NVIDIA 工程师与研究人员如何利用 Codex 进行构建

# NVIDIA 的工程师和研究人员如何使用 Codex 进行构建 来源：https://openai.com/index/nvidia/ 在 NVIDIA，工程师们正将 Codex 作为处理复杂工程工作的默认工具，并用于运行端到端的机器学习实验。Codex 基于 GPT-5.5 构建，并在 NVIDIA GB200 和 GB300 基础设施上投入生产运行，能够处理更长时间、更自主的会话——其能力不仅限于执行任务，还能发现并指出原始提示中未包含的问题和想法。 > “Codex 是我们处理复杂工程任务的首选工具，借助 GPT-5.5，它能发现我的程序中的 bug 和缺陷，而其他模型却无法做到这一点。” —— Dennis Hannusch，高级软件工程师 ## 构建和交付生产系统 NVIDIA 的代码智能体（coding agents）团队帮助全公司的工程师在实际的开发工作流中有效采用和使用 AI 工具。搭载 GPT-5.5 的 Codex 已成为他们处理复杂工程任务的首选工具。 “我个人发现，搭载 GPT-5.5 的 Codex 自主性要强得多，几乎不需要人为引导，”NVIDIA 智能体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，多次进行上下文压缩（compactions），并且发现它仍然能保持极高的准确性，并确保工作始终在上下文中。此外，它在战术性地选择合适工具和技能方面也表现出色。” Hannusch 已经利用 Codex 将一个内部平台从最小可行产品（MVP）演变为具备生产就绪状态的系统，在此过程中提升了可扩展性和可靠性，这是早期模型难以实现的。 该团队还使用 Codex 在短短几小时内搭建了一个类似 Riverside 的内部播客录制应用。“鉴于我们的隐私限制，如果采购软件，我们将花费数周时间，”Hannusch 解释道。 通过使用支持计算机交互的 Codex 桌面应用，该系统还在构建过程中自行测试了视频和音频录制功能。“我无需做任何事情——它完全是自主构建和测试的，”他说。“Codex 彻底改变了‘值得构建什么’的门槛。” > “仅在运行实验方面，速度就提升了 10 倍，因为它能够处理整个端到端的机器学习研究工作流。” —— Shaunak Joshi，AI 研究员 ## 运行完整的研究工作流 对于 NVIDIA 的研究团队而言，Codex 很大程度上自动化了研究闭环：从确定研究方向，到编写机器学习实验脚本，再到在远程机器上运行实验。 “GPT-5.5 作为创意伙伴带来了巨大的突破，特别是在知识密集型工作方面，”NVIDIA 的 AI 研究员 Shaunak Joshi 说道。 该团队将 Codex 用作研究智能体，让模型针对强化学习等领域的大量相关论文进行阅读。“与竞争对手相比，GPT-5.5 似乎更具创意，”Joshi 说。“它帮助我在整个证据链中追踪片段，并建议构建一个理念知识图谱，这让我能够直观地看到各个概念是如何关联在一起的。” 在确定假设后，Codex 会在机器学习基础设施上编写脚本来训练模型。Codex 应用支持 SSH，因此 Joshi 发现他不再需要担心远程主机的登录和设置问题；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太理想的旧代码库，Codex 非常擅长代码翻译。因此，许多人将他们的 Python 代码库发送给 GPT-5.5，它会将其重写为 Rust，效率提升约 20 倍。” —— Shaunak Joshi，AI 研究员 ## 未来展望 Codex 正在加速 NVIDIA 工程和研究团队的工作，将想法从概念到执行和测试整合在单一工作流中。 “我们只是刚刚触及它能力的表面，”Hannusch 说。“我非常期待继续构建真正的系统，看看它能走多远。”