GPT-5.3-Codex-Spark: ponad 1000 tokenów/s zmienia pracę z kodem

12 lutego 2026 roku OpenAI udostępniło research preview GPT-5.3-Codex-Spark — mniejszego wariantu GPT-5.3-Codex zoptymalizowanego do interaktywnego programowania. Model był serwowany na infrastrukturze Cerebras z deklarowaną szybkością ponad 1000 tokenów na sekundę, miał okno 128K i obsługiwał wyłącznie tekst. Celem nie było zastąpienie długich zadań agentowych, lecz skrócenie pętli „polecenie → edycja → feedback”.

To istotna zmiana ergonomiczna. Gdy odpowiedź pojawia się niemal natychmiast, użytkownik częściej przerywa, koryguje i iteruje. Model staje się narzędziem podobnym do pair programmingu, a nie kolejką zadań. Jednocześnie szybkość może obniżyć czujność: łatwiej zaakceptować dziesięć małych patchy bez dokładnego review niż jeden duży.

Tokeny na sekundę to tylko część latency

OpenAI rozdziela czas na generację, prefill kontekstu, wykonanie narzędzi i narzut sieci. 1000 tok/s opisuje sampling na odpowiednim sprzęcie, nie gwarantuje czasu całego zadania. Przy 100 tys. tokenów repozytorium prefill może dominować, a testy, build i pobieranie zależności nadal trwają tyle, ile system zewnętrzny.

Zespół powinien mierzyć:

• time to first visible token;
• czas prefill dla typowych sesji;
• czas generacji i liczbę output tokens;
• tool latency oraz czas oczekiwania w kolejce;
• procent zadań wymagających retry;
• czas do zielonych testów, nie do pierwszego diffu.

OpenAI opisało również zmiany harnessu: usprawnione streamowanie, inicjalizację sesji i transport request-response. To przypomina, że szybkość produktu jest właściwością całego systemu, nie wyłącznie wag modelu.

Małe, celowane edycje kontra autonomia

Spark domyślnie pracował lekko: wykonywał minimalne zmiany i nie uruchamiał automatycznie testów, jeśli użytkownik o nie nie poprosił. Jest to rozsądne dla natychmiastowej współpracy, lecz organizacja powinna egzekwować testy w CI niezależnie od stylu modelu.

Na SWE-Bench Pro i Terminal-Bench 2.0 model miał według OpenAI wykonywać zadania znacznie szybciej od GPT-5.3-Codex przy zachowaniu wysokiej skuteczności. Benchmark porównuje określony harness, sprzęt i budżet. W praktyce Spark będzie dobry w refaktorze funkcji, korekcie logiki i interfejsu; trudna migracja może wymagać modelu o dłuższym horyzoncie.

Najlepszy router nie wybiera jednego modelu na zawsze. Klasyfikuje zadanie po rozmiarze, ryzyku, potrzebie narzędzi i wymaganym review. Szybki model może przygotować hipotezę, a silniejszy agent zweryfikować architekturę.

Bezpieczeństwo real-time coding

Niska latencja zwiększa liczbę akcji na jednostkę czasu. Dlatego potrzebne są granice:

1. repozytorium otwieraj w sandboxie z minimalnym filesystem scope;
2. oddzielaj plan/odczyt od zapisu i wykonania;
3. blokuj dostęp do .env, kluczy i credential helpers;
4. wymagaj approval na sieć, instalację i polecenia mutujące;
5. uruchamiaj testy, lint, SAST i secret scanning poza modelem;
6. pokazuj użytkownikowi diff i pochodzenie zmian;
7. nie pozwalaj modelowi omijać branch protection.

Prompt injection może znajdować się w komentarzu, issue, output logu albo README. Szybkość nie zmienia faktu, że treść repozytorium jest niezaufanym wejściem. Tool policy musi mieć wyższy priorytet niż instrukcja przeczytana z pliku.

Jak ocenić Spark we własnym zespole

Przygotuj zestaw 30–50 małych, realnych zadań: bugfix, test regresyjny, zmiana API, refaktor, CSS, konflikt typów. Zmierz poprawność, wielkość diffu, test pass rate, regresje, czas review i liczbę ręcznych korekt. Dodaj przypadki bezpieczeństwa: sekret w fixture, złośliwy komentarz, dependency sugerujące install script i test proszący o wyłączenie kontroli.

Porównaj z dotychczasowym modelem przy identycznym repo, promptach i narzędziach. Szybsza generacja ma wartość tylko wtedy, gdy nie przenosi czasu do code review i napraw regresji.

OpenAI oceniło, że Spark nie osiąga progu High dla cyber i biologii w Preparedness Framework, choć ma odpowiednie safety training. To nie zwalnia organizacji z kontroli wykonania — model o umiarkowanych zdolnościach może nadal uruchomić niebezpieczną komendę, jeśli narzędzie mu pozwoli.

Harness dla bezpiecznej pętli edycyjnej

Szybki model warto otoczyć deterministycznym protokołem. Najpierw odczytuje wskazane pliki i zwraca krótki plan; następnie tworzy patch, ale nie zapisuje go poza przydzielonym katalogiem. Osobny proces uruchamia formatter, testy jednostkowe, type-check i skan sekretów. Dopiero pozytywny wynik pozwala pokazać zmianę do akceptacji. Komendy sieciowe, instalacja zależności i modyfikacja pipeline’u powinny mieć osobne approval, ponieważ test zapisany w repozytorium także może być złośliwy.

Warto rejestrować hash stanu wejściowego, identyfikator modelu, wersję promptu, diff oraz listę wykonanych poleceń. Jeżeli branch zmienił się podczas generowania, patch należy ponownie osadzić i przetestować zamiast stosować go do nieaktualnej bazy. Daje to ślad audytowy i ogranicza błędy wynikające z równoległej pracy człowieka oraz agenta.

Metryka: czas do zaakceptowanej zmiany

Porównując Spark z większym modelem, licz medianę i percentyl 95 czasu od polecenia do zatwierdzonego PR, liczbę nieudanych testów oraz minuty review. Osobno raportuj szybkie zadania i te eskalowane do silniejszego modelu. Dopiero taki pomiar pokaże, czy 1000 tok/s poprawia przepływ pracy, czy jedynie produkuje więcej zmian wymagających ręcznej weryfikacji.

Połącz test z bezpieczeństwem agentów kodujących, prompt injection w CI/CD i bezpiecznym SDLC. W sprawie kontrolowanego pilota i evali skontaktuj się z BreachRoad.

---

Źródło pierwotne: OpenAI — GPT-5.3-Codex-Spark.