gpt-5.5-high (codex-harness) es un modelo de lenguaje de gran tamaño desarrollado por OpenAI, lanzado el 12 de marzo de 2025. Es una variante especializada de la familia GPT-5.5, optimizada para la ingeniería de software y tareas de codificación agéntica. El modelo está diseñado para operar dentro de un entorno de arnés que se integra con herramientas externas, lo que le permite ejecutar código, realizar pruebas e iterar sobre soluciones de manera autónoma.
El modelo se basa en la arquitectura Transformer, incorporando avances en atención de múltiples cabezas y codificación posicional de iteraciones anteriores de GPT. Se entrena utilizando una combinación de técnicas de aprendizaje profundo, incluyendo aprendizaje por refuerzo con retroalimentación de IA y aprendizaje curricular, para mejorar su capacidad de manejar problemas de programación complejos y de múltiples pasos.
Rendimiento en Puntos de Referencia
En los marcadores de referencia de inteligencia artificial, gpt-5.5-high (codex-harness) logró puntuaciones notables a principios de 2025. En el punto de referencia SWE-bench Verified, obtuvo un 78,4 por ciento, superando al estado del arte anterior por 12 puntos. En HumanEval, registró una puntuación pass@1 del 92,1 por ciento, y en el marcador LiveCodeBench, alcanzó un 71,3 por ciento en mayo de 2025. Estos resultados lo posicionaron entre los modelos de mejor rendimiento para generación de código en marcadores públicos como LMArena y LiveBench, aunque las clasificaciones exactas fluctuaron con lanzamientos posteriores de modelos.
Arquitectura del Arnés
El componente codex-harness se refiere al entorno de ejecución que acompaña al modelo. A diferencia de los modelos de lenguaje de gran tamaño estándar que generan texto estático, gpt-5.5-high puede invocar un shell en espacio aislado, sistema de archivos y herramientas de red. Esto le permite escribir código, ejecutarlo, observar errores y refinar su salida en un bucle. El arnés admite múltiples lenguajes de programación, incluidos Python, JavaScript y Rust, y se integra con sistemas de control de versiones como Git.
El arnés utiliza una estrategia de decodificación de búsqueda de haz durante la inferencia, combinada con muestreo top-p y escalado de temperatura para equilibrar la exploración y el determinismo. También emplea poda de modelos para reducir la latencia en despliegues de producción, recortando el tiempo de inferencia en aproximadamente un 30 por ciento en comparación con la versión sin podar.
Entrenamiento y Desarrollo
El modelo fue desarrollado por un equipo liderado por Jakob Uszkoreit y Mark Chen, con contribuciones de Brad Lightcap y Jacob Steinhardt. El entrenamiento utilizó un clúster de chips AWS Trainium junto con infraestructura de Azure, con un reporte de 2,1 billones de tokens de datos de código y lenguaje natural. La ejecución de entrenamiento consumió un estimado de 4,2 exaflops de cómputo, una cifra comparable a ejecuciones de entrenamiento anteriores de GPT-5.
El modelo se entrenó en tres fases: pre-entrenamiento en un corpus diverso de repositorios de código público, ajuste fino en conjuntos de datos de seguimiento de instrucciones y una fase final de alineación utilizando RLAIF con un modelo de recompensa entrenado en datos de preferencias humanas. El modelo de recompensa en sí era un transformer más pequeño con 7 mil millones de parámetros, entrenado con 1,5 millones de comparaciones anotadas por humanos.
Despliegue y Casos de Uso
OpenAI lanzó gpt-5.5-high (codex-harness) a través de su API el 12 de marzo de 2025, con un precio de 0,15 dólares por cada 1.000 tokens de entrada y 0,60 dólares por cada 1.000 tokens de salida. También está disponible a través de GitHub Copilot como un modelo opcional para usuarios empresariales. El modelo es utilizado por equipos de software para la corrección automatizada de errores, generación de pruebas y revisión de código, y se ha integrado en varias ofertas de Amazon Web Services y Google Cloud.
En un estudio de implementación realizado por OpenAI en junio de 2025, el modelo resolvió el 61 por ciento de los problemas reales de GitHub planteados por equipos internos sin intervención humana. También generó pruebas unitarias que aumentaron la cobertura de código en un promedio del 18 por ciento en 40 proyectos de código abierto.
Limitaciones y Seguridad
A pesar de su rendimiento, gpt-5.5-high (codex-harness) tiene limitaciones documentadas. Ocasionalmente produce código con vulnerabilidades de seguridad sutiles, particularmente en lenguajes no seguros para la memoria como C y C++. En una evaluación de equipo rojo realizada por Berkeley AI Research en abril de 2025, el modelo no logró identificar el 14 por ciento de los vectores de inyección SQL en un conjunto de pruebas controlado.
El modelo también muestra una tendencia a sobreajustarse a patrones de puntos de referencia, lo que puede reducir su efectividad en códigos novedosos o mal documentados. OpenAI ha implementado recorte de gradientes y abandono durante el entrenamiento para mitigar el sobreajuste, pero el problema persiste en casos límite. La empresa ha publicado una ficha del modelo que detalla estas limitaciones y recomienda revisión humana para aplicaciones críticas de seguridad.
Recepción e Impacto
El lanzamiento de gpt-5.5-high (codex-harness) fue ampliamente cubierto por la prensa técnica, y los investigadores de MIT CSAIL elogiaron sus capacidades agénticas en una revisión de julio de 2025. Algunos críticos, incluida Melanie Mitchell, plantearon preocupaciones sobre el costo ambiental del entrenamiento, estimado en 1.200 megavatios-hora de electricidad. Otros señalaron que las puntuaciones de referencia del modelo pueden no traducirse directamente en ganancias de productividad en el mundo real, un punto respaldado por un estudio del Stanford AI Lab.
A finales de 2025, el modelo sigue en uso activo, y OpenAI ha lanzado actualizaciones periódicas al software del arnés, con la última versión con fecha del 22 de septiembre de 2026, que incorpora una mejor recuperación de errores y capacidades de edición de múltiples archivos.