OpenAI’s Codex-‘Harness’ er ikke dokumenteret – men kontekststyring tredoblede ARC-AGI-3-resultatet

Det, kilderne faktisk bekræfter om Codex

Påstanden om, at OpenAI udgav en Apache 2.0-licenseret “Harness” den 20. august som Codex’ open source-baserede eksekveringsramme, kan ikke bekræftes af det autoritative materiale, der er tilgængeligt her. Påstanden stammer fra en sekundær artikel, mens OpenAI’s egne kilder beskriver den underliggende agent-loop, integrationsmulighederne og et separat benchmarkeksperiment om styring af runtime-tilstand .

Codex er ikke blot en model, der besvarer enkeltstående spørgsmål. Den dokumenterede arbejdsgang er iterativ:

1. Planlæg opgaven.
2. Redigér koden.
3. Kør værktøjer som tests, builds eller linters.
4. Observer resultaterne.
5. Ret fejl.
6. Opdatér dokumentation eller status.
7. Gentag efter behov.

Loopet koordinerer modellen, brugerens instruktioner, kodeændringer, værktøjskald og tilbagemeldinger fra udførelsesmiljøet . Codex kan læse, ændre og køre kode, mens de cloudbaserede arbejdsgange kan håndtere flere opgaver parallelt og i baggrunden .

OpenAI beskriver desuden en Codex App Server med en tovejs JSON-RPC-API. Den forbinder den fælles agentlogik med blandt andet webappen, kommandolinjeværktøjet, IDE-udvidelsen og macOS-appen . Codex CLI omtales samtidig som en open source-referenceimplementering. Udviklere kan bruge modellen direkte via API’et eller vælge Codex SDK som en enklere integrationsvej .

Det tegner et praktisk billede af en runtime omkring modellen: værktøjer, tilstand, feedback og grænseflader, der gør det muligt at udføre flertrinsopgaver. Men kilderne dokumenterer ikke i sig selv, at OpenAI gjorde en ny, navngiven “Harness” tilgængelig under Apache 2.0-licensen den 20. august.

Hvad der ikke er verificeret

Det leverede materiale fastslår ikke:

• at der fandt en udgivelse sted den 20. august;
• at udgivelsen officielt hed “Harness”;
• at den blev distribueret under Apache 2.0-licensen;
• hvilke konkrete komponenter en sådan pakke i givet fald indeholdt; eller
• hvilke virksomheder der skulle have taget den i brug, og hvilke resultater de opnåede.

Den sekundære artikel nævner

codex exec

Derfor gjorde konteksthåndtering en forskel på ARC-AGI-3

Et separat OpenAI-eksperiment er det tydeligste kildeunderbyggede resultat i materialet. På ARC-AGI-3’s offentlige opgavesæt opnåede GPT-5.6 Sol 13,3 procent med standard-harnessen. Da OpenAI aktiverede fastholdt ræsonnement og kontekstkomprimering via Responses API, steg scoren til 38,3 procent – omtrent en tredobling – samtidig med at forbruget af outputtokens faldt omkring seks gange .

Sammenligningen beskriver ikke en ændring af modellens vægte. Forskellen lå i, hvordan runtime-miljøet førte tilstanden videre mellem turene:

• Fastholdt ræsonnement gjorde det muligt at bevare nyttige mellemliggende overvejelser mellem handlinger, så modellen ikke hele tiden skulle genskabe sin tilgang fra bunden.
• Kontekstkomprimering kondenserede ældre opgavehistorik i stedet for blot at lade tidligere kontekst forsvinde, efterhånden som interaktionen voksede.

OpenAI’s udviklervejledning præsenterer indstillingerne som metoder til at genbruge allerede udført arbejde og bevare sammenhæng over længere opgaveforløb . Resultatet bør derfor forstås som en måling af det samlede model-og-runtime-system – ikke som bevis på, at selve modellen alene blev tre gange så kapabel.

Benchmarkresultatet har også en vigtig begrænsning: Det sammenligner to eksekveringskonfigurationer på et offentligt evalueringssæt. Det beviser ikke, at den samme forbedring vil optræde i enhver agent, model, arbejdsbelastning eller produktionssituation.

Hvad udviklere konkret kan bruge

Den stærkeste bekræftede udviklerkonklusion handler ikke om den ubekræftede Apache 2.0-meddelelse. Den handler om, at OpenAI tilbyder flere måder at bygge videre på agentbaseret kodning:

• Direkte API-adgang: Codex’ prompting-guide beskriver API’et som den mest tilpasningsvenlige løsning .
• Codex SDK: SDK’et er tænkt som en enklere integrationsvej for udviklere, der ikke selv vil samle alle grænsefladerne .
• Open source-CLI som reference: OpenAI fremhæver Codex CLI som en referenceimplementering, som udviklere kan inspicere og tilpasse .
• Agent-loopet: Den dokumenterede planlæg–implementér–validér–reparér-cyklus er driftsmønstret bag længerevarende kodningsopgaver .
• Udførelse i skyen: Codex kan arbejde med repositories, køre kode og håndtere baggrundsopgaver parallelt i sit cloudmiljø .

Samlet gør det muligt at placere en agent i et produkt eller en teknisk arbejdsgang i stedet for kun at bruge den som en generel chatassistent. Udviklere kan selv lægge domænespecifikke instruktioner, værktøjer, tilladelser, valideringstrin og tilstandshåndtering omkring modellen. Det er en dokumenteret integrationsretning; den bredere påstand om én samlet Apache-licenseret Harness-udgivelse er fortsat ubekræftet af de leverede officielle kilder.

Snævrere dokumentation for udbredelsen

De leverede kilder nævner ingen virksomheder, der har taget den påståede Apache-licenserede ramme i brug, og de dokumenterer heller ikke virksomhedsspecifikke resultater inden for juridiske, operationelle, forskningsmæssige eller andre ikke-kodningsrelaterede arbejdsgange.

Der findes dog bredere tegn på, at Codex bruges af virksomhedskunder. OpenAI oplyste, at Codex i juni stod for 64 procent af de samlede outputtokens fra Codex og ChatGPT blandt virksomhedskunder . Tallet peger på betydelig enterprise-aktivitet, men dokumenterer hverken brug af den påståede Harness-pakke, bestemte virksomhedsadoptioner eller en konkret forretningsmæssig effekt.

Den strategiske betydning

Det verificerede mønster peger på et skifte fra chatbaseret hjælp til delegeret udførelse. Codex kombinerer en model med værktøjer, en iterativ feedback-loop, vedvarende eller komprimeret tilstand og eksekveringsmiljøer, der kan udføre arbejde over flere trin .

For produktteams kan arkitekturen danne grundlag for specialiserede agenter til software-repositories, interne driftsopgaver, research eller andre kontrollerede processer. Kvaliteten afhænger ikke kun af valg af model, men også af designet af værktøjsadgang, tilstandsbevaring, kontekstgrænser, validering og fejlhåndtering.

Det er den varige læring fra ARC-AGI-3-eksperimentet: Ændrer man harnessen, kan man ændre både en agents kapacitet og effektivitet. Men ud fra det tilgængelige materiale er det mere præcist at beskrive OpenAI’s dokumenterede Codex-runtime og API-komponenter end at fremstille Apache 2.0-udgivelsen den 20. august som et fastslået faktum.