GPT-5.3-Codex-Spark

GPT-5.3-Codex-Spark to badawczy preview ultraszybkiego modelu kodującego OpenAI, ogłoszony 12 lutego 2026 r. Jest to mniejsza wersja flagowego GPT-5.3-Codex i pierwszy model OpenAI zaprojektowany konkretnie pod kątem pracy w czasie rzeczywistym z agentem kodującym Codex. Model jest serwowany na akceleratorze Cerebras Wafer-Scale Engine 3, co pozwala mu generować ponad 1000 tokenów na sekundę — fundamentalna zmiana w odczuwaniu interakcji z modelem AI.

Charakterystyka techniczna

Codex-Spark ma okno kontekstowe 128k tokenów i obsługuje wyłącznie tekst (text-only). Jest zoptymalizowany pod kątem dokonywania precyzyjnych, minimalnych edycji w kodzie — nie uruchamia automatycznie testów, chyba że poprosisz. Model jest sterowalny w czasie rzeczywistym — można mu przerywać, przekierowywać, zadawać pytania i widzieć rezultaty niemal natychmiast.

Benchmarki

Według OpenAI Codex-Spark uzyskuje wyniki silniejsze niż GPT-5.1-Codex-mini na benchmarkach SWE-Bench Pro i Terminal-Bench 2.0, kończąc te same zadania w ułamku czasu potrzebnego GPT-5.3-Codex. Codex-Spark to pierwszy element rodziny ultraszybkich modeli OpenAI.

Dostępność

Codex-Spark jest dostępny jako research preview dla użytkowników ChatGPT Pro w aplikacji Codex, CLI oraz rozszerzeniu VS Code. Dostęp do API jest rozprowadzany do wąskiej grupy design partnerów. Model jest serwowany na osobnej ścieżce ultra-niskolatencyjnej (Cerebras), z osobnym rate-limitem, który nie wlicza się do standardowych limitów Codex.

Współpraca z Cerebras

Codex-Spark jest pierwszym wynikiem współpracy OpenAI z Cerebras Systems, ogłoszonej w styczniu 2026 r. Sean Lie, CTO i współzałożyciel Cerebras, opisał współpracę jako próbę zrozumienia, jakie nowe wzorce interakcji, przypadki użycia i fundamentalnie inne doświadczenia są możliwe dzięki ultraszybkiej inferencji. GPU pozostaje fundamentem treningu i większości inferencji OpenAI — Cerebras uzupełnia tę architekturę o tor niskolatencyjny dla workflow wymagających natychmiastowej responsywności.

Optymalizacje latency

Razem z wydaniem Codex-Spark OpenAI wdrożyło end-to-end usprawnienia opóźnień w całym stosie obsługującym Codex — trwałe połączenie WebSocket, optymalizacje wewnątrz Responses API i przepisany sposób strumieniowania odpowiedzi. Łączny efekt: −80% narzutu na roundtrip klient/serwer, −30% narzutu per-token, −50% time-to-first-token. Te poprawki będą stopniowo udostępniane wszystkim modelom Codex.