OpenAI的Codex智能体编程应用现已在Windows平台正式上线。
说Codex是OpenAI的一大成功产品绝不为过。今年2月初推出的Mac版Codex应用在首周内下载量就超过100万次,目前周活跃用户已达160万。
Windows版本同样可能面临巨大需求:OpenAI表示已有超过50万开发者在等待名单中。
正如OpenAI所强调的,Windows版本不仅仅是为了兼容微软操作系统而构建,而是"专为真正的Windows开发环境"而打造,OpenAI发言人在邮件中向The New Stack如此表示。
该应用专为提供原生沙盒和工作流程而构建,让Windows开发者能够使用他们已经熟悉的工具。默认情况下,应用使用自己的原生Windows沙盒,但也可选择使用Windows子系统Linux及其工具。
如果选择Windows原生模式,Windows版Codex使用操作系统级别的控制,如受限令牌和文件系统访问控制,确保智能体能够在PowerShell等环境中运行,PowerShell是微软Windows的默认shell。
大部分情况下,Windows版本的外观和体验几乎与Mac版本完全相同。Windows平台同样支持相同的技能、自动化功能和工作树。此外还有一些Windows特定的技能,包括为开发Windows应用程序的开发者提供的WinUI技能。
Codex的突出特点始终是更专注于管理智能体而非代码本身。用户可以随时查看所需的差异并切换到喜欢的IDE,但默认视图专注于与智能体的交互。OpenAI将此描述为"专为智能体设计的指挥中心新形态",这个描述相当贴切。
Codex默认使用OpenAI最近推出的编程专用GPT-5.3-Codex模型,并可切换至GPT-5.2-Codex、GPT-5.1-Codex-Max、GPT-5.2,以及用于需要快速运行任务的GPT-5.1-Codex-Mini。用户还可以为每个模型设置推理级别。
Windows版Codex现已面向所有ChatGPT免费版、Go版、Plus版、Pro版、商业版、企业版和教育版用户开放。
Q&A
Q1:Codex应用在Windows平台有什么特殊功能?
A:Windows版Codex专为真正的Windows开发环境构建,提供原生沙盒和工作流程,使用操作系统级别控制如受限令牌和文件系统访问控制,支持PowerShell等环境,还包含WinUI等Windows特定技能。
Q2:Codex应用的用户数据表现如何?
A:Mac版Codex应用在2月初推出后首周下载量超过100万次,目前周活跃用户达160万,Windows版本等待名单中有超过50万开发者,显示出强劲的市场需求。
Q3:Codex支持哪些AI模型?
A:Codex默认使用GPT-5.3-Codex编程专用模型,用户可切换至GPT-5.2-Codex、GPT-5.1-Codex-Max、GPT-5.2以及快速运行的GPT-5.1-Codex-Mini模型,并可为每个模型设置推理级别。
好文章,需要你的鼓励
Replit与RevenueCat达成合作,将订阅变现工具直接集成至Replit平台。用户只需通过自然语言提示(如"添加订阅"),即可完成应用内购和订阅配置,无需离开平台。RevenueCat管理超8万款应用的订阅业务,每月处理约10亿美元交易。此次合作旨在让"氛围编程"用户在构建应用的同时即可实现商业变现,月收入未达2500美元前免费使用,超出后收取1%费用。
LiVER是由北京大学、北京邮电大学等机构联合提出的视频生成框架,核心创新是将物理渲染技术与AI视频生成结合,通过Blender引擎计算漫反射、粗糙GGX和光泽GGX三种光照图像构成"场景代理",引导视频扩散模型生成光影物理准确的视频。框架包含渲染器智能体、轻量化编码器适配器和三阶段训练策略,支持对光照、场景布局和摄像机轨迹的独立精确控制。配套构建的LiVERSet数据集含约11000段标注视频,实验显示该方法在视频质量和控制精度上均优于现有方法。
所有人都说AI需要护栏,但真正在构建它的人寥寥无几。SkipLabs创始人Julien Verlaguet深耕这一问题已逾一年,他发现市面上多数"护栏"不过是提示词包装。为此,他打造了专为后端服务设计的AI编程智能体Skipper,基于健全的TypeScript类型系统与响应式运行时,实现增量式代码生成与测试,内部基准测试通过率超90%。他认为,编程语言的"人类可读性时代"正走向终结,面向智能体的精确工具链才是未来。
这项由蒙特利尔学习算法研究所(Mila)与麦吉尔大学联合发布的研究(arXiv:2604.07776,2026年4月)提出了AGENT-AS-ANNOTATORS框架,通过模仿人类数据标注的三种角色分工,系统化生成高质量网页智能体训练轨迹。以Gemini 3 Pro为教师模型,仅用2322条精选轨迹对90亿参数的Qwen3.5-9B模型进行监督微调,在WebArena基准上达到41.5%成功率,超越GPT-4o和Claude 3.5 Sonnet,并在从未见过的企业平台WorkArena L1上提升18.2个百分点,验证了"数据质量远比数量重要"这一核心结论。