ChatGPT Desktop no ofrece, de forma nativa y abierta, un selector general para enrutar cualquier conversación a modelos locales o proveedores alternativos

Sin embargo, la experiencia de Codex integrada en la aplicación sí puede apoyarse en la configuración local compartida del cliente, y ahí es donde entra OpenCodex: un proyecto comunitario y de código abierto que permite redirigir las solicitudes de Codex hacia modelos locales, gateways privados y servicios externos compatibles.

En la práctica, esto permite usar entornos como Ollama, vLLM y LM Studio, además de conectarse con modelos y servicios remotos que expongan una interfaz compatible. El resultado no convierte a ChatGPT Desktop en un cliente universal de LLM por sí mismo, pero sí amplía de forma notable lo que puede hacer Codex dentro de la app.

¿Qué es OpenCodex?

OpenCodex es un proxy local que traduce las solicitudes del entorno de Codex hacia otros backends. Según la documentación del proyecto, puede trabajar con proveedores OpenAI-compatibles, servicios basados en la Messages API de Anthropic y una larga lista de integraciones adicionales. Su función no es reemplazar la app, sino colocarse entre Codex y el modelo elegido para redirigir el tráfico.

Esto es posible porque Codex utiliza configuración local en ~/.codex/config.toml, un archivo que comparte con otros componentes del ecosistema. OpenCodex aprovecha esa capa para apuntar las solicitudes a una dirección local, normalmente http://127.0.0.1:10100/v1, y desde ahí resolverlas hacia el proveedor o modelo configurado.

Conviene subrayar algo importante: OpenCodex no es una herramienta oficial de OpenAI. Es un proyecto independiente, mantenido por la comunidad, y su comportamiento puede variar conforme cambian Codex, los proveedores compatibles o las políticas de acceso de terceros.

¿Por qué puede ser útil?

La principal ventaja de OpenCodex es que amplía el rango de modelos que se pueden usar desde una interfaz ya conocida. En lugar de depender solo del backend nativo, el usuario puede probar modelos locales o servicios externos sin abandonar el entorno de Codex.

Esto abre varios escenarios prácticos. El primero es la privacidad, porque parte del flujo puede resolverse en un backend propio. El segundo es el control, ya que permite elegir modelos, proveedores y rutas distintas para cada caso. El tercero es la evaluación comparativa, porque facilita contrastar cómo responden distintos modelos ante tareas similares de edición, razonamiento o uso de herramientas. Para quienes ya exploran usos prácticos de modelos de lenguaje local, esta integración puede convertirse en una capa especialmente útil.

¿Cómo se instala realmente?

La instalación es sencilla, pero conviene evitar una confusión frecuente: ocx init no inicia el proxy. El flujo más práctico consiste en instalar el paquete, arrancar el servicio local y luego ejecutar la configuración guiada.

npm install -g @bitkyc08/opencodex
ocx start
ocx init

OpenCodex requiere, en términos generales, Node 18 o superior. Una vez levantado, expone un panel en http://localhost:10100, desde el que se pueden añadir proveedores, administrar modelos y revisar el estado del servicio.

Durante la configuración, OpenCodex puede modificar la configuración de Codex para que el tráfico pase por el proxy local. En la práctica, eso suele implicar claves como openai_base_url y, según el caso, también un catálogo local de modelos que luego puede aparecer en el selector de la interfaz.

Si además se busca mejorar estabilidad, contexto y rendimiento antes de conectarlos a Codex, conviene revisar la guía para optimizar modelos locales en Ollama, LM Studio y llama.cpp, ya que la calidad de la experiencia final depende tanto del proxy como del backend que haya detrás.

¿Qué entornos y proveedores puede usar?

OpenCodex ofrece soporte directo o documentado para varias rutas de inferencia. Entre las más comunes están:

• Ollama
• vLLM
• LM Studio
• Endpoints OpenAI-compatibles
• Servicios compatibles con Anthropic Messages

Además, puede trabajar con máquinas remotas dentro de una red privada, servicios gateway y otros proveedores externos. En ese sentido, su valor no se limita a “usar IA local”, sino a convertir a Codex en una capa capaz de hablar con más de un backend.

¿Qué modelos funcionan mejor?

Aquí conviene ser preciso. OpenCodex puede enrutar solicitudes hacia muchos modelos, pero eso no significa que todos funcionen igual de bien dentro de Codex. La compatibilidad real depende de si el modelo maneja bien el formato de herramientas, las respuestas estructuradas, el streaming y las llamadas encadenadas que exige el flujo de trabajo de Codex.

En pruebas compartidas por terceros, modelos como GLM-5.3-Flash y Qwen3.8 27B mostraron un comportamiento sólido, mientras que otros como MiniMax M3 tuvieron más dificultades con ciertas llamadas de herramientas. Eso no vuelve inviable al modelo, pero sí sugiere que algunos backends responden mejor que otros cuando se les pide actuar como agente de programación y no solo como chatbot.

Por eso, más que hablar de compatibilidad total, lo correcto es decir que la experiencia varía según el modelo y el proveedor. Si un modelo responde bien en chat pero falla en ediciones, búsquedas o acciones encadenadas, el problema suele estar en la forma en que interpreta herramientas, no necesariamente en OpenCodex.

¿Qué cambia en la configuración de Codex?

Una de las claves del funcionamiento de OpenCodex es que no necesita modificar de manera agresiva la aplicación. En lugar de eso, usa la configuración de Codex para redirigir la comunicación hacia el proxy local y, cuando corresponde, cargar un catálogo de modelos adicional.

Eso permite que los modelos configurados aparezcan en la experiencia de Codex sin necesidad de abrir otro cliente. Aun así, es importante hacer un reinicio completo de ChatGPT Desktop después de cambiar la configuración o el catálogo, porque el selector de modelos puede depender del estado cargado al arrancar la aplicación.

También conviene evitar una promesa demasiado rotunda sobre las actualizaciones. Como OpenCodex funciona como capa intermedia, suele tolerar mejor los cambios de versión que una modificación directa de la app, pero no está exento de rupturas si el cliente o los protocolos cambian de forma relevante.

¿Qué limitaciones conviene tener presentes?

La primera es que no todo el flujo tiene por qué permanecer cien por ciento local. Algunas capacidades, como visión o búsqueda web, pueden resolverse a través de servicios auxiliares o sidecars si el modelo elegido no las soporta por sí solo. En otros casos, estas funciones pueden reconfigurarse hacia proveedores alternativos. Todo depende de la instalación concreta.

La segunda es que algunos modelos aceptan el endpoint y aun así fallan en el uso real de herramientas. Para tareas sencillas eso puede pasar desapercibido, pero en edición de código, lectura de archivos y acciones encadenadas sí se nota con rapidez.

La tercera es que la integración no siempre se refleja de inmediato en el selector visual. Según la versión de Codex o de ChatGPT Desktop, puede ser necesario reiniciar por completo, refrescar el catálogo o volver a cargar el proxy para que los modelos añadidos aparezcan correctamente.

También vale la pena considerar el contexto de uso. Para quienes ya aprovechan funciones como ChatGPT Voice en escritorio, la coexistencia entre herramientas locales, modelos externos y componentes nativos puede enriquecer mucho el flujo de trabajo, pero exige una configuración más consciente.

¿Qué ventajas ofrece en el uso diario?

Cuando funciona bien, OpenCodex ofrece beneficios concretos. Permite aprovechar hardware propio, usar proveedores alternativos desde una sola interfaz, reducir dependencia de un único backend y evaluar distintos modelos sin cambiar de flujo de trabajo. También añade un panel local útil para revisar actividad, solicitudes y uso general del servicio.

Para quien ya trabaja con Ollama, LM Studio o vLLM, la integración puede ser especialmente atractiva, porque conecta ese ecosistema local con una experiencia de escritorio más pulida y familiar.

Conclusión

OpenCodex no convierte mágicamente a ChatGPT Desktop en un cliente universal de modelos, pero sí amplía de forma notable lo que puede hacer Codex dentro de la aplicación. Su fortaleza está en funcionar como proxy local y en aprovechar la configuración compartida del entorno para enrutar solicitudes hacia modelos locales o proveedores externos compatibles.

La idea de usar Qwen, GLM, MiniMax u otros modelos desde la experiencia de Codex es real y viable, siempre que se entienda bien el alcance de la integración. No todos los modelos rinden igual, no todo el flujo es necesariamente local y algunas funciones avanzadas dependen de la configuración exacta. Aun con esas reservas, OpenCodex es hoy una de las rutas más interesantes para ampliar Codex sin abandonar la interfaz oficial.