16 Mayıs 2025

Karşınızda Codex

Codex-1 tarafından desteklenen ve aynı anda birden fazla görev üzerinde çalışabilen bulut tabanlı bir yazılım mühendisliği ajanı. ChatGPT Pro, Team ve Enterprise kullanıcıları bugünden itibaren, Plus kullanıcıları ise çok yakında Codex kullanabilecek.

Codex’i Dene

Kod temalı pastel renklerde arka plan üzerinde bir istem kutusu, kod deposu/kod dizisi seçicileri ve bir görev listesi ile ‘What should we code next?’ sorusunu içeren kontrol paneli.

Yükleniyor...

3 Haziran 2025 güncellemesi: Artık ChatGPT Plus kullanıcıları da Codex kullanabilir. Ayrıca kullanıcılara bir görevin yürütülmesi sırasında Codex’e internet erişimi sağlama becerisi de sunuyoruz. Daha fazla ayrıntı için değişiklik günlüğüne⁠(yeni bir pencerede açılır) ve belgelere⁠(yeni bir pencerede açılır) bakabilirsin.

Aynı anda birçok görevi yerine getirebilen bulut tabanlı yazılım mühendisliği ajanı Codex’in araştırma ön izlemesini bugün kullanıma açıyoruz. Codex senin yerine, özellikler yazma, kod tabanıyla ilgili soruları yanıtlama, hataları düzeltme ve inceleme için çekme isteği önerme gibi görevleri yapabilir. Her görev, kaynak kodu depoları önceden yüklenmiş bir şekilde kendi bulut tabanlı sandbox ortamında yürütülür.

Codex gücünü OpenAI o3’ün yazılım mühendisliği için optimize edilmiş codex-1 sürümünden alıyor. Bu sürüm takviyeli öğrenme yöntemiyle çok farklı ortamlarda gerçek kodlama görevleri üzerine eğitildi. Böylece farklı insanların tarzlarını ve PR tercihlerini yakından yansıtan, talimatlara eksiksiz uyan ve başarılı oluncaya dek yinelemeli testler yapabilen kodlar oluşturabiliyor. ChatGPT Pro, Enterprise ve Team kullanıcıları bugün, Plus ve Edu kullanıcıları ise çok yakında Codex kullanabilecek.

Codex nasıl çalışır?

Artık ChatGPT’nin kenar çubuğundan Codex’e erişebilir, bir istem yazıp “Kodla” düğmesine tıklayarak ona yeni kodlama görevleri verebilirsin. Kod tabanın hakkında Codex’e soru sormak istersen “Sor” düğmesine tıkla. Her görev, kod tabanına önceden yüklenmiş bir şekilde, ayrı ve yalıtılmış bir ortamda bağımsız olarak yürütülür. Codex dosyaları okuyup düzenleyebilir ve ayrıca test kuluçkaları, lint araçları ve tür denetleyiciler gibi komutları çalıştırabilir. Görevin karmaşıklığına bağlı olarak tamamlanma süresi genellikle 1 ila 30 dakika arasında değişir. Bu sırada Codex’in ilerleyişi gerçek zamanlı olarak izlenebilir.

Codex bir görevi tamamladığında, yaptığı değişiklikleri kendi ortamına işler. Terminal günlükleriyle test çıktılarının alıntılarını vererek eylemlerinin doğrulanabilir kanıtlarını sağlar ve böylece görevin her adımı rahatça takip edilebilir. Sonrasında sonuçları gözden geçirip ek revizyonlar talep edebilir, bir GitHub çekme isteği açabilir veya değişiklikleri doğrudan yerel ortamına entegre edebilirsin. Ürün içinde, Codex ortamını gerçek yazılım ortamına olabildiğince yaklaştıracak ayarları yapabilirsin.

Codex, depondaki AGENTS.MD dosyaları tarafından yönlendirilebilir. Bunlar README.md benzeri metin dosyalarıdır ve bu dosyalarda Codex’e kod tabanında nasıl gezineceği, testler için hangi komutları çalıştıracağı ve projenin standart uygulamalarına en iyi nasıl uyum sağlayacağı bildirilebilir. İnsan geliştiricilere benzer bir şekilde, Codex ajanları da yapılandırılmış geliştirme ortamları, güvenilir test kurulumları ve açık belgeler sağlandığında en iyi performansı gösterir.

codex-1 kodlama değerlendirmelerinde ve şirket içi benchmark testlerinde AGENTS.md dosyaları veya özel yapılandırmalar olmadan da yüksek performans gösteriyor.

Dâhilî altyapımızda çalıştırılamayan, SWE-Bench onaylı 23 örnek hariç tutuldu. codex-1, maksimum 192 bin tokenlık bağlam uzunluğunda ve orta düzeyde “akıl yürütme çabası” ile test edildi. Kullanıma sunduğumuz ürünün mevcut ayarı da bu. o3 değerlendirmeleri hakkında daha fazla ayrıntı için buraya⁠ göz atabilirsin.

Dâhilî SWE görev kıyaslamamız, OpenAI bünyesinde gerçek dünya SWE görevlerinden özenle derlediğimiz bir kümedir.

Güvenli ve güvenilir ajanlar geliştirmek

Yinelemeli dağıtım stratejimiz doğrultusunda, Codex’i araştırma ön izlemesi olarak sunuyoruz. Kullanıcıların çıktılarını doğrulayabilmesi için Codex’i tasarlarken güvenliğe ve şeffaflığa öncelik verdik. Bu güvenlik önlemi, yapay zeka modelleri giderek daha karmaşık kodlama görevlerini bağımsız olarak üstlendikçe ve güvenlik gereksinimleri evrildikçe daha da önem kazanıyor. Kullanıcılar, Codex’in çalışmalarını alıntılar, terminal günlükleri ve test sonuçları aracılığıyla inceleyebilir. Belirsizlik durumlarında veya test hatalarıyla karşılaştığında, Codex ajanı bu sorunları açıkça bildirir ve kullanıcıların nasıl ilerleyeceklerine dair bilinçli kararlar vermelerini sağlar. Yine de kullanıcılar ajan tarafından üretilen tüm kodları entegre etmeden ve çalıştırmadan önce manuel olarak gözden geçirip doğrulamalıdır.

Mavi arka plan üzerinde, alıntılanan dosya adlarını doğrulayan bir test dosyası penceresi, ayrıca bir özeti ve geçilen testleri içeren kod inceleme ekranı görüntüsü.

Alıntılanan dosya adları için geçilen testi gösteren siyah terminal pencereli kod inceleme ekranı görüntüsü; mavi pastel arka plan üzerinde, ‘Fix/diff error with special characters’ değişikliğinin özeti ve diff sekmesi görünüyor.

İnsan tercihleriyle uyumluluk

codex-1’in eğitimi sırasında temel hedeflerden biri, çıktıların insanların kodlama tercihleri ve standartlarıyla mümkün olduğunca uyumlu olmasını sağlamaktı. OpenAI o3 ile karşılaştırıldığında, codex-1 doğrudan insanlar tarafından incelenmeye ve standart iş akışlarına entegre edilmeye hazır olan daha temiz yamaları tutarlı bir şekilde üretiyor.

Please fix the following issue in the astropy/astropy repository. Please resolve the issue in the problem below by editing and testing code files in your current code execution session. The repository is cloned in the /testbed folder. You must fully solve the problem for your answer to be considered correct. Problem statement:Modeling's `separability_matrix` does not compute separability correctly for nested CompoundModels Consider the following model: ```python from astropy.modeling import models as m from astropy.modeling.separable import separability_matrix cm = m.Linear1D(10) & m.Linear1D(5) ``` It's separability matrix as you might expect is a diagonal: ```python >>> separability_matrix(cm) array([[ True, False], [False, True]]) ``` If I make the model more complex: ```python >>> separability_matrix(m.Pix2Sky_TAN() & m.Linear1D(10) & m.Linear1D(5)) array([[ True, True, False, False], [ True, True, False, False], [False, False, True, False], [False, False, False, True]]) ``` The output matrix is again, as expected, the outputs and inputs to the linear models are separable and independent of each other. If however, I nest these compound models: ```python >>> separability_matrix(m.Pix2Sky_TAN() & cm) array([[ True, True, False, False], [ True, True, False, False], [False, False, True, True], [False, False, True, True]]) ``` Suddenly the inputs and outputs are no longer separable? This feels like a bug to me, but I might be missing something?

Codex

OpenAI o3

Kötüye kullanımın önlenmesi

Yapay zeka destekli yazılım mühendisliğinin, zararlı yazılım geliştirme gibi kötü niyetli uygulamalarına karşı koruma sağlamak giderek daha önemli hâle geliyor. Bununla birlikte, bazı durumlarda kötü amaçlı yazılımlarda da kullanılan düşük seviyeli çekirdek mühendisliği gibi teknikleri içerebilen meşru ve faydalı uygulamaların, koruyucu önlemler nedeniyle gereksiz yere engellenmemesi de önem taşıyor.

Codex, güvenlik ve faydalılık arasında denge sağlamak amacıyla, kötü amaçlı yazılım geliştirmeye yönelik istekleri tespit edip kesin bir biçimde reddederken meşru görevleri de açıkça ayırt edip destekleyecek şekilde eğitildi. Bu sınırları etkili şekilde güçlendirmek için politika çerçevelerimizi de geliştirdik ve kapsamlı güvenlik değerlendirmelerini sürece dâhil ettik. Bu değerlendirmeleri yansıtmak için o3 Sistem Kartına bir ek belge⁠ dâhil ettik.

Güvenli çalışma ortamı

Codex ajanı tamamen güvenli ve izole bir ortamda bulut tabanlı olarak çalışır. Görev yürütülürken internet erişimi devre dışı bırakılır. Böylece ajanın etkileşimi yalnızca GitHub depoları aracılığıyla sağlanan kodlarla ve kullanıcının bir kurulum betiği ile tanımladığı önceden yüklenmiş bağımlılıklarla sınırlı olur. Ajanın haricî web sitelerine, API’lere ya da başka servislere erişimi yoktur.

Erken kullanım örnekleri

OpenAI’daki teknik ekipler Codex’i artık günlük işlerinin bir parçası olarak kullanmaya başladı. Özellikle mühendisler kodu yeniden yapılandırma, yeniden adlandırma ve test yazımı gibi tekrara dayalı, kapsamı net bir biçimde tanımlanmış ama dikkat dağıtıcı görevleri genellikle Codex’e devrediyor. Yeni özelliklerin ana yapısını inşa ederken, bileşenleri birbirine bağlarken, hataları düzeltirken veya belge taslağı hazırlarken de Codex’ten faydalanıyorlar. Ekipler onunla birlikte yeni alışkanlıklar ediniyor. Acil durumlarda sorunları hızla sınıflandırmak ve güne başlarken görevleri planlamak için onu kullanıyor ve çalışma tempolarını bozmamak için arka plan işlerini ona devrediyorlar. Codex dikkat dağıtıcı bağlam geçişlerini azaltıp gözden kaçan işleri hatırlatarak geliştiricilerin işleri daha hızlı teslim etmelerine ve en önemli işlere odaklanmalarına yardımcı oluyor.

Lansmana hazırlık sürecinde, Codex’in farklı kod tabanlarıyla, geliştirme süreçleriyle ve ekiplerle nasıl çalıştığını daha iyi anlayabilmek amacıyla haricî test uzmanlarından oluşan küçük bir grupla iş birliği yaptık.

Cisco⁠(yeni bir pencerede açılır), mühendislik ekiplerinin büyük fikirleri daha hızlı hayata geçirmesinde Codex’in nasıl işe yarayabileceğini araştırıyor. Erken dönem tasarım ortaklarımızdan olan Cisco, Codex’i ürün portföyleri genelindeki gerçek kullanım senaryolarına göre değerlendirerek OpenAI ekibine geri bildirimde bulunuyor ve Codex’in geleceğini şekillendirmemize yardımcı oluyor.
Temporal⁠(yeni bir pencerede açılır); yeni özellikleri daha hızlı geliştirmek, hataları ayıklamak, testleri yazıp çalıştırmak ve büyük kod tabanlarını yeniden yapılandırmak için Codex’i kullanıyor. Ayrıca Codex, karmaşık görevleri arka planda yürütüyor ve bu sayede yineleme sürecini hızlandırırken mühendislerin de çalışmalarını dikkatleri dağılmadan sürdürebilmesini sağlıyor.
Superhuman,⁠(yeni bir pencerede açılır) test kapsamını genişletmek ve entegrasyon hatalarını düzeltmek gibi ufak ama tekrara dayalı işleri hızlandırmak için Codex’i kullanıyor. Bu aynı zamanda ürün yöneticilerinin, kod inceleme aşaması hariç mühendis desteğine gerek duymadan küçük kod değişikliklerini doğrudan kendilerinin yapabilmesini sağlayarak teslimat süreçlerini hızlandırıyor.
Kodiak⁠(yeni bir pencerede açılır) hata ayıklama araçları yazmak, test kapsamını genişletmek ve kodları yeniden yapılandırmak için Codex’ten faydalanıyor; bu sayede otonom sürüş teknolojileri Kodiak Driver’ın geliştirme sürecini hızlandırıyorlar. Mühendislerin sistemde aşina olmadıkları katmanları anlamaları için de değerli bir başvuru aracına dönüşen Codex, ilgili bağlam bilgilerini ve geçmiş değişiklikleri görünür kılıyor.

Erken dönem testlerden öğrendiklerimiz doğrultusunda, net kapsamlı işlerin aynı anda birden fazla ajana devredilmesini ve modelin yeteneklerini etkili şekilde keşfetmek için farklı görev türleri ve istemlerle denemeler yapılmasını öneriyoruz.

Codex CLI güncellemeleri

Terminalde çalışan, hafif ve açık kaynaklı bir kod yazma ajanı olan Codex CLI’yı geçen ay kullanıma sunduk. Codex CLI, o3 ve o4-mini gibi modellerin gücünü yerel iş akışına taşıyarak, görevleri daha hızlı tamamlamak amacıyla bu modellerden faydalanılmasını kolaylaştırıyor.

Bugün ayrıca, Codex CLI’da kullanılmak üzere özel olarak tasarlanmış olan o4-mini tabanlı daha küçük bir codex-1 sürümünü de yayınlıyoruz. Kod sorularını yanıtlama ve kod düzenleme kapsamındaki işlemleri düşük gecikmeyle gerçekleştirmek üzere optimize edilen bu yeni model, CLI içinde daha hızlı iş akışlarını destekliyor. Üstelik aynı zamanda talimatlara uyma ve tarz konularındaki güçlü yönlerini de koruyor. Şu anda Codex CLI’da varsayılan model olarak ve API’de codex-mini-latest adıyla kullanılabilir. Temel anlık görüntü, Codex-mini modeli geliştirilmeye devam ettikçe düzenli olarak güncellenecektir.

Geliştirici hesabını, Codex CLI’ya bağlamayı da çok daha kolaylaştırıyoruz. Artık manuel olarak bir API anahtarı oluşturup yapılandırmak yerine, ChatGPT hesabınla oturum açarak kullanmak istediğin API organizasyonunu seçebilirsin. API anahtarını senin için otomatik olarak oluşturup yapılandıracağız. Ayrıca ChatGPT hesabıyla Codex CLI’ya giriş yapan Plus kullanıcıları $5, Pro kullanıcılarıysa $50 değerinde ücretsiz API kredisi almaya bugün itibarıyla başlayabilir. Bu fırsat 30 gün boyunca geçerli olacak.

Codex kullanılabilirliği, fiyatlandırması ve sınırlamaları

Bugünden itibaren ChatGPT Pro, Enterprise ve Team kullanıcıları Codex kullanabilecek, Plus ve Edu kullanıcıları için destek de çok yakında sunulacak. Önümüzdeki birkaç hafta boyunca, Codex’in neler yapabildiğini rahatça denemen için ek ücret ödemeden bolca kullanım hakkı veriyoruz. Bu sürecin ardından, talebe bağlı ek kullanım satın almana olanak tanıyan esnek fiyatlandırma seçenekleri ve kullanım limitli bir erişim modelini kullanıma açacağız. Yakında erişimi Plus ve Edu kullanıcılarına da genişletmeyi planlıyoruz.

Codex-mini-latest ile çalışan geliştiriciler, modeli Responses API üzerinden kullanabilir. Fiyatlandırma, 1 milyon girdi tokeni için 1,50$ ve 1 milyon çıktı tokeni için 6$ olarak belirlendi. Ayrıca, %75 oranında istem önbellekleme indirimi uygulanıyor.

Codex hala gelişiminin erken aşamalarında. Bir araştırma ön izlemesi olarak, şu anda ön yüz çalışmaları için görsel girdi alma ve ajan çalışırken yönünü düzeltme gibi özelliklere henüz sahip değil. Ayrıca, uzaktaki bir ajana görev devretmek etkileşimli düzenlemeye göre daha uzun sürüyor ve bu duruma alışmak zaman alabilir. Codex ajanlarıyla etkileşim zaman içinde iş arkadaşlarıyla yapılan eş zamansız iş birliğine giderek daha çok benzeyecek. Model yetenekleri geliştikçe ajanların daha karmaşık işleri daha uzun süre yürütebileceklerini öngörüyoruz.

Sırada ne var

Geliştiricilerin sahiplenmek istedikleri işleri üstlendiği, diğer her şeyi ajanlara devrederek yapay zekayla çok daha hızlı ve verimli çalıştığı bir gelecek hayal ediyoruz. Bu hedef doğrultusunda, hem gerçek zamanlı iş birliğini hem de eş zamansız görev devrini destekleyen çeşitli Codex araçları geliştiriyoruz.

Codex CLI ve benzeri yapay zeka araçlarıyla çalışmak, geliştiricilerin daha hızlı kod yazmasını sağladığı için endüstride hızla yaygınlaştı. Ancak ChatGPT’ye Codex aracılığıyla getirilen eş zamansız ve çok ajanlı iş akışının, mühendislerin yüksek kaliteli kod üretmesi için yeni bir standarda dönüşeceğine inanıyoruz.

Gerçek zamanlı birlikte çalışma ve görev devri gibi iki farklı etkileşim biçiminin sonuçta birleşeceğini düşünüyoruz. Geliştiriciler gelecekte entegre geliştirme ortamları ve günlük araçlar üzerinden yapay zeka ajanlarıyla iş birliği yaparak onlara sorular soracak, öneriler alacak ve daha uzun süren görevleri bu ajanlara devredecek. Üstelik tüm bunlar birleşik bir iş akışı kapsamında yürütülecek.

Önümüzdeki dönemde, ajanlar için çok daha etkileşimli ve esnek iş akışları sunmayı planlıyoruz. Geliştiriciler çok yakında görev devam ederken yönergeler verebilecek, uygulama stratejileri üzerinde iş birliği yapabilecek ve proaktif ilerleme güncellemeleri alabilecek. Ayrıca, sık kullanılan araçlarla daha iyi entegrasyonlar sağlamayı da umuyoruz. Codex şu anda GitHub ile çalışıyor ve çok yakında Codex CLI, ChatGPT masaüstü uygulaması ve hatta hata takip sistemi veya CI sistemi gibi araçlardaki görevler de ajanlara devredilebilecek.

Yazılım mühendisliği yapay zeka sayesinde üretkenliğin ciddi düzeyde arttığı endüstrilerden biri oldu ve bu da bireyler ve küçük ekipler için yeni fırsatların kapısını açtı. Bu kazançlar konusunda iyimseriz, ama aynı zamanda yaygın ajan kullanımının geliştirici iş akışları, insanlar arası beceri gelişimi, beceri düzeyleri ve farklı coğrafyalar üzerindeki etkilerini daha iyi anlamak için iş ortaklarımızla ortak çalışmalar yürütüyoruz.

Henüz daha yolun başındayız. Kullanıcılarımızın Codex ile neler geliştireceğini görmeyi heyecanla bekliyoruz.

Canlı yayını tekrar oynat

Ek

Sistem mesajı

Geliştiricilerin Codex’in varsayılan davranışını anlayıp kendi iş akışlarına göre şekillendirebilmesi için codex-1 sistem mesajını paylaşıyoruz. Örneğin, codex-1 sistem mesajı Codex’in AGENTS.md dosyasında belirtilen tüm testleri çalıştırmasını önerir. Ancak zamanın kısıtlıysa, Codex’ten bu testleri atlaması istenebilir.

1# Instructions
2- The user will provide a task.
3- The task involves working with Git repositories in your current working directory.
4- Wait for all terminal commands to be completed (or terminate them) before finishing.
5
6# Git instructions
7If completing the user's task requires writing or modifying files:
8- Do not create new branches.
9- Use git to commit your changes.
10- If pre-commit fails, fix issues and retry.
11- Check git status to confirm your commit. You must leave your worktree in a clean state.
12- Only committed code will be evaluated.
13- Do not modify or amend existing commits.
14
15# AGENTS.md spec
16- Containers often contain AGENTS.md files. These files can appear anywhere in the container's filesystem. Typical locations include `/`, `~`, and in various places inside of Git repos.
17- These files are a way for humans to give you (the agent) instructions or tips for working within the container.
18- Some examples might be: coding conventions, info about how code is organized, or instructions for how to run or test code.
19- AGENTS.md files may provide instructions about PR messages (messages attached to a GitHub Pull Request produced by the agent, describing the PR). These instructions should be respected.
20- Instructions in AGENTS.md files:
21  - The scope of an AGENTS.md file is the entire directory tree rooted at the folder that contains it.
22  - For every file you touch in the final patch, you must obey instructions in any AGENTS.md file whose scope includes that file.
23  - Instructions about code style, structure, naming, etc. apply only to code within the AGENTS.md file's scope, unless the file states otherwise.
24  - More-deeply-nested AGENTS.md files take precedence in the case of conflicting instructions.
25  - Direct system/developer/user instructions (as part of a prompt) take precedence over AGENTS.md instructions.
26- AGENTS.md files need not live only in Git repos. For example, you may find one in your home directory.
27- If the AGENTS.md includes programmatic checks to verify your work, you MUST run all of them and make a best effort to validate that the checks pass AFTER all code changes have been made.
28  - This applies even for changes that appear simple, i.e. documentation. You still must run all of the programmatic checks.
29
30# Citations instructions
31- If you browsed files or used terminal commands, you must add citations to the final response (not the body of the PR message) where relevant. Citations reference file paths and terminal outputs with the following formats:
32  1) `【F:<file_path>†L<line_start>(-L<line_end>)?】`
33  - File path citations must start with `F:`. `file_path` is the exact file path of the file relative to the root of the repository that contains the relevant text.
34  - `line_start` is the 1-indexed start line number of the relevant output within that file.
35  2) `【<chunk_id>†L<line_start>(-L<line_end>)?】`
36  - Where `chunk_id` is the chunk_id of the terminal output, `line_start` and `line_end` are the 1-indexed start and end line numbers of the relevant output within that chunk.
37- Line ends are optional, and if not provided, line end is the same as line start, so only 1 line is cited.
38- Ensure that the line numbers are correct, and that the cited file paths or terminal outputs are directly relevant to the word or clause before the citation.
39- Do not cite completely empty lines inside the chunk, only cite lines that have content.
40- Only cite from file paths and terminal outputs, DO NOT cite from previous pr diffs and comments, nor cite git hashes as chunk ids.
41- Use file path citations that reference any code changes, documentation or files, and use terminal citations only for relevant terminal output.
42- Prefer file citations over terminal citations unless the terminal output is directly relevant to the clauses before the citation, i.e. clauses on test results.
43  - For PR creation tasks, use file citations when referring to code changes in the summary section of your final response, and terminal citations in the testing section.
44  - For question-answering tasks, you should only use terminal citations if you need to programmatically verify an answer (i.e. counting lines of code). Otherwise, use file citations.

Yazar

OpenAI