OpenAI Secara Diam-diam Memotong Tetingkap Konteks Codex Daripada 372K kepada 272K Token, Pembangun Mengecewakan

OpenAI secara senyap-senyap telah mengurangkan tetingkap konteks kerja untuk ejen pengekodan Codex dan keluarga model GPT-5.6 yang mendasari, mengurangkan had boleh guna daripada kira-kira 372,000 token kepada 272,000 token. Perubahan itu, muncul melalui permintaan tarik gabungan pada repositori Codex sumber terbuka syarikat, telah mendapat reaksi tajam daripada pembangun yang bergantung pada konteks besar untuk menganalisis keseluruhan pangkalan kod dalam satu laluan.

Pelarasan itu mencerminkan ketegangan biasa dalam industri AI, di mana syarikat mengimbangi kos inferens konteks panjang terhadap kemudahan yang ditawarkannya kepada pengguna. Untuk [liputan industri AI] terbaharu (https://aibuzzwire.news), langkah itu menekankan bagaimana perubahan kecil pada metadata model boleh merentas berjuta-juta aliran kerja pembangun.

Apa yang berubah dan di mana ia dikesan

Pengurangan menjadi kelihatan dalam fail metadata model yang digabungkan repositori Codex, `codex-rs/models-manager/models.json`. Permintaan tarik bertajuk "Metadata model terpaket disegarkan semula kepada 0.144," yang dikarang oleh jurutera OpenAI sayan-oai dan digabungkan pada 18 Julai 2026, menyegarkan semula metadata yang digunakan oleh pelanggan Codex yang stabil untuk memahami keupayaan setiap model.

Fail semasa menunjukkan nilai `context_window` sebanyak 272,000 token merentas barisan GPT-5.6, termasuk varian GPT-5.6-Sol, GPT-5.6-Terra dan GPT-5.6-Luna, serta entri GPT-5.5 dan GPT-5.2 yang lebih lama. Menurut perbincangan mengenai Berita Hacker, di mana perubahan itu menarik lebih daripada 350 undian naik, had kerja sebelumnya adalah kira-kira 372,000 token. Sesetengah model mengekalkan `max_context_window` yang lebih tinggi sehingga satu juta token, tetapi tetingkap lalai yang sebenarnya diminta oleh pelanggan kini dihadkan kepada 272,000.

Perbezaan itu penting. Tetingkap konteks maksimum mewakili perkara yang boleh diterima secara teori oleh model, manakala `context_window` yang berfungsi ialah perkara yang dikonfigurasikan oleh klien Codex untuk dihantar secara lalai. Dalam amalan, ini bermakna pemaju yang sebelum ini memberi ejen ratusan ribu token kod sumber kini akan mencapai siling lebih awal.

Mengapa panjang konteks penting untuk ejen pengekodan

Untuk ejen pengekodan seperti Codex, tetingkap konteks bukanlah metrik sia-sia. Ia menentukan berapa banyak repositori yang model boleh "lihat" sekali gus apabila membuat alasan tentang pepijat, menjana ciri atau memfaktorkan semula modul. Penurunan 100,000 token bermakna lebih kurang 75,000 perkataan kod, ulasan dan dokumentasi dimuatkan ke dalam satu gesaan.

Dalam istilah dunia nyata, itu boleh menjadi perbezaan antara ejen yang memahami keseluruhan perkhidmatan mikro hujung ke hujung dan perlu beroperasi dengan pandangan terpotong separa. Pembangun yang bekerja pada monorepos besar atau melakukan migrasi merentas fail adalah yang paling terjejas, kerana tugas mereka bergantung pada memegang banyak fail dalam konteks secara serentak.

Perubahan itu berlaku apabila alat pengekodan agen bersaing secara agresif tentang berapa banyak konteks yang boleh dikendalikan oleh mereka. Saingan telah memasarkan tetingkap konteks yang besar sebagai titik jualan utama, merangka keupayaan untuk menelan keseluruhan pangkalan kod sebagai laluan ke arah kejuruteraan perisian autonomi yang tulen. Penarikan balik OpenAI mengecilkan jurang itu pada tahap lalai.

Kos, kualiti dan ekonomi konteks yang panjang

Motivasi yang mungkin adalah kos. Konteks yang lebih panjang secara dramatik lebih mahal untuk diproses, dalam pengiraan dan kependaman, kerana model mesti hadir ke atas setiap token dalam input. Kadar kegagalan "jarum dalam timbunan jerami" yang tinggi juga cenderung menjalar apabila konteks meregang, bermakna model kadangkala terlepas maklumat yang terkubur jauh dalam gesaan yang panjang. Mengehadkan tetingkap lalai boleh mengurangkan isu ketepatan ini sambil mengurangkan perbelanjaan inferens.

OpenAI tidak menerbitkan pengumuman berasingan yang menjelaskan pengurangan itu. Perubahan berlaku hanya melalui muat semula metadata dan backport ke baris keluaran 0.144, yang merupakan cawangan yang dihantar kepada kebanyakan pengguna Codex bukan alpha. Pelancaran berprofil rendah itu sendiri ketara: keputusan yang secara langsung mempengaruhi produktiviti pembangun telah disampaikan melalui perbezaan kod dan bukannya catatan blog atau log perubahan.

Bagi pasukan, implikasi praktikal adalah mudah. Tugasan yang sebelum ini dimuatkan dalam pas konteks tunggal kini mungkin memerlukan pembahagian kerja kepada bahagian yang lebih kecil, mendapatkan semula fail yang berkaitan dengan lebih selektif atau menerima bahawa ejen mempunyai medan pandangan yang lebih sempit. Sesetengah pembangun mungkin membuat laluan sekitar had dengan bergantung pada `max_context_window` yang lebih tinggi jika tersedia, walaupun berbuat demikian biasanya memerlukan konfigurasi yang jelas.

Corak pelarasan senyap yang lebih luas

Potongan konteks Codex sesuai dengan corak industri yang lebih luas di mana makmal AI menala parameter model mereka antara pelancaran tajuk utama. Saiz tetingkap, had kadar dan gelagat lalai sering dilaraskan melalui kemas kini infrastruktur yang tidak pernah sampai ke siaran akhbar. Pembangun yang bergantung pada sistem ini semakin menonton repositori asas dan tindak balas API untuk isyarat awal.

Langkah OpenAI juga menyerlahkan jurang antara pemasaran dan realiti. Model mungkin menyokong panjang konteks tajuk, tetapi tetingkap berkesan yang sebenarnya didedahkan produk boleh menjadi jauh lebih kecil, dibentuk oleh keputusan kos yang dibuat oleh penyedia bagi pihak pengguna.

Kekal Mendahului AI

Parameter model sentiasa berubah, dan alat yang bergantung kepada pembangun boleh berubah dalam sekelip mata. Untuk pelaporan tepat pada masanya tentang keluaran, perubahan keupayaan dan ekonomi AI sempadan, ikuti berita terbaharu AI di AI Buzz Wire.

Baca lebih banyak berita AI →