NVIDIA 工程师和研究人员如何使用 Codex

OpenAI Blog2026年5月12日

8.5内容质量

TL;DR · AI 摘要

NVIDIA 工程师和研究人员使用 Codex 进行复杂工程工作和端到端机器学习实验，显著提高了开发效率和系统性能。

按章节快速跳转。

用一张图看清主题之间的关系。

查看大纲文本（无障碍 / 无 JS 友好）

值得收藏与分享的关键句。

Codex 是我们进行复杂工程任务的首选工具，借助 GPT-5.5，它可以发现其他模型无法找到的程序中的错误和漏洞。
— 第 2 段
⬇︎ 下载 PNG 𝕏 分享到 X
仅在运行实验方面，它的速度提高了 10 倍，因为它能够处理整个端到端的机器学习研究流程。
— 第 4 段
⬇︎ 下载 PNG 𝕏 分享到 X
如果你有一个性能不佳的旧代码库，Codex 在机器翻译方面非常出色。很多人将他们的 Python 代码库发送给 GPT-5.5，它会将其重写为 Rust，使其性能提高 20 倍。
— 第 5 段
⬇︎ 下载 PNG 𝕏 分享到 X

#NVIDIA#Codex#GPT-5.5#机器学习#工程实践

URL 源: https://openai.com/index/nvidia

在 NVIDIA，工程师们将 Codex 作为处理复杂工程任务的默认工具，并用于端到端的机器学习实验。基于 GPT-5.5 构建并在 NVIDIA GB200 和 GB300 基础设施上运行的 Codex 可以处理更长、更自主的会话——不仅执行任务，还能发现并提出原本不在初始提示中的问题和想法。

“Codex 是我们处理复杂工程任务的首选工具，借助 GPT-5.5，它能发现我程序中的错误和漏洞，而其他模型无法做到这一点。”

—Dennis Hannusch，高级软件工程师

NVIDIA 的编码代理团队帮助公司各处的工程师在实际开发工作流中有效采用和使用 AI 工具。Codex 与 GPT-5.5 已成为他们处理复杂工程任务的首选工具。

“我个人发现 Codex 与 GPT-5.5 更加自主，需要的干预也少得多，”代理团队的高级软件工程师 Dennis Hannusch 解释道。“我可以进行长时间的会话，包括多次压缩，发现它仍然能够保持顶级的准确性并保持工作的上下文。而且它在战术上选择正确的工具和技能方面也非常出色。”

Hannusch 已经使用 Codex 将一个内部平台从 MVP 发展为生产就绪系统，提高了其可扩展性和可靠性，这是早期模型难以实现的。

该团队还使用 Codex 在几小时内构建了一个类似于 Riverside 的内部播客录制应用。“鉴于我们的隐私限制，采购软件本来需要几周时间，”Hannusch 解释道。

通过使用 Codex 桌面应用程序与计算机交互，系统还能够在构建过程中测试视频和音频录制功能。“我不需要做任何事情——它是完全自主地构建和测试的，”他说。“Codex 完全改变了值得构建的门槛。”

“仅在运行实验方面，它的速度就提高了 10 倍，因为它能够处理整个端到端的机器学习研究工作流程。”

—Shaunak Joshi，AI 研究员

对于 NVIDIA 的研究团队来说，Codex 大幅自动化了研究循环：从识别研究领域，到编写机器学习实验脚本，再到在远程机器上运行这些实验。

“GPT-5.5 作为一个创意伙伴，尤其是在知识工作方面，带来了巨大的突破，”NVIDIA 的 AI 研究员 Shaunak Joshi 说。

团队将 Codex 用作研究代理，将模型指向强化学习等领域的大量相关论文。“与竞争对手相比，GPT-5.5 显得更加有创造力，”Joshi 说。“它帮助我在整个链条中追踪证据片段，并建议了一个知识图谱，这真的帮助我可视化了概念是如何联系在一起的。”

确定假设后，Codex 编写在机器学习基础设施上训练模型的脚本。Codex 应用程序支持 SSH，因此 Joshi 发现他不再需要担心远程主机上的登录和设置；他可以轻松地从笔记本电脑上运行大型机器学习工作负载。

“如果你有一个性能不佳的旧代码库，Codex 在机器翻译方面非常出色。所以很多人将自己的 Python 仓库发送给 GPT-5.5，它会将其重写为 Rust，使其效率提高 20 倍。”

—Shaunak Joshi，AI 研究员

Codex 正在加速 NVIDIA 在工程和研究团队中的工作，将想法从概念到执行和测试整合到一个工作流中。

“我们才刚刚触及它的表面，”Hannusch 说。“我非常期待继续构建真实的系统，看看它能达到多远。”