GPT-5.3-Codex 发布：编程智能体、速度与计算机操作

摘要

30 秒看懂

2026 年 2 月，Matthew Berman 讨论 GPT-5.3-Codex 的发布、部分编程和知识工作演示，以及 OpenAI 的基准结果。他将这次发布与 Claude Opus 4.6 比较并强调 token 效率；OpenAI 则将其所称的 25% 提速归因于基础设施和推理栈改进。

1报告的提速OpenAI 将 Codex 体验快 25% 归因于基础设施和推理方面的改进。
2辅助开发OpenAI 表示，早期版本帮助工程师调试训练并评估部署；Berman 对自我改进的解读属于推测。
3输出 token 对比展示的 SWE-Bench Pro 图表在选定点位分别使用约 43,000 和 91,000 个输出 token。
4游戏演示OpenAI 展示了在人工定期提示下生成的赛车和潜水游戏。
5计算机操作基准OpenAI 报告 OSWorld-Verified 得分为 64.7%，比较对象是自家早期模型而非竞争对手。

要点建议

OpenAI 报告称，基础设施和推理栈改进让 Codex 使用体验快了 25%。
SWE-Bench Pro 图表在选定点位显示较少的输出 token，但它本身不能证明提速原因。
模型早期版本辅助了由人类主导的开发过程，而非自主创建后继模型。
游戏和落地页是经过挑选的演示，并非全面质量评估。
报告的 OSWorld-Verified 64.7% 分数是厂商在特定条件下取得的基准结果。
模型可用性和竞争比较反映的是 2026 年 2 月的情况。

主题编程智能体 Benchmarks Computer use Developer productivity 模型与训练

全文

按章节阅读整理后的全文

对照原始文稿

只看原始文稿

发布与智能体工作流程

Berman 介绍 GPT-5.3-Codex 和 Claude Opus 4.6。他讨论速度、中途引导以及 OpenAI 所述早期版本在开发中的作用。

在这期 2026 年 2 月的视频中，Matthew Berman 讨论 OpenAI 发布的 GPT-5.3-Codex，以及同一天宣布的 Anthropic Claude Opus 4.6。他关注长时间运行的编程智能体、响应速度和 OpenAI 发布材料中的示例。这些比较反映当时可用的公告和基准。

OpenAI 报告称，GPT-5.3-Codex 对 Codex 用户运行速度提高了 25%。Berman 欢迎这一变化，因为许多用户此前觉得编程智能体速度慢。他还提到 Peter Steinberger 在自己的代码库中更喜欢 Codex 而非 Claude，同时表示自己不一定同意；这是个人评价，并非受控对比。

OpenAI 表示，用户可以在任务进行中引导智能体而不丢失上下文。公司还称，早期版本帮助团队调试训练、管理部署并诊断评估结果。Berman 称这接近自主自我改进，但所描述的是对人类主导开发过程的辅助，并不能证明模型独立设计或训练了后继模型。

基准与生成的游戏

SWE-Bench Pro 图表展示了不同的输出 token 数量，而 OpenAI 将 25% 提速归因于基础设施和推理改进。Berman 回顾了经过挑选的游戏演示。

Berman 指向 OpenAI 的一张 SWE-Bench Pro 图表：在展示的运行点位，GPT-5.3-Codex 使用约 43,000 个输出 token，而 GPT-5.2-Codex 使用约 91,000 个。他将数量减少解释为提速原因。OpenAI 的发布说明则将所报告的 Codex 体验快 25% 归因于基础设施和推理栈改进；单靠 token 数量图不能确定该数字的原因。

幻灯片 1 / 4SWE-Bench Pro 准确率与输出 token图表在选定 token 预算下比较 OpenAI 模型；它不能直接证明所报告提速的原因。

OpenAI 还报告了 Terminal-Bench 结果的提升，并展示两个游戏示例：具有不同赛车手的赛车游戏，以及包含目标、掠食者和氧气限制的潜水游戏。Berman 说，这些运行消耗了数百万 token，期间有人类给出修复错误或改进游戏等简短提示。这些是经过挑选的演示，并不能证明任意游戏都可以在无人监督下构建。

幻灯片 2 / 4赛车游戏演示OpenAI 的例子展示了通过智能体并在人工定期提示下生成的游戏。

设计与知识工作

OpenAI 的例子包括落地页、电子表格和演示文稿。Berman 也在赞助环节讨论代码审查。

OpenAI 表示，模型处理描述不够充分的提示词时，会选择更合理的默认方案。Berman 认为这可能帮助无法写出每个设计细节的经验较少的用户。在赞助环节，他介绍了 Greptile 的代码审查产品；自动审查和置信分数可能帮助发现问题，但不能替代适当的测试或人工审查。

一个落地页例子使用相同的 Quiet KPI 提示词比较 GPT-5.2-Codex 和 GPT-5.3-Codex。Berman 更喜欢新版页面的视觉设计、环比数字，以及更清晰、带年度节省金额的价格切换按钮。截图只展示一个经过挑选的例子，因此他的审美偏好不应被推广为全面的设计基准。

幻灯片 3 / 4生成的 Quiet KPI 落地页截图展示经过挑选的落地页示例中 GPT-5.3-Codex 的版本。

Berman 将模型向专业工作的扩展与 Anthropic 的 Claude Cowork 作比较，举出文档、电子表格和演示文稿等例子。OpenAI 的示例展示了金融、零售和时尚任务的输出。这些例子说明产品的目标范围，并非对内容正确性的独立验证。

计算机操作

OpenAI 报告了与早期 GPT 模型对比的 OSWorld-Verified 分数。Berman 指出图表没有包括其他供应商。

幻灯片 4 / 4OSWorld-Verified 结果OpenAI 图表报告 GPT-5.3-Codex 得分为 64.7%，并列出了早期 GPT 模型的结果。

在计算机操作方面，OpenAI 报告 GPT-5.3-Codex 在 OSWorld-Verified 上得分 64.7%，展示的 GPT-5.2-Codex 和 GPT-5.2 分数分别为 38.2% 和 37.9%。OSWorld 评估视觉桌面环境中的任务。Berman 批评 OpenAI 的图表没有列出竞争对手；这些数字不能确定与竞争对手的排名，也不能保证每项桌面任务都可靠。

Berman 说该模型当时可在可下载的 Codex 应用中使用，并邀请观众将其与 Opus 4.6 比较。可用性和模型排名会随时间变化；视频反映的是发布当天的观点，并非当前购买或部署建议。