OpenAI ने त्याच्या कोडेक्स कोडींग एजंट आणि अंतर्निहित GPT-5.6 मॉडेल फॅमिली साठी कार्यरत संदर्भ विंडो शांतपणे कमी केली आहे, वापरण्यायोग्य मर्यादा अंदाजे 372,000 टोकन वरून 272,000 टोकन पर्यंत कमी केली आहे. कंपनीच्या ओपन-सोर्स कोडेक्स रेपॉजिटरीवर विलीन केलेल्या पुल विनंतीद्वारे समोर आलेला हा बदल, एका पासमध्ये संपूर्ण कोडबेसचे विश्लेषण करण्यासाठी मोठ्या संदर्भांवर अवलंबून असलेल्या विकासकांकडून तीव्र प्रतिक्रिया उमटल्या आहेत.
समायोजन AI उद्योगातील एक परिचित तणाव प्रतिबिंबित करते, जेथे कंपन्या वापरकर्त्यांना प्रदान केलेल्या सोयींच्या तुलनेत दीर्घ-संदर्भ अनुमानांच्या खर्चाचा समतोल राखतात. नवीनतम AI इंडस्ट्री कव्हरेज साठी, मॉडेल मेटाडेटामधील लहान बदल देखील लाखो डेव्हलपर वर्कफ्लोमध्ये कसे तरंगू शकतात हे अधोरेखित करते.
काय बदलले आणि कुठे दिसले
कपात कोडेक्स रेपॉजिटरीच्या बंडल केलेल्या मॉडेल मेटाडेटा फाइलमध्ये दृश्यमान झाली, `codex-rs/models-manager/models.json`. OpenAI अभियंता sayan-oai द्वारे लेखक आणि 18 जुलै 2026 रोजी विलीन झालेल्या "बॅकपोर्ट रिफ्रेश बंडल्ड मॉडेल मेटाडेटा 0.144" शीर्षकाच्या पुल विनंतीने मेटाडेटा रीफ्रेश केला जो स्थिर कोडेक्स क्लायंट प्रत्येक मॉडेलच्या क्षमता समजून घेण्यासाठी वापरतात.
सध्याची फाईल GPT-5.6 लाइनअपवर 272,000 टोकन्सचे `संदर्भ_विंडो` मूल्य दर्शवते, ज्यामध्ये GPT-5.6-सोल, GPT-5.6-Terra, आणि GPT-5.6-Luna रूपे, तसेच जुन्या GPT-5.5 आणि GPT-5.2 नोंदी आहेत. हॅकर न्यूजवरील चर्चेनुसार, जेथे बदलाला 350 पेक्षा जास्त अपव्होट मिळाले, पूर्वीची कार्य मर्यादा अंदाजे 372,000 टोकन होती. काही मॉडेल्स एक दशलक्ष टोकन्सची उच्च `max_context_window` राखून ठेवतात, परंतु क्लायंट प्रत्यक्षात विनंती करत असलेली डीफॉल्ट विंडो आता 272,000 पर्यंत पोहोचते.
तो भेद महत्त्वाचा. कमाल संदर्भ विंडो मॉडेल सैद्धांतिकदृष्ट्या काय स्वीकारू शकते हे दर्शवते, तर कार्यरत `संदर्भ_विंडो` हे कोडेक्स क्लायंटने डीफॉल्टनुसार पाठवण्यासाठी कॉन्फिगर केलेले असते. व्यवहारात, याचा अर्थ असा की जे विकासक पूर्वी एजंटला शेकडो हजारो टोकन स्त्रोत कोड पुरवत होते ते आता लवकरच कमाल मर्यादा गाठतील.
कोडिंग एजंटसाठी संदर्भ लांबी का महत्त्वाची आहे
कोडेक्स सारख्या कोडिंग एजंटसाठी, संदर्भ विंडो व्हॅनिटी मेट्रिक नाही. बगबद्दल तर्क करताना, वैशिष्ट्य निर्माण करताना किंवा मॉड्यूल रिफॅक्टर करताना मॉडेल एकाच वेळी किती रेपॉजिटरी "पाहू" शकते हे ते निर्धारित करते. 100,000-टोकन ड्रॉप म्हणजे कोड, टिप्पण्या आणि कागदपत्रांचे अंदाजे 75,000 कमी शब्द एकाच प्रॉम्प्टमध्ये लोड केले जातात.
वास्तविक-जगातील अटींमध्ये, एजंटला संपूर्ण मायक्रोसर्व्हिस एंड-टू-एंड समजणे आणि आंशिक, कापलेल्या दृश्यासह ऑपरेट करणे आवश्यक आहे यात फरक असू शकतो. मोठ्या मोनोरेपोसवर काम करणारे किंवा स्वीपिंग क्रॉस-फाइल स्थलांतर करणारे डेव्हलपर सर्वाधिक प्रभावित होतात, कारण त्यांची कार्ये एकाच वेळी अनेक फाइल्स संदर्भात ठेवण्यावर अवलंबून असतात.
एजंटिक कोडिंग टूल्स ते किती संदर्भ हाताळू शकतात यावर आक्रमकपणे स्पर्धा करतात म्हणून हा बदल येतो. अस्सल स्वायत्त सॉफ्टवेअर अभियांत्रिकीकडे जाण्याचा मार्ग म्हणून संपूर्ण कोडबेस अंतर्भूत करण्याची क्षमता तयार करून प्रतिस्पर्ध्यांनी एक प्रमुख विक्री बिंदू म्हणून प्रचंड संदर्भ विंडोचे विपणन केले आहे. OpenAI चे पुलबॅक डीफॉल्ट स्तरावर ते अंतर कमी करते.
किंमत, गुणवत्ता आणि दीर्घ संदर्भाचे अर्थशास्त्र
संभाव्य प्रेरणा खर्च आहे. दीर्घ संदर्भांवर प्रक्रिया करणे नाटकीयरित्या अधिक महाग आहे, गणना आणि विलंब दोन्ही, कारण मॉडेलने इनपुटमधील प्रत्येक टोकनवर उपस्थित असणे आवश्यक आहे. उच्च "सुई इन अ हॅस्टॅक" अयशस्वी दर देखील संदर्भ वाढवताना रेंगाळतात, याचा अर्थ मॉडेल्स कधीकधी दीर्घ प्रॉम्प्टमध्ये खोलवर दडलेली माहिती गमावतात. डीफॉल्ट विंडो कॅप केल्याने अनुमान खर्च ट्रिम करताना या अचूकतेच्या समस्या कमी होऊ शकतात.
OpenAI ने कपात स्पष्ट करणारी वेगळी घोषणा प्रकाशित केली नाही. बदलाचा प्रवास फक्त मेटाडेटा रिफ्रेश आणि बॅकपोर्ट द्वारे 0.144 रिलीझ लाइनवर झाला, जी बहुतेक नॉन-अल्फा कोडेक्स वापरकर्त्यांना पाठवलेली शाखा आहे. ते लो-प्रोफाइल रोलआउट स्वतःच लक्षणीय आहे: विकसक उत्पादकतेवर थेट परिणाम करणारा निर्णय ब्लॉग पोस्ट किंवा चेंजलॉग ऐवजी कोड डिफद्वारे संप्रेषित केला गेला.
संघांसाठी, व्यावहारिक अर्थ सरळ आहे. पूर्वी एका संदर्भ पासमध्ये बसणारी कार्ये आता लहान भागांमध्ये कार्य विभाजित करणे, संबंधित फाइल्स अधिक निवडकपणे पुनर्प्राप्त करणे किंवा एजंटचे दृश्य क्षेत्र कमी आहे हे स्वीकारणे आवश्यक असू शकते. काही डेव्हलपर उपलब्ध असलेल्या उच्च `max_context_window` वर अवलंबून राहून मर्यादेच्या आसपास मार्गक्रमण करू शकतात, जरी असे करण्यासाठी सामान्यत: स्पष्ट कॉन्फिगरेशन आवश्यक असते.
शांत समायोजनांचा एक विस्तृत नमुना
कोडेक्स कॉन्टेक्स्ट कट एका व्यापक इंडस्ट्री पॅटर्नमध्ये बसतो ज्यामध्ये AI लॅब्स हेडलाइन लॉन्च दरम्यान त्यांच्या मॉडेल्सचे पॅरामीटर्स ट्यून करतात. विंडो आकार, दर मर्यादा आणि डीफॉल्ट वर्तन वारंवार इन्फ्रास्ट्रक्चर अपडेट्सद्वारे समायोजित केले जातात जे कधीही प्रेस रिलीजपर्यंत पोहोचत नाहीत. या प्रणालींवर अवलंबून असलेले विकसक लवकर सिग्नलसाठी अंतर्निहित रेपॉजिटरीज आणि API प्रतिसाद अधिक प्रमाणात पाहतात.
ओपनएआयचे पाऊल विपणन आणि वास्तव यांच्यातील अंतर देखील अधोरेखित करते. मॉडेल हेडलाइन संदर्भ लांबीचे समर्थन करू शकते, परंतु उत्पादने प्रत्यक्षात उघडकीस आणणारी प्रभावी विंडो बऱ्याच प्रमाणात लहान असू शकते, ज्याचा आकार वापरकर्त्यांच्या वतीने प्रदाते घेतलेल्या किंमतीच्या निर्णयांद्वारे आकारला जातो.
AI च्या पुढे रहा
मॉडेल पॅरामीटर्स सतत बदलतात आणि विकसक ज्या साधनांवर अवलंबून असतात ते रात्रभर बदलू शकतात. प्रकाशन, क्षमता बदल आणि सीमावर्ती AI च्या अर्थशास्त्रावर वेळेवर अहवाल देण्यासाठी, AI Buzz Wire वर ब्रेकिंग एआय न्यूज चे अनुसरण करा.
अधिक एआय बातम्या वाचा →
