gpt-5.5-high（codex-harness）是由OpenAI开发的大型语言模型，于2025年3月12日发布。它是GPT-5.5系列的一个专门变体，针对软件工程和智能体编码任务进行了优化。该模型设计用于在集成外部工具的harness环境中运行，使其能够自主执行代码、运行测试并迭代解决方案。
该模型基于Transformer架构，融合了早期GPT迭代中多头注意力和位置编码的进展。它通过结合深度学习技术进行训练，包括基于AI反馈的强化学习和课程学习，以提高处理复杂多步骤编程问题的能力。
基准性能
在人工智能基准排行榜上，gpt-5.5-high（codex-harness）在2025年初取得了显著成绩。在SWE-bench Verified基准上，它得分78.4%，比先前的最先进水平高出12个百分点。在HumanEval上，它记录了92.1%的pass@1分数，在LiveCodeBench排行榜上，截至2025年5月达到71.3%。这些结果使其在LMArena和LiveBench等公开排行榜上位居代码生成顶级模型之列，尽管具体排名随后续模型发布而波动。
Harness架构
codex-harness组件指的是伴随模型的执行环境。与生成静态文本的标准大型语言模型不同，gpt-5.5-high可以调用沙盒shell、文件系统和网络工具。这使其能够编写代码、执行代码、观察错误并在循环中优化输出。该harness支持多种编程语言，包括Python、JavaScript和Rust，并与Git等版本控制系统集成。
该harness在推理过程中使用束搜索解码策略，结合top-p采样和温度缩放来平衡探索性和确定性。它还采用模型剪枝来减少生产部署中的延迟，与未剪枝版本相比，推理时间缩短约30%。
训练与开发
该模型由Jakob Uszkoreit和Mark Chen领导的团队开发，Brad Lightcap和Jacob Steinhardt也做出了贡献。训练使用了AWS Trainium芯片集群以及Azure基础设施，据报道使用了2.1万亿个代码和自然语言数据标记。训练运行消耗了约4.2百亿亿次浮点运算的计算量，这一数字与早期GPT-5训练运行相当。
该模型分三个阶段进行训练：在多样化的公共代码库语料库上进行预训练，在指令遵循数据集上进行微调，以及使用RLAIF和基于人类偏好数据训练奖励模型的最终对齐阶段。奖励模型本身是一个具有70亿参数的较小Transformer，在150万个人类标注比较上进行了训练。
部署与用例
OpenAI于2025年3月12日通过其API发布了gpt-5.5-high（codex-harness），定价为每1,000个输入标记0.15美元，每1,000个输出标记0.60美元。它也可通过GitHub Copilot作为企业用户的可选模型使用。该模型被软件团队用于自动化错误修复、测试生成和代码审查，并已集成到多个Amazon Web Services和Google Cloud产品中。
在OpenAI于2025年6月进行的一项部署研究中，该模型无需人工干预解决了内部团队提交的61%的真实世界GitHub问题。它生成的单元测试在40个开源项目中将代码覆盖率平均提高了18%。
局限性与安全性
尽管性能出色，gpt-5.5-high（codex-harness）仍存在已记录的局限性。它偶尔会产生带有微妙安全漏洞的代码，尤其是在C和C++等内存不安全语言中。在Berkeley AI Research于2025年4月进行的红队评估中，该模型在受控测试套件中未能识别14%的注入SQL注入向量。
该模型还表现出对基准模式过度拟合的倾向，这可能降低其在新颖或文档不全代码库上的有效性。OpenAI在训练过程中实施了梯度裁剪和丢弃以缓解过度拟合，但该问题在边缘情况下仍然存在。该公司已发布模型卡详细说明这些局限性，并建议对安全关键应用进行人工审查。
反响与影响
gpt-5.5-high（codex-harness）的发布在技术媒体上得到广泛报道，MIT CSAIL研究人员在2025年7月的评论中称赞了其智能体能力。一些批评者，包括Melanie Mitchell，对训练的环境成本表示担忧，估计耗电量为1,200兆瓦时。其他人指出，该模型的基准分数可能无法直接转化为现实世界的生产力提升，Stanford AI Lab的一项研究也呼应了这一点。
截至2025年底，该模型仍在使用中，OpenAI已定期发布harness软件更新，最新快照日期为2026年9月22日，包含改进的错误恢复和多文件编辑功能。