GPT-5.3 Codex, el modelo de OpenAI que se ayuda a construirse a sí mismo

OpenAI lanzó en febrero GPT-5.3 Codex, un modelo de programación con capacidades agénticas —es decir, capaz de ejecutar tareas de forma autónoma— que la compañía describe como el primero de sus modelos en ayudar a construirse a sí mismo. Fue entrenado y desplegado por completo sobre sistemas GB200 NVL72 de NVIDIA. Es un dato pequeño con una implicación grande: el hardware ya no es un detalle logístico, sino la condición que decide quién juega en la primera división de la IA.

La información procede de una entrada del blog corporativo de NVIDIA, que actualizó su recuento de modelos entrenados sobre su plataforma tras los últimos lanzamientos de OpenAI. Conviene leerla con distancia: es material de una empresa que vende justamente esos chips. Pero los hechos técnicos que enumera —qué modelos se entrenaron dónde y con qué resultados en pruebas estándar— sí permiten entender cómo se está construyendo hoy la IA de frontera.

Qué son GPT-5.2 y GPT-5.3 Codex

OpenAI presentó GPT-5.2 en diciembre como su serie de modelos más capaz hasta la fecha para el trabajo profesional del conocimiento. Según los datos que recoge NVIDIA, obtiene las mejores puntuaciones reportadas en varios benchmarks del sector: GPQA-Diamond (preguntas científicas de nivel doctorado), AIME 2025 (matemáticas de competición) y Tau2 Telecom (tareas de atención simuladas). También marca un nuevo récord en ARC-AGI-2, una prueba diseñada específicamente para medir el razonamiento abstracto asociado a la llamada inteligencia artificial general.

GPT-5.3 Codex, lanzado en febrero, es la pieza más interesante. Combina el rendimiento en programación de GPT-5.2-Codex con la capacidad de razonamiento de GPT-5.2 en un único modelo, y lo hace, según OpenAI, un 25% más rápido. En las pruebas de código establece nuevos máximos en SWE-Bench Pro y Terminal-Bench —dos baterías que miden si un modelo resuelve problemas reales de ingeniería de software y opera en una terminal— y rinde bien en OSWorld y GDPval.

El detalle que la propia NVIDIA subraya es que se trata del primer modelo agéntico de OpenAI que participa en su propio desarrollo. No hay que interpretarlo como ciencia ficción: significa que un modelo de programación se usa como herramienta para escribir y depurar código del siguiente. Es automatización del trabajo de ingeniería, no una máquina que se reinventa sola. Pero apunta a una tendencia real: los laboratorios empiezan a usar sus propios modelos para acelerar la construcción de los que vienen detrás.

Por qué el hardware manda

El argumento central del texto es que entrenar un modelo de frontera desde cero ya no es un proyecto de software, sino de infraestructura. Hacen falta decenas de miles, a veces cientos de miles, de GPU trabajando de forma coordinada. Eso exige tres cosas simultáneas: aceleradores potentes, redes capaces de conectar todos esos chips sin cuellos de botella, y una capa de software optimizada para exprimirlos.

NVIDIA describe tres arquitecturas en su recuento. Hopper es la generación previa. Blackwell —y su configuración GB200 NVL72, que agrupa 72 GPU en un sistema conectado como si fuera una sola máquina gigante— es la actual. Blackwell Ultra (GB300) es la que está empezando a desplegarse.

Las cifras que ofrece la compañía, medidas en MLPerf Training —el estándar de la industria para comparar rendimiento de entrenamiento—, dan una idea del salto: los sistemas GB200 NVL72 entrenan hasta tres veces más rápido que Hopper en el modelo más grande evaluado, con casi el doble de rendimiento por dólar. El GB300 llega a superar cuatro veces a Hopper.

Traducido a lo que importa: cada salto de hardware acorta los ciclos de desarrollo. Un laboratorio que entrena en semanas lo que antes le costaba meses puede iterar más y lanzar antes. En una carrera donde los modelos se suceden cada pocos meses, esa velocidad es una ventaja competitiva directa.

Un ecosistema que va más allá del texto

La entrada insiste —con evidente interés comercial— en que la mayoría de los grandes modelos de lenguaje actuales se entrenaron en plataformas NVIDIA, y que su alcance no se limita al texto.

En generación de vídeo, Runway anunció la semana pasada Gen-4.5, que según el ranking de Artificial Analysis es el modelo de vídeo mejor valorado del mundo. Se desarrolló íntegramente sobre GPU de NVIDIA. La misma empresa presentó GWM-1, un "modelo del mundo" general capaz de simular la realidad en tiempo real, con aplicaciones en videojuegos, educación, ciencia y robótica.

En el terreno científico, NVIDIA cita modelos como Evo 2 (decodificación de secuencias genéticas), OpenFold3 (predicción de estructuras 3D de proteínas) y Boltz-2 (simulación de interacciones de fármacos), además de sus modelos Clara, que generan imágenes médicas sintéticas para entrenar sistemas de diagnóstico sin exponer datos de pacientes reales.

La lista de laboratorios que entrenan sobre Blackwell incluye nombres relevantes: Black Forest Labs, Cohere, Mistral, OpenAI, Reflection y Thinking Machines Lab. Y la plataforma está disponible a través de los grandes proveedores de nube —AWS, Google Cloud, Microsoft Azure, Oracle— y de los llamados neo-clouds como CoreWeave, Lambda o Nebius.

La lectura crítica: dependencia y concentración

Hay una historia bajo la historia, y no es la que NVIDIA quiere contar. Cuando el fabricante de los chips puede publicar una lista con casi todos los laboratorios de frontera del planeta como clientes, el titular real es la concentración.

La capacidad de entrenar modelos punteros depende hoy de acceder a hardware que produce esencialmente una empresa. Eso tiene consecuencias: los precios los marca en buena medida el proveedor, la disponibilidad de GPU condiciona qué proyectos avanzan y cuáles esperan, y quien no puede permitirse esas infraestructuras queda fuera de la frontera. Es una barrera de entrada que separa a un puñado de laboratorios bien financiados del resto.

Existen alternativas —los chips propios de Google (TPU), los aceleradores de AWS, iniciativas de AMD—, pero el ecosistema de software de NVIDIA, construido durante más de una década, sigue siendo el camino de menor resistencia. Romper esa inercia es difícil precisamente porque cada nuevo modelo que se entrena sobre su plataforma refuerza el estándar.

Lo que viene

El mensaje de fondo para usuarios y empresas es que el ritmo de mejora no depende solo del ingenio de los investigadores, sino de la cadencia con la que llega hardware más rápido. Blackwell Ultra ya se despliega; la generación siguiente definirá qué será posible entrenar en 2026.

Para quien observa el sector desde fuera, conviene fijarse en dos señales. Una, si aparecen más modelos que —como GPT-5.3 Codex— usan versiones previas para acelerar su propio desarrollo: eso comprimiría aún más los ciclos. Y dos, si algún competidor logra entrenar un modelo de frontera fuera del ecosistema NVIDIA de forma competitiva. Mientras eso no ocurra, la frase con la que cierra el propio texto —"el futuro se está construyendo sobre NVIDIA"— será, más que un eslogan, una descripción incómodamente precisa del estado de las cosas.