Codex ahora permite ejecutar agentes en modelos seleccionados
Codex ahora permite ejecutar agentes en modelos seleccionados
Codex ahora permite a los usuarios ejecutar agentes en modelos elegidos, abriendo nuevas posibilidades de personalización.
Codex ahora permite ejecutar agentes en modelos seleccionados
Codex ahora permite a los usuarios ejecutar un agente en un modelo específico de su elección. Esta función proporciona a los usuarios una mayor flexibilidad para personalizar sus proyectos y experimentar con diferentes modelos.
En la demostración, puedes observar cómo Codex ejecuta todas las combinaciones posibles de modelos y niveles de esfuerzo de pensamiento para construir el mismo sitio web en MagicPath. Esto demuestra el poder y la adaptabilidad de Codex al trabajar con varios modelos de IA.
Por qué es importante
AnálisisEsta nueva función empodera a los usuarios de Codex para aprovechar la IA de manera más efectiva en la creación de proyectos, lo que puede aumentar la productividad y la creatividad en el desarrollo.
Debatir en la comunidad
Comparte tus preguntas e ideas con desarrolladores
Relacionado en el ecosistema
Guías prácticas, terminología y skills de agentes
Codex: incorporación básica, configuración y primeras tareas
Hay tres formas de trabajar con IA al escribir código, y Codex cubre las más ambiciosas de ellas.
Codex Skills para principiantes: automatización de flujos de trabajo con agentes de IA
Guía práctica para crear y ejecutar Skills en Codex: anatomía de SKILL.md, activación explícita y automática, diferencias entre skills, scripts y tools, Skills API y límites de seguridad.
Memoria a Corto y Largo Plazo de Agentes
Arquitectura de memoria multinivel para agentes autónomos. Se divide en memoria a corto plazo (Short-Term Memory — ventana de contexto activa de la sesión actual) y memoria a largo plazo (Long-Term Memory — bases de datos vectoriales, archivos de perfil de usuario y diarios episódicos).
Investigadores del MIT muestran que GPT-6 Astra puede mejorar otros modelos de IA cambiando sus pesos
En un experimento, Astra elevó la precisión de Qwen3.5-0.8B en MATH-500 del 7,9% al 48,1% cambiando solo el 0,016% de los pesos del modelo.