OpenAI: GPT-5.3-Codex

GPT-5.3-Codex est un modèle textuel d'OpenAI, publié le 24 février 2026. Il est décrit par le fournisseur comme le modèle de codage agentique le plus avancé d'OpenAI, combinant les performances en ingénierie logicielle de GPT-5.2-Codex avec les capacités de raisonnement et de connaissances professionnelles plus larges de GPT-5.2. Il se situe dans la catégorie texte et s'adresse aux développeurs qui ont besoin d'un modèle capable de gérer à la fois un travail centré sur le code et des tâches de raisonnement général au sein du même endpoint.

Le modèle accepte des entrées texte, image et fichier, et produit une sortie texte. Il dispose d'une fenêtre de contexte de 400 000 tokens et d'une sortie maximale de 128 000 tokens, ce qui permet de fournir de longs fichiers source, de la documentation, des journaux ou des dépôts multi-fichiers dans une seule requête tout en laissant de la place pour une réponse substantielle. Comme les images et les fichiers sont acceptés en entrée, des captures d'écran, des diagrammes, des PDF et des artefacts similaires peuvent être transmis avec le prompt plutôt que convertis en texte au préalable. Les paramètres de requête pris en charge incluent include_reasoning, max_completion_tokens, max_tokens, reasoning, reasoning_effort, response_format, seed, structured_outputs, tool_choice, tools et verbosity.

Ces capacités renvoient à quelques usages pratiques. Le codage agentique est le principal : l'appel d'outils et tool_choice permettent au modèle de piloter des fonctions externes, d'exécuter des commandes ou de modifier des fichiers en boucle, tandis que la grande fenêtre de contexte garde un ensemble de travail de code visible. Les contrôles de raisonnement (reasoning, reasoning_effort, include_reasoning) conviennent aux tâches qui nécessitent une analyse délibérée en plusieurs étapes, comme le débogage, la refactorisation ou la revue d'une pull request. Les sorties structurées et response_format sont utiles lorsque le résultat doit être analysé par un autre programme, par exemple pour générer des spécifications JSON, des cas de test ou des plans de migration. Les entrées image et fichier étendent cela aux travaux qui partent d'une capture d'écran d'une erreur, d'une maquette de conception ou d'un document de spécification.

Vous appelez le modèle via l'API compatible OpenAI d'api14 en utilisant l'identifiant de modèle « openai/gpt-5.3-codex ». Comme l'interface suit la forme des chat completions d'OpenAI, les SDK et clients OpenAI existants fonctionnent avec seulement un changement d'URL de base et de clé. Définissez le champ model sur cet identifiant et passez les paramètres listés ci-dessus selon les besoins : tools et tool_choice pour l'appel de fonctions, response_format ou structured_outputs pour des réponses lisibles par machine, reasoning_effort pour arbitrer entre profondeur et latence, max_tokens ou max_completion_tokens pour plafonner la réponse, et seed pour un échantillonnage plus reproductible. Verbosity offre un contrôle supplémentaire sur la quantité de texte produite par le modèle.

Le principal point à évaluer est la portée. La sortie est uniquement textuelle, donc la génération d'images ou d'audio est hors de portée ici, et le modèle est positionné autour du codage et du raisonnement plutôt que, par exemple, du travail en temps réel ou spécialisé non textuel. Si une tâche n'implique ni code, ni outils, ni longues entrées structurées, un modèle textuel plus léger peut mieux convenir. Pour le codage agentique, l'analyse à long contexte et la génération structurée, ce modèle est le choix approprié sur api14.