NVIDIA 如何使用 OpenAI Codex 与 GPT-5.5

NVIDIA 将 Codex 与 GPT-5.5 集成用于自主工程

NVIDIA 的工程师和研究人员已采用基于 GPT-5.5 的 Codex，并在 NVIDIA GB200 与 GB300 基础设施上运行，作为他们进行复杂工程和机器学习研究的主要工具。该系统能够进行更长、更自主的会话，能够在初始提示之外识别错误、漏洞和新想法。

生产系统开发与部署

使用 GPT-5.5 的 Codex 使 NVIDIA 工程师能够将项目从最小可行产品（MVP）推进到具备更高可扩展性和可靠性的生产就绪系统。该工具的自主性降低了在长时间开发会话中对人工指导的需求，同时保持高精度和上下文一致性。

生产工程中的关键应用包括：

  • 快速应用开发： NVIDIA 工程师使用 Codex 在数小时内构建了内部播客录制应用，绕过了因隐私限制而需数周的软件采购流程。
  • 自主测试： 通过具备计算机交互功能的 Codex 桌面应用，系统能够自主构建并测试视频和音频录制功能，无需人工干预。
  • 工具选择： 该模型展示了在特定工程任务中策略性选择合适工具和技能的高能力。

“Codex 是我们处理复杂工程任务的首选工具，借助 GPT-5.5，它能够发现我程序中其他模型无法检测到的错误和漏洞。”

— Dennis Hannusch，高级软件工程师

机器学习研究工作流的自动化

Codex 已为 NVIDIA 的 AI 研究人员实现了端到端的研究循环自动化，包括识别研究领域、编写实验脚本以及在远程机器上执行这些脚本。这使实验运行速度提升了约 10 倍。

研究中使用的技术能力包括：

  • 知识综合： 通过分析强化学习等领域的大量研究论文，GPT-5.5 充当创意伙伴，追踪链式证据并建议使用知识图谱来可视化概念之间的关联。
  • 远程基础设施管理： 由于 Codex 应用支持 SSH，研究人员可以直接从笔记本电脑在远程主机上运行大型机器学习工作负载，无需手动登录和设置。
  • 性能优化： 研究人员使用 GPT-5.5 对代码库进行“机器翻译”，具体而言，将 Python 仓库重写为 Rust，以实现最高约 20 倍的效率提升。

“仅在实验运行方面就提升了 10 倍的速度，因为它能够处理整个端到端的机器学习研究工作流。”

— Shaunak Joshi，AI 研究员

Sources