• Это первая модель Codex, которая реально участвовала в собственном создании: ранние версии помогали команде отлаживать обучение, деплой и пайплайн оценок.
• SWE-Bench Pro (не только Python, а 4 языка, более устойчив к "загрязнению"): 56.8% (vs 56.4% у GPT-5.2-Codex и 55.6% у GPT-5.2).
• Terminal-Bench 2.0 (терминальные навыки для агентных кодеров): 77.3% (vs 64.0% и 62.2%) + при этом тратит меньше токенов, чем прошлые модели.
• OSWorld-Verified (агент в визуальной среде рабочего стола): 64.7% (vs 38.2% и 37.9%); у людей в среднем около ~72%.
• GDPval (оценка проф. задач в 44 профессиях, задачи типа презентаций/таблиц/доков): 70.9% (wins/ties), на уровне GPT-5.2.
• Плюс отдельные бенчмарки: CTF по кибербезопасности 77.6% (vs 67.4% / 67.7%), SWE-Lancer IC Diamond — 81.4% (vs 76.0% / 74.6%).
• Для лендингов/продуктовых страниц стала лучше угадывать “разумные дефолты”: например, корректно показывает годовой план как месячную цену со скидкой, и генерит карусель отзывов (несколько цитат), а не один плейсхолдер.
• Про «интерактивность» в Codex: агент часто репортит прогресс, объясняет решения и реагирует на фидбек в процессе; есть настройка "рулевого управления" во время работы (Settings → General → Follow-up behavior).
• Как Codex помогал OpenAI внутри: искали баги рендера контекста, причины низкого cache hit rate, строили классификаторы по логам (regex-подход), делали новые пайплайны и визуализации метрик.
• По безопасности: модель отдельно обучали находить уязвимости, запуск Trusted Access for Cyber; расширяют Aardvark и сканируют OSS (упоминали кейс с Next.js), плюс $10M в виде API-кредитов на киберзащиту.
• Инфра: модель разрабатывали совместно с NVIDIA, обучали и запускают на GB200 NVL72.
• Доступ: уже работает в Codex (приложение/CLI/IDE/веб) на платных планах ChatGPT, API-доступ обещают позже, а в приложении — waitlist.