22. June 2026
En alvorlig feil har blitt oppdaget i loggingen til OpenAI Codex, motoren som ligger bak mange av de mest populære verktøyene for kodegenerering. Bugen fører til at enorme mengder unødvendig data skrives direkte til utviklernes lokale harddisker. I enkelte tilfeller er det rapportert om flere terabyte med data som fyller opp systemene på kort tid.
Problemet oppstår i måten feilmeldinger håndteres lokalt. Når Codex støter på spesifikke nettverks- eller synkroniseringsfeil, havner loggfunksjonen i en uendelig løkke. I stedet for å stoppe opp eller overskrive gamle logger, fortsetter den å spytte ut feilmeldinger i et rasende tempo helt til lagringsplassen er fullstendig oppbrukt.
For selskaper med store inhouse utviklerteam betyr dette en reell risiko for akutt nedetid og treg maskinvare på utviklerstasjonene. SSD-disker har en begrenset levetid målt i totale skrivesykluser (TBW), og denne typen aggressiv, skjult skriving kan i verste fall ødelegge kostbare disker permanent. IT-avdelinger og CTO-er bør umiddelbart be sine utviklere om å sjekke lagringsplassen, oppdatere Codex-integrasjonene sine og eventuelt begrense loggfil-størrelsen manuelt i konfigurasjonen.
Les mer om saken og finn feilsøkingsdetaljer på GitHub Issues.
Den ferske ytelsestesten mellom den nye modellen GLM 5.2 og Anthropics flaggskipmodell Claude Opus viser at maktbalansen i AI-landskapet er i konstant endring. Den nye utfordreren GLM 5.2 leverer overraskende sterke resultater på komplekse resonneringsoppgaver og logisk tenkning, områder der de etablerte vestlige modellene lenge har regjert uforstyrret.
Kampen om å levere den mest intelligente "hjernen" til bedriftenes AI-applikasjoner har til nå vært dominert av noen få, velkjente aktører. Kinesiske og åpne modeller har imidlertid tettet det teknologiske gapet i rakettfart det siste året. De tilbyr nå en ytelse som ikke bare matcher de etablerte gigantene på spesifikke oppgaver, men som ofte gjør det til en brøkdel av prisen og med raskere responstid.
For teknologiledere som skal velge arkitektur for bedriftens interne AI-agenter, understreker denne duellen hvor viktig det er å bygge fleksible, modell-agnostiske systemer. Ved å unngå å låse seg til én enkelt leverandør, kan man raskt bytte ut "motoren" i systemet når en ny utfordrer som GLM 5.2 tilbyr bedre ytelse per krone. Det åpner også for å bruke mer spesialiserte, kostnadseffektive modeller til rutineoppgaver, og spare de dyreste modellene til de mest avanserte problemene.
Du kan se hele sammenligningen og testresultatene på TechStackups.