OpenAI kanthi tenang nyuda jendela konteks kerja kanggo agen kode Codex lan kulawarga model GPT-5.6 sing ndasari, nyuda watesan sing bisa digunakake saka kira-kira 372.000 token dadi 272.000 token. Owah-owahan kasebut, muncul liwat panjaluk tarik gabungan ing gudang Codex sumber terbuka perusahaan, wis narik reaksi sing cetha saka pangembang sing gumantung ing konteks gedhe kanggo nganalisa kabeh basis kode ing siji pass.
Penyesuaian kasebut nggambarake ketegangan sing akrab ing industri AI, ing ngendi perusahaan ngimbangi biaya inferensi konteks sing dawa karo kenyamanan sing ditawakake pangguna. Kanggo [jangkoan industri AI] paling anyar (https://aibuzzwire.news), pamindhahan kasebut nandheske kepiye owah-owahan cilik ing metadata model bisa nyebabake jutaan alur kerja pangembang.
Apa sing diganti lan ing ngendi iku katon
Pangurangan kasebut katon ing file metadata model bundled gudang Codex, `codex-rs/models-manager/models.json`. Panjaluk tarik kanthi irah-irahan "Metadata model sing dibundel Backport dadi 0.144," sing ditulis dening insinyur OpenAI sayan-oai lan digabung tanggal 18 Juli 2026, nyegerake metadata sing digunakake klien Codex stabil kanggo mangerteni kemampuan saben model.
Berkas saiki nuduhake nilai `context_window` saka 272.000 token ing jajaran GPT-5.6, kalebu varian GPT-5.6-Sol, GPT-5.6-Terra, lan GPT-5.6-Luna, uga entri GPT-5.5 lan GPT-5.2 lawas. Miturut diskusi babagan Hacker News, ing ngendi owah-owahan kasebut narik luwih saka 350 upvotes, watesan kerja sadurunge kira-kira 372.000 token. Sawetara model duwe `max_context_window` sing luwih dhuwur nganti siji yuta token, nanging jendhela standar sing dijaluk klien saiki nganti 272.000.
Bedane sing penting. Jendhela konteks maksimal nggambarake apa sing bisa ditampa kanthi teori model, dene `context_window` sing digunakake yaiku sing dikonfigurasi klien Codex kanggo dikirim kanthi standar. Ing laku, iku tegese pangembang sing sadurunge wis dipakani agen atusan ewu token kode sumber saiki bakal mencet langit-langit cepet.
Napa konteks dawane penting kanggo agen kodhe
Kanggo agen pengkodean kaya Codex, jendhela konteks dudu metrik vanity. Iki nemtokake jumlah repositori model sing bisa "ndeleng" sanalika nalika mikir babagan bug, ngasilake fitur, utawa refactoring modul. Penurunan 100.000-token tegese kira-kira 75.000 tembung kode, komentar, lan dokumentasi sing dimuat ing siji pituduh.
Ing istilah donya nyata, sing bisa dadi prabédan antarane agen ngerti kabeh microservice end-to-end lan kudu operate kanthi tampilan parsial, dipotong. Pangembang sing nggarap monorepos gedhe utawa nindakake migrasi lintas-file sing nyapu sing paling kena pengaruh, amarga tugase gumantung kanggo nyekel akeh file ing konteks bebarengan.
Owah-owahan teka minangka alat coding agen saingan kanthi agresif babagan konteks sing bisa ditangani. Saingan wis dipasarake windows konteks gedhe tenan minangka titik sade utama, framing kemampuan kanggo ingest codebases kabèh minangka path menyang rekayasa piranti lunak otonom asli. Pullback OpenAI nyepetake celah kasebut ing tingkat standar.
Biaya, kualitas, lan ekonomi konteks dawa
Motivasi sing mungkin yaiku biaya. Konteks sing luwih dawa luwih larang kanggo diproses, ing komputasi lan latensi, amarga model kasebut kudu ngrampungake saben token ing input. Tingkat kegagalan "jarum ing tumpukan jerami" sing dhuwur uga cenderung nyusup minangka konteks, tegese model kadhangkala ora kejawab informasi sing dikubur kanthi cepet. Mbusak jendhela gawan bisa nyuda masalah akurasi iki nalika trimming inferensi mbuwang.
OpenAI ora nerbitake woro-woro kapisah sing nerangake pengurangan kasebut. Pangowahan kasebut mung liwat refresh metadata lan backport menyang baris rilis 0.144, yaiku cabang sing dikirim menyang pangguna Codex non-alpha. Peluncuran profil rendah kasebut dhewe: keputusan sing langsung mengaruhi produktivitas pangembang dikomunikasikake liwat kode diff tinimbang kiriman blog utawa changelog.
Kanggo tim, implikasi praktis langsung. Tugas sing sadurunge pas ing pass konteks siji saiki mbutuhake karya pamisahan dadi potongan cilik, njupuk file sing relevan kanthi luwih selektif, utawa nrima yen agen nduweni tampilan sing luwih sempit. Sawetara pangembang bisa ngubengi watesan kasebut kanthi ngandelake `max_context_window` sing luwih dhuwur yen kasedhiya, sanajan nindakake iki biasane mbutuhake konfigurasi sing jelas.
Pola pangaturan sing luwih jembar
Potongan konteks Codex cocog karo pola industri sing luwih akeh ing ngendi lab AI nyetel paramèter model ing antarane peluncuran judhul. Ukuran jendhela, watesan tarif, lan prilaku standar asring diatur liwat nganyari infrastruktur sing ora tau tekan siaran pers. Pangembang sing gumantung ing sistem iki saya akeh nonton repositori lan respon API kanggo sinyal awal.
Pamindhahan OpenAI uga nyoroti jurang antarane marketing lan kasunyatan. Model bisa uga ndhukung dawa konteks judhul, nanging jendhela efektif sing diungkapake produk bisa dadi luwih cilik, dibentuk saka keputusan biaya sing ditindakake panyedhiya kanggo pangguna.
Tetep Ahead saka AI
Paramèter model terus owah, lan alat sing gumantung ing pangembang bisa diganti sewengi. Kanggo nglaporake pas wektune babagan rilis, owah-owahan kapabilitas, lan ekonomi AI perbatasan, tindakake kabar AI anyar ing AI Buzz Wire.
Waca liyane warta AI →
