Codex-ന് ചെയ്യാൻ കഴിയുന്നതിൽ കൂടുതൽ കാര്യങ്ങൾ ചെയ്യാന് കഴിയുന്ന ഒരു പുതിയ മോഡൽ ഞങ്ങൾ അവതരിപ്പിക്കുന്നു: GPT‑5.3‑Codex, ഇതുവരെ ഏറ്റവും കഴിവുള്ള ഏജന്റിക് കോഡിംഗ് മോഡൽ. ഈ മോഡൽ GPT‑5.2‑Codex ന്റെ മുൻനിര കോഡിംഗ് പ്രകടനവും GPT‑5.2 ന്റെ റീസണിംഗ്, പ്രൊഫഷണൽ വിജ്ഞാന ശേഷികളും ഒരുമിച്ച് മുന്നോട്ട് കൊണ്ടുപോകുന്നു, കൂടാതെ ഇത് 25% വേഗത്തിലും പ്രവർത്തിക്കുന്നു. ഇത് ഗവേഷണം, ഉപകരണങ്ങളുടെ ഉപയോഗം, സങ്കീർണ്ണമായ നിർവഹണം എന്നിവ ഉൾപ്പെടുന്ന ദീർഘകാല പ്രവർത്തനങ്ങൾ ഏറ്റെടുക്കാൻ പ്രാപ്തമാക്കുന്നു. ഒരു സഹപ്രവർത്തകനെപ്പോലെ, സന്ദർഭം നഷ്ടപ്പെടാതെ, പ്രവർത്തിക്കുന്നതിനിടെ തന്നെ GPT‑5.3‑Codex‑നെ നിങ്ങൾക്ക് നയിക്കാനും അതുമായി ഇടപഴകാനും കഴിയും.
GPT‑5.3‑Codex-നെ സൃഷ്ടിക്കുന്നതില് സ്വയം തന്നെ നിർണായകമായ പങ്ക് വഹിച്ച ഞങ്ങളുടെ ആദ്യ മോഡൽ ആണ്. Codex ടീം പ്രാരംഭ പതിപ്പുകൾ ഉപയോഗിച്ച് സ്വന്തം പരിശീലനം ഡീബഗ് ചെയ്യാനും, സ്വന്തം ഡിപ്ലോയ്മെന്റ് മാനേജ് ചെയ്യാനും, ടെസ്റ്റ് ഫലങ്ങളും മൂല്യനിർണ്ണയങ്ങളും മനസിലാക്കാനും ഉപയോഗിച്ചു—Codex- ന് സ്വന്തം വികസനം എത്രത്തോളം വേഗത്തിലാക്കാൻ കഴിഞ്ഞുവെന്ന് കണ്ടപ്പോൾ ഞങ്ങളുടെ ടീം അതിശയിച്ചു.
GPT‑5.3‑Codex ഉപയോഗിച്ച്, Codex കോഡ് എഴുതാനും അവലോകനം ചെയ്യാനും കഴിയുന്ന ഒരു ഏജന്റിൽ നിന്ന്, ഡെവലപ്പർമാരും പ്രൊഫഷണലുകളും ഒരു കമ്പ്യൂട്ടറിൽ ചെയ്യാൻ കഴിയുന്ന ഏതാണ്ട് എല്ലാം ചെയ്യാൻ കഴിയുന്ന ഒരു ഏജന്റായി മാറുന്നു.
GPT‑5.3‑Codex SWE-Bench Pro-ലും Terminal-Bench-ലും വ്യവസായത്തിലെ പുതിയ ഉയർന്ന നിലവാരം സ്ഥാപിക്കുകയും, OSWorld-ലും GDPval-ലും ശക്തമായ പ്രകടനം കാണിക്കുകയും ചെയ്യുന്നു. കോഡിംഗ്, ഏജന്റിക്, യഥാർത്ഥ ലോക ശേഷികൾ അളക്കാൻ ഞങ്ങൾ ഉപയോഗിക്കുന്ന നാല് ബെഞ്ച്മാർക്കുകളാണിവ.
യഥാർത്ഥ ലോകത്തിലെ സോഫ്റ്റ്വെയർ എഞ്ചിനീയറിംഗിന്റെ കർശനമായ ഒരു മൂല്യനിർണ്ണയത്തിൽ GPT‑5.3‑Codex SWE-Bench Pro-ൽ അത്യാധുനിക പ്രകടനം കൈവരിക്കുന്നു. SWE‑bench Verified പരീക്ഷിക്കുന്നത് Python മാത്രമാണ് എന്നിരിക്കെ, SWE‑Bench Pro നാല് ഭാഷകളിൽ വ്യാപിച്ചു പ്രവർത്തിക്കുകയും കൂടുതൽ മലിനീകരണ-പ്രതിരോധശേഷിയുള്ളതും, വെല്ലുവിളിയേറിയതും, വൈവിധ്യമാർന്നതും,വ്യാവസായികമായി പ്രസക്തവുമാണ്. ഇത് Codex പോലുള്ള ഒരു കോഡിംഗ് ഏജന്റിന് ആവശ്യമായ ടെർമിനൽ കഴിവുകൾ അളക്കുന്ന Terminal-Bench 2.0-ൽ മുൻകാല അത്യാധുനിക പ്രകടനത്തെ വളരെ മറികടക്കുന്നു. പ്രധാനമായും, GPT‑5.3‑Codex മുൻ മോഡലുകളേക്കാൾ കുറവ് ടോക്കൺ ഉപയോഗിച്ച് അത് ചെയ്യുന്നു, ഉപയോക്താക്കളെ കൂടുതൽ പ്രകടനം നടത്താന് അനുവദിക്കുന്നു.
അത്യാധുനിക കോഡിംഗ് കഴിവുകൾ, സൗന്ദര്യശാസ്ത്രത്തിലെ മെച്ചപ്പെടുത്തലുകൾ, കോംപാക്ഷൻ എന്നിവ സംയോജിപ്പിക്കുന്നത് വഴി, ദിവസങ്ങൾക്കുള്ളിൽ തന്നെ തുടക്കം മുതൽ അത്യന്തം പ്രവർത്തനക്ഷമമായ സങ്കീർണ്ണ ഗെയിമുകളും ആപ്പുകളും നിർമ്മിക്കാൻ കഴിവുള്ള ഒരു മോഡലിലേക്ക് നയിക്കുന്നു. മോഡലിന്റെ വെബ് ഡെവലപ്മെന്റും ദീർഘകാലം പ്രവർത്തിക്കുന്ന ഏജന്റിക് കഴിവുകളും പരിശോധിക്കാൻ, ഞങ്ങൾ GPT‑5.3‑Codex നോട് രണ്ട് ഗെയിമുകൾ നിർമ്മിക്കാൻ ആവശ്യപ്പെട്ടു: Codex ആപ്പ് ലോഞ്ച് ലെ റേസിംഗ് ഗെയിമിന്റെ രണ്ടാം പതിപ്പ്, കൂടാതെ ഒരു ഡൈവിംഗ് ഗെയിം. develop-web-game സ്കിൽ ഉപയോഗിച്ച് മുൻകൂട്ടി തിരഞ്ഞെടുത്ത പൊതുവായ ഫോളോ-അപ്പ് പ്രോംപ്റ്റുകൾ, ഉദാഹരണത്തിന് "bug പരിഹരിക്കുക" അല്ലെങ്കിൽ "ഗെയിം മെച്ചപ്പെടുത്തുക", ഉപയോഗിച്ച് GPT‑5.3‑Codex ദശലക്ഷക്കണക്കിന് ടോക്കൺ-കളിൽ സ്വയംഭരണമായി ഗെയിമുകളിൽ ആവർത്തിച്ചു. Codex എന്ത് ചെയ്യാൻ കഴിയുമെന്ന് കാണാൻ ട്രെയിലറുകൾ കാണുകയും ഗെയിമുകൾ നിങ്ങൾ തന്നെ കളിക്കുകയും ചെയ്യുക.
വ്യത്യസ്ത റേസർമാരും, എട്ട് മാപ്പുകളും, സ്പേസ് ബാർ ഉപയോഗിച്ച് ഉപയോഗിക്കാവുന്ന ഐറ്റങ്ങളും ഉൾപ്പെടുന്ന ഒരു റേസിംഗ് ഗെയിം. ഇവിടെ നിങ്ങൾക്ക് തന്നെ പ്ലേ ചെയ്യാം(പുതിയ വിൻഡോയിൽ തുറക്കുന്നു)!
നിങ്ങൾ വിവിധ പവിഴപ്പുറ്റുകൾ അന്വേഷിച്ച്, അവയെല്ലാം ശേഖരിച്ച് നിങ്ങളുടെ മത്സ്യ കോഡെക്സ് പൂർത്തിയാക്കുന്ന, അതേസമയം ഓക്സിജൻ, മർദ്ദം, അപകടങ്ങൾ എന്നിവ കൈകാര്യം ചെയ്യുന്ന ഒരു ഡൈവിംഗ് ഗെയിം. ഇവിടെ നിങ്ങൾക്ക് തന്നെ പ്ലേ ചെയ്യാം(പുതിയ വിൻഡോയിൽ തുറക്കുന്നു)!
GPT‑5.2‑Codex നെ അപേക്ഷിച്ച്, ദിവസേന ഉപയോഗിക്കുന്ന വെബ്സൈറ്റുകൾ ഉണ്ടാക്കാൻ നിങ്ങൾ അതിനോട് ആവശ്യപ്പെടുമ്പോൾ GPT‑5.3‑Codex നിങ്ങളുടെ ഉദ്ദേശ്യം കൂടുതൽ നന്നായി മനസ്സിലാക്കുന്നു. ലളിതമോ മതിയായ വിശദീകരണമില്ലാത്തതുമായ പ്രോംപ്റ്റുകൾ ഇപ്പോൾ കൂടുതൽ പ്രവർത്തനക്ഷമതയും യുക്തിസഹമായ ഡിഫോൾട്ടുകളും ഉള്ള സൈറ്റുകളിലേക്ക് സ്വതേ മാറുന്നു, നിങ്ങളുടെ ആശയങ്ങൾക്ക് ജീവൻ നൽകാൻ കൂടുതൽ ശക്തമായ ഒരു കാൻവാസ് തുടക്കത്തില് തന്നെ നൽകുന്നു.
ഉദാഹരണത്തിന്, താഴെ നൽകിയിരിക്കുന്ന രണ്ട് ലാൻഡിംഗ് പേജുകൾ നിർമ്മിക്കാൻ ഞങ്ങൾ GPT‑5.3‑Codex‑നോടും GPT‑5.2‑Codex‑നോടുംഅഭ്യർത്ഥിച്ചു. GPT‑5.3‑Codex വാർഷിക മൊത്തം തുക ഗുണിച്ചുകാണിക്കുന്നതിന് പകരം, വാർഷിക പ്ലാൻ സ്വയമേവ കിഴിവുള്ള മാസവിലയായി കാണിച്ചതിലൂടെ, കിഴിവ് വ്യക്തവും ഉദ്ദേശപൂർവവുമാണെന്ന് തോന്നിപ്പിച്ചു. ഇത് മൂന്ന് വ്യത്യസ്ത ഉപയോക്തൃ ഉദ്ധരണികളുള്ള സ്വയമേവ മാറുന്ന ഒരു ടെസ്റ്റിമോണിയൽ കാരൂസൽ സൃഷ്ടിച്ചു, ഫലമായി, പേജ് ഡിഫോൾട്ടായി കൂടുതൽ സമ്പൂർണ്ണവും പ്രൊഡക്ഷൻ-റെഡിയുമായതായി തോന്നുന്നു.
പ്രോംപ്റ്റ്: Quiet KPI എന്ന സ്ഥാപക സൗഹൃദ ആഴ്ചതോറുമുള്ള മെട്രിക് ഡൈജസ്റ്റിനായി ഒരു ലാൻഡിംഗ് പേജ് നിർമ്മിക്കുക. അലങ്കാരഭാവം മൃദുവായ SaaS, ഗ്ലാസ്സി കാർഡുകൾ, ലാവെൻഡറിൽ നിന്ന് നീലയിലേക്കുള്ള ഗ്രേഡിയന്റ്, സൂക്ഷ്മമായ ബ്ലർ. വിഭാഗങ്ങൾ, ഇമെയിൽ ക്യാപ്ചറോടുകൂടിയ ഹീറോ, സാമ്പിൾ റിപ്പോർട്ട് കാർഡുകൾ ഗ്രിഡ്, ഇന്റഗ്രേഷനുകൾ നിര, ടെസ്റ്റിമോണിയൽ കറൗസൽ, വിലനിർണ്ണയ ടോഗിൾ മാസിക, വാർഷിക, FAQ, ഫൂട്ടർ.
- ടൈപ്പ്ഫേസ് Satoshi അല്ലെങ്കിൽ സമാനമായ ജ്യാമിതീയ സാൻസ്.
- ബട്ടണുകൾക്ക് മൃദുവായ കോണുകൾ, 14px റേഡിയസ്, ശക്തമായ ഫോക്കസ് സ്റ്റേറ്റുകൾ.
- സ്ക്രോൾ അടിസ്ഥാനമാക്കിയ ഒരു രുചികരമായ വെളിപ്പെടുത്തൽ ചേർക്കുക.
സോഫ്റ്റ്വെയർ എഞ്ചിനീയർമാർ, ഡിസൈനർമാർ, ഉൽപ്പന്ന മാനേജർമാർ, ഡാറ്റാ ശാസ്ത്രജ്ഞർ എന്നിവർ കോഡ് സൃഷ്ടിക്കുന്നതിലുപരി കൂടുതൽ കാര്യങ്ങൾ ചെയ്യുന്നു. GPT‑5.3‑Codex സോഫ്റ്റ്വെയർ ലൈഫ്സൈക്കിളിലെ എല്ലാ ജോലികൾക്കും പിന്തുണ നൽകുന്നതിനായി നിർമ്മിച്ചിരിക്കുന്നു—ഡീബഗ്ഗിംഗ്, വിന്യസിക്കൽ, മോണിറ്ററിംഗ്, PRDകൾ എഴുതൽ, കോപ്പി എഡിറ്റിംഗ്, ഉപയോക്തൃ ഗവേഷണം, ടെസ്റ്റുകൾ, മെട്രിക്സ്, മറ്റും. സോഫ്റ്റ്വെയറിനെക്കാൾ അപ്പുറം വ്യാപിക്കുന്ന അതിന്റെ ഏജന്റിക് കഴിവുകൾ, നിങ്ങൾക്ക് സ്ലൈഡ് ഡെക്കുകൾ നിർമ്മിക്കുകയോ ഷീറ്റുകളിലെ ഡാറ്റ വിശകലനം ചെയ്യുകയോ ചെയ്യാൻ സഹായിക്കുന്നു.
ഞങ്ങളുടെ മുൻ GDPval ഫലങ്ങൾക്ക് ഉപയോഗിച്ച കസ്റ്റം സ്കില്ലുകളുമായി സമാനമായ സ്കില്ലുകളുള്ള GPT‑5.3‑Codex, GDPval ഉപയോഗിച്ച് അളക്കുന്ന പ്രൊഫഷണൽ വിജ്ഞാന പ്രവർത്തനത്തിൽ ശക്തമായ പ്രകടനം കാഴ്ചവയ്ക്കുന്നു, GPT‑5.2നെ തുല്യമായ നിലയില്. GDPval എന്നത് OpenAI 2025-ൽ പുറത്തിറക്കിയ ഒരു മൂല്യനിർണ്ണയമാണ്, ഇത് 44 തൊഴിൽ മേഖലകളിലായി നന്നായി നിർവചിച്ച വിജ്ഞാനപ്രവർത്തന ടാസ്കുകളിൽ ഒരു മോഡലിന്റെ പ്രകടനം അളക്കുന്നു. ഈ ടാസ്കുകളിൽ അവതരണങ്ങൾ, സ്പ്രെഡ്ഷീറ്റുകൾ, മറ്റ് പ്രവർത്തന ഉൽപ്പന്നങ്ങൾ സൃഷ്ടിക്കൽ പോലുള്ള കാര്യങ്ങൾ ഉൾപ്പെടുന്നു.
ഏജന്റ് സൃഷ്ടിച്ച ജോലിയുടെ ചില ഉദാഹരണങ്ങൾ താഴെ കൊടുക്കുന്നു.
പ്രോംപ്റ്റ് + ടാസ്ക് സന്ദർഭം
GPT-5.3-Codex output
OSWorld ഒരു ഏജന്റിക് കമ്പ്യൂട്ടർ-ഉപയോഗ ബെഞ്ച്മാർക്കാണ്, ഇവിടെ ഏജന്റ് ഒരു ദൃശ്യ ഡെസ്ക്ടോപ്പ് കമ്പ്യൂട്ടർ പരിതസ്ഥിതിയിൽ ഉൽപ്പാദനക്ഷമതാ ടാസ്കുകൾ പൂർത്തിയാക്കണം. GPT‑5.3‑Codex മുമ്പത്തെ GPT മോഡലുകളേക്കാൾ വളരെ ശക്തമായ കമ്പ്യൂട്ടർ ഉപയോഗ ശേഷികൾ പ്രകടിപ്പിക്കുന്നു.
OSWorld-Verified-ൽ, മോഡലുകൾ കാഴ്ച ഉപയോഗിച്ച് വിവിധ കമ്പ്യൂട്ടർ പ്രവർത്തനങ്ങൾ പൂർത്തിയാക്കുന്നു. മനുഷ്യർ ഏകദേശം 72% സ്കോർ ചെയ്യുന്നു.
കൂടിച്ചേർന്ന്, കോഡിംഗ്, ഫ്രണ്ട്എൻഡ്, കമ്പ്യൂട്ടർ ഉപയോഗം, യഥാർത്ഥ ലോക ടാസ്കുകൾ എന്നിവയിലുടനീളമുള്ള ഈ ഫലങ്ങൾ GPT‑5.3‑Codex‑ ന്റെ കഴിവുകൾ തെളിയിക്കുന്നു വ്യക്തിഗത ടാസ്കുകളിൽ മാത്രമല്ല, യഥാർത്ഥ ലോകത്തിലെ സാങ്കേതിക ജോലികളുടെ മുഴുവൻ സ്പെക്ട്രത്തിലുടനീളം യുക്തിചിന്ത, നിർമ്മാണം, നിർവ്വഹണം എന്നിവ നടത്താൻ കഴിയുന്ന ഒരൊറ്റ പൊതുവായ-ഉദ്ദേശ്യ ഏജന്റിലേക്കുള്ള ഒരു ഘട്ടമാറ്റത്തെ അടയാളപ്പെടുത്തുന്നു.
മോഡൽ ശേഷികൾ കൂടുതൽ ശക്തമാകുമ്പോൾ, ഏജൻ്റുകൾക്ക് എന്ത് ചെയ്യാൻ കഴിയും എന്നതിൽ നിന്ന്, സമാന്തരമായി പ്രവർത്തിക്കുന്ന പലരുമായി മനുഷ്യർക്ക് എത്ര എളുപ്പത്തിൽ ഇടപെടാനും, നിർദ്ദേശിക്കാനും, മേൽനോട്ടം വഹിക്കാനും കഴിയുന്നു എന്നതിലേക്കാണ് വിടവ് മാറുന്നത്. Codex ആപ്പ് ഏജൻ്റുകളെ മാനേജുചെയ്യുന്നതും നയിക്കുന്നതും വളരെ എളുപ്പമാക്കുന്നു, കൂടാതെ ഇപ്പോൾ GPT‑5.3‑Codex ഉപയോഗിച്ച് ഇത് കൂടുതൽ ഇന്ററാക്ടീവ് ആണ്. പുതിയ മോഡലിനൊപ്പം, Codex പതിവായി അപ്ഡേറ്റുകൾ നൽകുന്നു, അതിനാൽ നിങ്ങൾക്ക് പ്രധാന തീരുമാനങ്ങളെയും പുരോഗതിയെയും കുറിച്ച് അറിയാൻ കഴിയും. അവസാന ഫലത്തിനായി കാത്തിരിക്കാതെ, നിങ്ങൾക്ക് തത്സമയം ഇടപെടാം—ചോദ്യങ്ങൾ ചോദിക്കുക, സമീപനങ്ങൾ ചർച്ച ചെയ്യുക, പരിഹാരത്തിലേക്ക് നയിക്കുക. GPT‑5.3‑Codex ഇത് എന്താണ് ചെയ്യുന്നതെന്ന് വിശദീകരിക്കുന്നു, ഫീഡ്ബാക്കിന് പ്രതികരിക്കുന്നു, തുടക്കം മുതൽ അവസാനം വരെ നിങ്ങള്ക്ക് വിവരം നല്കുന്നു.
സെറ്റിംഗ്സ്> ജെനറല്> ഫോളോ അപ്പ് ബിഹേവിയര് എന്നതിൽ ആപ്പിൽ മോഡൽ പ്രവർത്തിക്കുമ്പോൾ സ്റ്റിയറിംഗ് പ്രവർത്തനക്ഷമമാക്കുക.
Codex-ന്റെ അടുത്തകാലത്തെ വേഗത്തിലുള്ള മെച്ചപ്പെടുത്തലുകൾ OpenAI മുഴുവൻ മാസങ്ങളോ വർഷങ്ങളോ നീണ്ടുനിൽക്കുന്ന ഗവേഷണ പദ്ധതികളുടെ ഫലത്തെ അടിസ്ഥാനമാക്കിയാണ്. ഈ ഗവേഷണ പദ്ധതികൾ Codex വഴി വേഗത്തിലാക്കപ്പെടുന്നു, OpenAI-യിലെ നിരവധി ഗവേഷകരും എഞ്ചിനീയർമാരും ഇന്ന് അവരുടെ ജോലി വെറും രണ്ട് മാസം മുമ്പ് ഉണ്ടായിരുന്നതിൽ നിന്ന് അടിസ്ഥാനപരമായി വ്യത്യസ്തമാണെന്ന് വിശദീകരിക്കുന്നു. GPT‑5.3‑Codex ന്റെ ആദ്യകാല പതിപ്പുകൾ പോലും അസാധാരണമായ കഴിവുകൾ പ്രകടിപ്പിച്ചു, അതുവഴി ഞങ്ങളുടെ ടീമിന് പഴയ പതിപ്പുകളുമായി പ്രവർത്തിച്ച് പരിശീലനം മെച്ചപ്പെടുത്താനും പിന്നീട് തുടര് പതിപ്പുകളുടെ വിന്യാസത്തെ പിന്തുണയ്ക്കാനും സാധിച്ചു.
Codex വളരെ വിപുലമായ ടാസ്കുകൾക്കായി ഉപകാരപ്പെടുന്നു, അതിനാൽ അത് ഞങ്ങളുടെ ടീമുകളെ എങ്ങനെ സഹായിക്കുന്നു എന്നതിന്റെ എല്ലാ വഴികളും പൂർണ്ണമായി പട്ടികപ്പെടുത്തുക ബുദ്ധിമുട്ടാണ്. ചില ഉദാഹരണങ്ങൾ, ഈ റിലീസിനായുള്ള പരിശീലന റൺ നിരീക്ഷിക്കുകയും ഡീബഗ് ചെയ്യുകയും ഗവേഷണ സംഘം Codex ഉപയോഗിച്ചു. ഇത് ഡീബഗിംഗ് ഇൻഫ്രാസ്ട്രക്ചർ പ്രശ്നങ്ങളെക്കാൾ അപ്പുറം ഗവേഷണം ത്വരിതപ്പെടുത്തി: ഇത് പരിശീലനത്തിന്റെ മുഴുവൻ കാലയളവിലും പാറ്റേണുകൾ ട്രാക്ക് ചെയ്യാൻ സഹായിച്ചു, ഇടപെടൽ ഗുണനിലവാരത്തെക്കുറിച്ച് ആഴത്തിലുള്ള വിശകലനം നൽകി, പരിഹാരങ്ങൾ നിർദേശിച്ചു, മുൻ മോഡലുകളുമായി താരതമ്യം ചെയ്യുമ്പോൾ മോഡലിന്റെ പെരുമാറ്റം എങ്ങനെ വ്യത്യസ്തമായിരുന്നു എന്ന് മനുഷ്യ ഗവേഷകർക്ക് കൃത്യമായി മനസ്സിലാക്കാൻ സമ്പന്നമായ ആപ്ലിക്കേഷനുകൾ നിർമ്മിച്ചു.
എഞ്ചിനീയറിംഗ് ടീം GPT‑5.3‑Codex‑നായി ഹാർനെസ് മെച്ചപ്പെടുത്താനും അനുയോജ്യമാക്കാനും Codex ഉപയോഗിച്ചു. ഉപയോക്താക്കളെ ബാധിക്കുന്ന വിചിത്രമായ എഡ്ജ് കേസുകൾ കണ്ടപ്പോൾ, ടീം അംഗങ്ങൾ കോൺടെക്സ്റ്റ് റെൻഡറിംഗ് ബഗുകളും, കുറഞ്ഞ കാഷെ ഹിറ്റ് നിരക്കുകളുടെ മൂല കാരണവും കണ്ടെത്താൻ Codex ഉപയോഗിച്ചു. ട്രാഫിക് വർധനകൾക്ക് അനുസരിച്ച് ക്രമീകരിക്കാൻ GPU ക്ലസ്റ്ററുകൾ ഡൈനാമിക്കായി സ്കെയിൽ ചെയ്യുകയും ലേറ്റൻസി സ്ഥിരമായി നിലനിർത്തുകയും ചെയ്ത് GPT‑5.3‑Codex, ലോഞ്ച് മുഴുവൻ ടീമിനെ തുടർച്ചയായി സഹായിക്കുന്നു.
ആൽഫ ടെസ്റ്റിംഗിനിടെ, ഓരോ ടേണിലും GPT‑5.3‑Codex എത്ര അധിക ജോലി പൂർത്തിയാക്കുന്നുവെന്നും അതുമായി ബന്ധപ്പെട്ട ഉൽപ്പാദനക്ഷമതയിലെ വ്യത്യാസവും മനസ്സിലാക്കാൻ ഒരു ഗവേഷകൻ ആഗ്രഹിച്ചു. GPT‑5.3‑Codex വ്യക്തമാക്കലുകളുടെ ആവൃത്തി, പോസിറ്റീവും നെഗറ്റീവുമായ ഉപയോക്തൃ പ്രതികരണങ്ങൾ, ടാസ്കിലെ പുരോഗതി എന്നിവ കണക്കാക്കാൻ ലളിതമായ ചില regex ക്ലാസിഫയറുകൾ രൂപപ്പെടുത്തി, അവയെ എല്ലാ സെഷൻ ലോഗുകളിലും സ്കെയിലബിളായി പ്രവർത്തിപ്പിച്ച്, അതിന്റെ നിഗമനത്തോടുകൂടിയ ഒരു റിപ്പോർട്ട് തയ്യാറാക്കി. Codex ഉപയോഗിച്ച് നിർമ്മിച്ച ആളുകൾ കൂടുതൽ സന്തോഷവാന്മാരായിരുന്നു, കാരണം ഏജന്റ് അവരുടെ ഉദ്ദേശ്യം കൂടുതൽ നന്നായി മനസ്സിലാക്കി, ഓരോ ടേണിലും വ്യക്തതയ്ക്ക് വേണ്ടിയുള്ള കുറച്ച് ചോദ്യങ്ങളോടെ കൂടുതൽ പുരോഗതി കൈവരിച്ചു.
GPT‑5.3‑Codex അതിന്റെ മുൻഗാമികളിൽ നിന്ന് വളരെ വ്യത്യസ്തമായതിനാൽ, ആൽഫ ടെസ്റ്റിംഗിൽ നിന്നുള്ള ഡാറ്റയിൽ നിരവധി അസാധാരണവും പ്രതീക്ഷയ്ക്ക് വിരുദ്ധവുമായ ഫലങ്ങൾ കാണിച്ചു. ടീമിലെ ഒരു ഡാറ്റ ശാസ്ത്രജ്ഞൻ GPT‑5.3‑Codex ഉപയോഗിച്ച് പുതിയ ഡാറ്റ പൈപ്പ്ലൈനുകൾ നിർമ്മിക്കുകയും ഫലങ്ങൾ നമ്മുടെ സ്റ്റാൻഡേർഡ് ഡാഷ്ബോർഡിംഗ് ഉപകരണങ്ങൾ അനുവദിച്ചതിനേക്കാൾ വളരെ സമൃദ്ധമായി ദൃശ്യവൽക്കരിക്കുകയും ചെയ്തു. ഫലങ്ങൾ Codex-നൊപ്പം ചേര്ത്ത് വിശകലനം ചെയ്തു, അത് ആയിരക്കണക്കിന് ഡാറ്റാ പോയിന്റുകളിൽ നിന്ന് മൂന്ന് മിനിറ്റിനുള്ളിൽ പ്രധാന ഉൾക്കാഴ്ചകൾ ചുരുക്കമായി സംഗ്രഹിച്ചു.
വ്യക്തിഗതമായി, ഈ എല്ലാ പ്രവർത്തനങ്ങളും Codex ഗവേഷകരെയും ഉൽപ്പന്ന നിർമ്മാതാക്കളെയും എങ്ങനെ സഹായിക്കാമെന്നതിന് രസകരമായ ഉദാഹരണങ്ങളാണ്. ഒരുമിച്ച് നോക്കുമ്പോൾ, ഈ പുതിയ കഴിവുകൾ ഞങ്ങളുടെ ഗവേഷണ, എഞ്ചിനീയറിംഗ്, ഉൽപ്പന്ന ടീമുകളുടെ പ്രവർത്തനത്തെ ശക്തമായി വേഗത്തിലാക്കാൻ കാരണമായി എന്ന് ഞങ്ങൾ കണ്ടെത്തി.
കഴിഞ്ഞ മാസങ്ങളിൽ, സൈബർസുരക്ഷാ ടാസ്കുകളിൽ മോഡലിന്റെ പ്രകടനത്തിൽ നാം അർത്ഥവത്തായ പുരോഗതി കണ്ടിട്ടുണ്ട്, ഇത് ഡെവലപ്പർമാർക്കും സുരക്ഷാ പ്രൊഫഷണലുകൾക്കും പ്രയോജനകരമാണ്. സമാന്തരമായി, പ്രതിരോധപരമായ ഉപയോഗത്തിനും വിശാലമായ ആവാസവ്യവസ്ഥയുടെ പ്രതിരോധശേഷിക്കും പിന്തുണ നൽകുന്നതിനായി ഞങ്ങൾ ശക്തിപ്പെടുത്തിയ സൈബർ സുരക്ഷാ മുൻകരുതലുകൾ തയ്യാറാക്കുന്നു.
GPT‑5.3‑Codex സൈബർസുരക്ഷയുമായി ബന്ധപ്പെട്ട ജോലികൾക്കായി ഞങ്ങൾ ഉയർന്ന ശേഷി എന്ന നിലയിൽ വർഗ്ഗീകരിക്കുന്ന ആദ്യ മോഡലാണ്, കൂടാതെ ഞങ്ങളുടെ പ്രിപെയർഡ്നസ് ഫ്രെയിംവർക്ക് പ്രകാരം സോഫ്റ്റ്വെയർ ദുർബലതകൾ തിരിച്ചറിയാൻ നേരിട്ട് പരിശീലിപ്പിച്ച ആദ്യ മോഡലുമാണ്. എൻഡ്-ടു-എൻഡ് സൈബർ ആക്രമണങ്ങൾ ഓട്ടോമേറ്റ് ചെയ്യാൻ ഇതിന് കഴിയുമെന്നതിന് ഞങ്ങൾക്ക് നിർണായകമായ തെളിവുകൾ ഇല്ലെങ്കിലും, ഞങ്ങൾ മുൻകരുതൽ സമീപനം സ്വീകരിച്ച് ഇതുവരെ ഏറ്റവും സമഗ്രമായ സൈബർസുരക്ഷാ സുരക്ഷാ സ്റ്റാക്ക് വിന്യസിക്കുന്നു. ഞങ്ങളുടെ ലഘൂകരണങ്ങളിൽ സുരക്ഷാ പരിശീലനം, ഓട്ടോമേറ്റഡ് മോണിറ്ററിംഗ്, നൂതന കഴിവുകൾക്കായുള്ള വിശ്വസനീയമായ ആക്സസ്, കൂടാതെ ഭീഷണി ഇന്റലിജൻസ് ഉൾപ്പെടുന്ന നിർബന്ധന പൈപ്പ്ലൈനുകൾ ഉൾപ്പെടുന്നു.
സൈബർസുരക്ഷയുടെ സ്വഭാവം ഇരുതല മൂര്ച്ചയുള്ളത് ആയതിനാല് ദുരുപയോഗം മന്ദഗതിയിലാക്കുന്നതിനൊപ്പം പ്രതിരോധ പ്രവര്ത്തകര്ക്ക് ബലഹീനതകള് കണ്ടെത്താനും പരിഹരിക്കാനും ഉള്ള കഴിവ് വേഗത്തിലാക്കുന്ന തെളിവ്-അടിസ്ഥാനത്തിലുള്ള, ആവർത്തനപരമായ ഒരു സമീപനമാണ് ഞങ്ങൾ സ്വീകരിക്കുന്നത്. ഇതിന്റെ ഭാഗമായി, സൈബർ പ്രതിരോധ ഗവേഷണം ത്വരിതപ്പെടുത്തുന്നതിനായി ഞങ്ങൾ സൈബറിനായുള്ള വിശ്വസനീയ ആക്സസ് എന്ന ഒരു പൈലറ്റ് പ്രോഗ്രാം ആരംഭിക്കുന്നു.
ഞങ്ങൾ ഇക്കോസിസ്റ്റം സുരക്ഷാ സംരക്ഷണങ്ങളിൽ നിക്ഷേപിക്കുന്നു, ഉദാഹരണത്തിന്, ഞങ്ങളുടെ സുരക്ഷാ ഗവേഷണ ഏജന്റ് Aardvark-ന്റെ സ്വകാര്യ ബീറ്റ വിപുലീകരണം, Codex Security ഉൽപ്പന്നങ്ങളും ഉപകരണങ്ങളും ഉൾപ്പെടുന്ന ഞങ്ങളുടെ സ്യൂട്ടിലെ ആദ്യ ഓഫറിംഗായി, കൂടാതെ Next.js പോലുള്ള വ്യാപകമായി ഉപയോഗിക്കുന്ന പ്രോജക്റ്റുകൾക്കായി സൗജന്യ കോഡ്ബേസ് സ്കാനിംഗ് നൽകാൻ ഓപ്പൺ-സോഴ്സ് മെയിന്റെയ്നർമാരുമായി പങ്കാളിത്തം സ്ഥാപിക്കുന്നു—അവിടെ ഒരു സുരക്ഷാ ഗവേഷകൻ Codex ഉപയോഗിച്ച് ദൗർബല്യങ്ങൾ കഴിഞ്ഞ ആഴ്ച കണ്ടെത്തി വെളിപ്പെടുത്തി(പുതിയ വിൻഡോയിൽ തുറക്കുന്നു).
2023-ൽ ആരംഭിച്ച ഞങ്ങളുടെ $1M സൈബർസുരക്ഷാ ഗ്രാന്റ് പ്രോഗ്രാമിനെ അടിസ്ഥാനമാക്കി, ഓപ്പൺ സോഴ്സ് സോഫ്റ്റ്വെയറിനും നിർണായക ഇൻഫ്രാസ്ട്രക്ചർ സിസ്റ്റങ്ങൾക്കും, പ്രത്യേകിച്ച്, ഞങ്ങളുടെ ഏറ്റവും കഴിവുള്ള മോഡലുകൾ ഉപയോഗിച്ച് സൈബർ പ്രതിരോധം ത്വരിതപ്പെടുത്തുന്നതിനായി API ക്രെഡിറ്റുകളായി $10M കൂടി ഞങ്ങൾ പ്രതിജ്ഞാബദ്ധമാക്കുന്നു. ഉത്തമ വിശ്വാസത്തോടെയുള്ള സുരക്ഷാ ഗവേഷണത്തിൽ ഏർപ്പെട്ടിരിക്കുന്ന സംഘടനകൾക്ക് ഞങ്ങളുടെ സൈബർസുരക്ഷാ ഗ്രാന്റ് പ്രോഗ്രാം വഴി API ക്രെഡിറ്റുകളും പിന്തുണയും ലഭിക്കുന്നതിനായി അപേക്ഷിക്കാം.
GPT‑5.3‑Codex പണമടച്ച ChatGPT പ്ലാനുകളോടെ ലഭ്യമാണ്, Codex ഉപയോഗിക്കാനാകുന്ന എല്ലായിടത്തും: ആപ്പ്, CLI, IDE എക്സ്റ്റൻഷൻ, വെബ്. ഞങ്ങൾ API ആക്സസ് ഉടൻ സുരക്ഷിതമായി പ്രാപ്തമാക്കാൻ പ്രവർത്തിച്ചുകൊണ്ടിരിക്കുന്നു.
ഈ അപ്ഡേറ്റിനൊപ്പം, ഞങ്ങൾ ഇപ്പോൾ GPT‑5.3‑Codex പ്രവർത്തനം ആരംഭിച്ചു ഞങ്ങളുടെ ഇൻഫ്രാസ്ട്രക്ചറിലും ഇൻഫറൻസ് സ്റ്റാക്കിലും വരുത്തിയ മെച്ചപ്പെടുത്തലുകൾക്ക് നന്ദിയായി, Codex ഉപയോക്താക്കൾക്ക് 25% വേഗത്തിൽ, അതിന്റെ ഫലമായി കൂടുതൽ വേഗത്തിലുള്ള ഇടപെടലുകളും കൂടുതൽ വേഗത്തിലുള്ള ഫലങ്ങളും ലഭിക്കുന്നു.
GPT‑5.3‑Codex NVIDIA GB200 NVL72 സിസ്റ്റങ്ങൾക്കായി ചേര്ന്ന് ഡിസൈൻ ചെയ്തതും, അവ ഉപയോഗിച്ച് പരിശീലിപ്പിച്ചതും, അവയിൽ തന്നെ സേവനം നൽകിയതുമാണ്. NVIDIA-യുമായുള്ള പങ്കാളിത്തത്തിന് ഞങ്ങൾ അവരോട് നന്ദിയുള്ളവരാണ്.
GPT‑5.3‑Codex ഉപയോഗിച്ച്, Codex കോഡ് എഴുതുന്നതിന് അപ്പുറം, ഒരു കമ്പ്യൂട്ടർ പ്രവർത്തിപ്പിക്കാനും, ജോലികൾ മുഴുവൻ പൂർത്തിയാക്കാനും ഉപകരണമായി ഉപയോഗിക്കുന്നതിലേക്കാണ് നീങ്ങുന്നത്. ഒരു കോഡിംഗ് ഏജന്റിന്റെ കഴിവുകളുടെ പരിധി വ്യാപിപ്പിക്കുന്നതിലൂടെ സോഫ്റ്റ്വെയർ നിർമ്മിക്കുകയും വിന്യസിക്കുകയും ചെയ്യുന്നതിൽ നിന്ന് ഗവേഷണം, വിശകലനം, സങ്കീർണ്ണമായ ടാസ്കുകൾ നിർവഹിക്കൽ വരെ വ്യാപിക്കുന്ന അറിവ്-ജോലികളുടെ ഒരു വിശാല വിഭാഗം ഞങ്ങൾ തുറക്കുന്നു. മികച്ച കോഡിംഗ് ഏജന്റാകാനുള്ള ശ്രദ്ധയിൽ നിന്ന് ആരംഭിച്ച യാത്ര, കമ്പ്യൂട്ടറിൽ കൂടുതൽ പൊതുവായ ഒരു സഹകാരിയാകാനുള്ള അടിത്തറയായി മാറി, Codex ഉപയോഗിച്ച് ആര്ക്കെല്ലാം നിർമ്മിക്കാനാകും എന്നതും എന്തെല്ലാം സാധ്യമാണെന്നതും വിപുലീകരിക്കുന്നു.
GPT‑5.3‑Codex (xhigh) | GPT‑5.2‑Codex (xhigh) | GPT‑5.2 (xhigh) | |
SWE-Bench Pro (പൊതുവായി) | 56.8% | 56.4% | 55.6% |
Terminal-Bench 2.0 | 77.3% | 64.0% | 62.2% |
OSWorld-സ്ഥിരീകരിച്ചത് | 64.7% | 38.2% | 37.9% |
GDPval (വിജയങ്ങൾ അല്ലെങ്കിൽ സമനില) | 70.9% | - | 70.9% (ഉയർന്ന) |
സൈബർസുരക്ഷ ക്യാപ്ചർ-ദി-ഫ്ലാഗ് ചലഞ്ചുകൾ | 77.6% | 67.4% | 67.7% |
SWE-lancer IC Diamond | 81.4% | 76.0% | 74.6% |
