for at afspejle disse evalueringer.

Codex-agenten fungerer udelukkende i en sikker, isoleret container i clouden. Under opgaveudførelse er internetadgangen deaktiveret, hvilket begrænser agentens interaktion udelukkende til koden, der udtrykkeligt er angivet via GitHub-lagre og forudinstallerede afhængigheder, der er konfigureret af brugeren via et opsætningsscript. Agenten kan ikke få adgang til eksterne websites, API'er eller andre tjenester.

Tekniske teams hos OpenAI er begyndt at bruge Codex som en del af deres daglige værktøjssæt. Den anvendes oftest af OpenAI-teknikere til at aflaste repetitive opgaver med veldefineret omfang, f.eks. omstrukturering, ændring af navn og skrivning af tests, der i modsat fald kan bryde fokus. Den er også nyttig til at tilrettelægge nye funktioner, tilkoble komponenter, løse fejl og oprette udkast til dokumentation. Teams bygger nye vaner omkring den: prioritering af akutte problemer, planlægning af opgaver i starten af dagen og aflastning af baggrundsarbejde for at holde tingene i gang. Ved at reducere kontekstskift og fremhæve glemte opgaver hjælper Codex teknikerne med at levere hurtigere og holde fokus på det, der er vigtigst.

Før udgivelsen har vi også samarbejdet med en lille gruppe af eksterne testere for bedre at forstå, hvordan Codex klarer sig på tværs af forskellige kodebaser, udviklingsprocesser og teams.

• Cisco⁠(åbner i et nyt vindue) udforsker, hvordan Codex kan hjælpe dens tekniske teams med at bringe ambitiøse ideer til live hurtigere. Som tidlige designpartner hjælper Cisco med til at forme fremtiden for Codex ved at evaluere den i forhold til virkelige use cases på tværs af deres produktportefølje og give feedback til OpenAI-teamet.
• Temporal⁠(åbner i et nyt vindue) bruger Codex til at fremskynde funktionsudvikling, løse problemer, skrive og udføre tests samt omstrukturere store kodebaser. Den hjælper dem også med at holde fokus ved at køre komplekse opgaver i baggrunden – herved beholdes teknikerne i processen, men iteration fremskyndes.
• Superhuman⁠(åbner i et nyt vindue) bruger Codex til at fremskynde små, men repetitive, opgaver som f.eks. at forbedre testdækning og løse integrationsfejl. Den hjælper dem også med at levere hurtigere ved at lade produktchefer bidrage med mindre kodeændringer, uden at skulle involvere en tekniker, undtagen til kodegennemgang.
• Kodiak⁠(åbner i et nyt vindue) bruger Codex som hjælp til at skrive fejlsøgningsværktøjer, forbedre testdækning og omstrukturere kode – hvilket fremskynder udviklingen af Kodiak Driver, deres autonome kørselsteknologi. Codex er også blevet et værdifuldt opslagsværktøj og hjælper teknikere med at forstå dele af stakken, de ikke er bekendt med, ved at vise relevant kontekst og tidligere ændringer.

Baseret på erfaringerne fra tidlige testere anbefaler vi at tildele opgaver med godt defineret omfang til flere agenter samtidig og eksperimentere med forskellige typer opgaver og forespørgsler for at udforske modellens kapacitet på effektiv vis.

Sidste måned lancerede vi Codex CLI, en letvægts open source-kodeagent, der kører i din terminal. Den leverer ydeevnen fra modeller som f.eks. o3 og o4-mini i din lokale arbejdsproces, og gør det nemt at parre med dem for at fuldføre opgaver hurtigere. 

I dag har vi også udgivet en mindre version af codex-1, en version af o4-mini designet specifikt til brug i Codex CLI. Denne nye model understøtter hurtigere arbejdsprocesser i CLI'en og er optimeret til spørgsmål og svar om kode og redigering med lav latens og bevarer samtidig de samme styrker i forbindelse med at følge instruktioner og stil. Den er tilgængelig nu som standardmodel i Codex CLI og i API'en som codex-mini-latest. Det underliggende snapshot vil regelmæssigt blive opdateret, efterhånden som vi fortsætter med at forbedre Codex-mini-modellen.

Vi gør det også meget nemmere at knytte din udviklerkonto til Codex CLI. I stedet for manuelt at generere og konfigurere et API-token, kan du nu logge ind med din ChatGPT‑konto og vælge den API-organisation, du vil bruge. Vi genererer og konfigurerer automatisk API-nøglen for dig. Plus- og Pro-brugere, der logger ind på Codex CLI med ChatGPT, kan også begynde at indløse henholdsvis 5 og 50 USD i gratis API-kreditter senere i dag og i de næste 30 dage.

Fra og med i dag er vi begyndt at udrulle Codex til ChatGPT Pro-, Enterprise- og Team-brugere globalt og understøttelse af Plus og Edu kommer snart. Brugere vil have generøs adgang uden yderligere omkostninger i de kommende uger, så du kan udforske, hvad Codex kan gøre, og herefter vil vi udrulle prisbegrænset adgang og fleksible prismuligheder, der giver dig mulighed for at købe yderligere brug efter behov. Vi planlægger at udvide adgangen til Plus- og Edu-brugere snart.

For udviklere, der bygger med codex-mini-latest, er modellen tilgængelig på Respons-API'en og koster 1,50 USD pr. 1 million input-tokens og 6 USD pr. 1 million output-tokens med en 75 % rabat på caching af forespørgsler.

Codex er stadig i sin tidlige udvikling. Som en research-forhåndsvisning mangler den i øjeblikket funktioner som f.eks. billedinputs til frontend-arbejde, samt muligheden for at korrigere agentens kurs, mens den arbejder. Derudover tager uddelegering til en fjernagent længere tid end interaktiv redigering, hvilket kan tage noget tid at vænne sig til. Med tiden vil interaktion med Codex-agenter i stigende grad minde om asynkront samarbejde med kollegaer. Efterhånden som modelfunktionerne skrider frem, forudser vi, at agenter vil håndtere mere komplekse opgaver over længere perioder.

Vi forestiller os en fremtid, hvor udviklere styrer det arbejde, de ønsker at eje, og uddelegerer resten til agenter – og er dermed hurtigere og mere produktive med AI. For at opnå dette er vi ved at bygge en række Codex-værktøjer, der understøtter både samarbejde i realtid og asynkron uddelegering. 

Parring med AI-værktøjer som f.eks. Codex CLI og andre er hurtigt blevet en branchenorm, og det hjælper udviklere med at være hurtigere, efterhånden som de programmerer. Men vi mener, at den asynkrone arbejdsproces med flere agenter, der er introduceret af Codex i ChatGPT, vil blive de facto-måden, hvorpå teknikere producerer kode af høj kvalitet.

Vi ser i sidste ende, at disse to former for interaktion – parring i realtid og uddelegering af opgaver – smelter sammen. Udviklere vil samarbejde med AI-agenter på tværs af deres IDE'er og hverdagsværktøjer for at stille spørgsmål, få forslag og aflaste længere opgaver – alt sammen i en samlet arbejdsproces.

Ser vi fremad, planlægger vi at introducere mere interaktive og fleksible agentarbejdsprocesser. Udviklere vil snart kunne give vejledning midt i opgaven, samarbejde om implementeringsstrategier og modtage proaktive fremgangsopdateringer. Vi forudser også dybere integration på tværs af de værktøjer, du allerede bruger: Codex opretter i dag forbindelse til GitHub, og du vil snart kunne tildele opgaver fra Codex CLI, ChatGPT Desktop eller sågar værktøjer som f.eks. dit problemsporingsværktøj eller CI-system.

Softwareudvikling er én af de første brancher, der oplever væsentlige AI-drevne produktivitetsforbedringer, hvilket åbner op for nye muligheder for enkeltpersoner og små teams. Selv om vi er optimistiske omkring disse forbedringer, samarbejder vi også med partnere for bedre at forstå indvirkningerne af omfattende agentimplementering på arbejdsprocesser for udviklere, udvikling af evner på tværs af personer, niveauer og geografier. 

Dette er bare starten – og vi er spændte på at se, hvad du kan bygge med Codex.

Systembesked

Vi deler codex-1-systembeskeden for at hjælpe udviklere med at forstå modellens standardadfærd og tilpasse Codex til at fungere effektivt i kunders arbejdsprocesser. For eksempel opfordrer codex-1-systembeskeden Codex til at køre alle tests, der er nævnt i AGENTS.md-filen, men hvis du ikke har meget tid, kan du bede Codex om at springe disse tests over.