gpt-5.5-high (codex-harness) ist ein großes Sprachmodell, das von OpenAI entwickelt und am 12. März 2025 veröffentlicht wurde. Es handelt sich um eine spezialisierte Variante der GPT-5.5-Familie, die für Softwareentwicklung und agentische Codierungsaufgaben optimiert ist. Das Modell ist darauf ausgelegt, innerhalb einer Harness-Umgebung zu arbeiten, die mit externen Werkzeugen integriert ist, sodass es Code ausführen, Tests laufen lassen und Lösungen autonom iterieren kann.
Das Modell baut auf der Transformer-Architektur auf und integriert Fortschritte bei Multi-Head-Attention und Positional Encoding aus früheren GPT-Iterationen. Es wird mit einer Kombination aus Deep-Learning-Techniken trainiert, einschließlich Verstärkungslernen aus KI-Feedback und Curriculum-Lernen, um seine Fähigkeit zur Bewältigung komplexer, mehrstufiger Programmierprobleme zu verbessern.
Benchmark-Leistung
Auf den Künstliche-Intelligenz-Benchmark-Ranglisten erzielte gpt-5.5-high (codex-harness) Anfang 2025 bemerkenswerte Ergebnisse. Beim SWE-bench Verified-Benchmark erreichte es 78,4 Prozent und übertraf den bisherigen Stand der Technik um 12 Punkte. Bei HumanEval verzeichnete es einen pass@1-Wert von 92,1 Prozent, und auf der LiveCodeBench-Rangliste erreichte es im Mai 2025 71,3 Prozent. Diese Ergebnisse positionierten es unter den leistungsstärksten Modellen für Codegenerierung auf öffentlichen Ranglisten wie LMArena und LiveBench, obwohl die genauen Platzierungen mit nachfolgenden Modellveröffentlichungen schwankten.
Harness-Architektur
Die codex-harness-Komponente bezieht sich auf die Ausführungsumgebung, die das Modell begleitet. Im Gegensatz zu standardmäßigen großen Sprachmodellen, die statischen Text generieren, kann gpt-5.5-high eine Sandbox-Shell, ein Dateisystem und Netzwerkwerkzeuge aufrufen. Dies ermöglicht es, Code zu schreiben, auszuführen, Fehler zu beobachten und die Ausgabe in einer Schleife zu verfeinern. Der Harness unterstützt mehrere Programmiersprachen, darunter Python, JavaScript und Rust, und integriert sich in Versionskontrollsysteme wie Git.
Der Harness verwendet während der Inferenz eine Beam-Search-Dekodierungsstrategie, kombiniert mit Top-p-Sampling und Temperaturskalierung, um Exploration und Determinsmus auszugleichen. Er setzt außerdem Modell-Pruning ein, um die Latenz in Produktionsumgebungen zu reduzieren, wodurch die Inferenzzeit im Vergleich zur unbeschnittenen Version um etwa 30 Prozent gesenkt wird.
Training und Entwicklung
Das Modell wurde von einem Team unter der Leitung von Jakob Uszkoreit und Mark Chen entwickelt, mit Beiträgen von Brad Lightcap und Jacob Steinhardt. Das Training nutzte einen Cluster aus AWS-Trainium-Chips zusammen mit Azure-Infrastruktur, mit einem berichteten Umfang von 2,1 Billionen Token an Code- und natürlichen Sprachdaten. Der Trainingslauf verbrauchte schätzungsweise 4,2 Exaflops an Rechenleistung, eine Zahl, die mit früheren GPT-5-Trainingsläufen vergleichbar ist.
Das Modell wurde in drei Phasen trainiert: Vortraining auf einem vielfältigen Korpus öffentlicher Code-Repositories, Feinabstimmung auf Anweisungsbefolgungs-Datensätzen und eine abschließende Ausrichtungsphase unter Verwendung von RLAIF mit einem Belohnungsmodell, das auf menschlichen Präferenzdaten trainiert wurde. Das Belohnungsmodell selbst war ein kleinerer Transformer mit 7 Milliarden Parametern, der auf 1,5 Millionen menschlich annotierten Vergleichen trainiert wurde.
Bereitstellung und Anwendungsfälle
OpenAI veröffentlichte gpt-5.5-high (codex-harness) am 12. März 2025 über seine API, mit Preisen von 0,15 US-Dollar pro 1.000 Eingabe-Token und 0,60 US-Dollar pro 1.000 Ausgabe-Token. Es ist auch über GitHub Copilot als optionales Modell für Unternehmensnutzer verfügbar. Das Modell wird von Softwareteams für automatisierte Fehlerbehebung, Testgenerierung und Code-Review eingesetzt und wurde in mehrere Angebote von Amazon Web Services und Google Cloud integriert.
In einer Bereitstellungsstudie, die OpenAI im Juni 2025 durchführte, löste das Modell 61 Prozent der realen GitHub-Probleme, die von internen Teams gemeldet wurden, ohne menschliches Eingreifen. Es generierte außerdem Unit-Tests, die die Codeabdeckung in 40 Open-Source-Projekten um durchschnittlich 18 Prozent erhöhten.
Einschränkungen und Sicherheit
Trotz seiner Leistung hat gpt-5.5-high (codex-harness) dokumentierte Einschränkungen. Es erzeugt gelegentlich Code mit subtilen Sicherheitslücken, insbesondere in speicherunsicheren Sprachen wie C und C++. In einer Red-Team-Bewertung durch Berkeley AI Research im April 2025 konnte das Modell 14 Prozent der injizierten SQL-Injection-Vektoren in einer kontrollierten Testsuite nicht identifizieren.
Das Modell zeigt außerdem eine Tendenz zur Überanpassung an Benchmark-Muster, was seine Effektivität bei neuartigen oder schlecht dokumentierten Codebasen verringern kann. OpenAI hat während des Trainings Gradient-Clipping und Dropout implementiert, um Überanpassung zu mildern, aber das Problem besteht in Randfällen weiterhin. Das Unternehmen hat ein Modellblatt veröffentlicht, das diese Einschränkungen detailliert beschreibt, und empfiehlt eine menschliche Überprüfung für sicherheitskritische Anwendungen.
Rezeption und Auswirkungen
Die Veröffentlichung von gpt-5.5-high (codex-harness) wurde in der Fachpresse breit behandelt, wobei Forscher des MIT CSAIL in einer Rezension vom Juli 2025 seine agentischen Fähigkeiten lobten. Einige Kritiker, darunter Melanie Mitchell, äußerten Bedenken hinsichtlich der Umweltkosten des Trainings, die auf 1.200 Megawattstunden Strom geschätzt werden. Andere merkten an, dass die Benchmark-Ergebnisse des Modells möglicherweise nicht direkt in reale Produktivitätsgewinne übersetzbar sind, ein Punkt, der in einer Studie des Stanford AI Lab aufgegriffen wurde.
Stand Ende 2025 bleibt das Modell in aktiver Nutzung, und OpenAI hat regelmäßige Updates zur Harness-Software veröffentlicht, wobei der neueste Snapshot vom 22. September 2026 stammt und verbesserte Fehlerbehebung sowie Multi-Datei-Bearbeitungsfunktionen umfasst.