Codex 支持 1M 上下文了，为什么评论第一条却是“别开”？

看起来有点反直觉：上下文窗口更大，按理说应该更强。但对 Codex 来说，1M 不是一个只要打开就稳赚的“性能按钮”，而是一个需要付出成本、延迟和稳定性代价的长任务档位。

所以这篇文章不只讲怎么把 GPT-5.6 Sol 的上下文调到 100 万 Token，也想把那句“别开”背后的理由讲清楚：什么时候 1M 真能帮你，什么时候默认配置反而更合适。

这次到底发生了什么？

8 月 17 日，Tibo Sottiaux 发布了 Codex 的 1M 上下文配置说明。截图里最关键的信息有两条：GPT-5.6 Sol 的文档窗口是 1,050,000 Token；Codex 则可以把可用上下文预算设为 1,000,000 Token。

这意味着，1M 不是“把模型换成了一个新模型”，而是调整 Codex 在一次会话里保留多少代码、工具结果和历史对话。上下文越大，模型越晚需要把旧内容压缩成摘要。

这里有一个容易被忽略的细节：上下文窗口不是模型的记忆，也不是永久存储。 会话结束后，模型不会因为窗口变大就自动记住项目；窗口只是当前请求能够携带的材料上限。

怎么开启 1M？

方式一：写入用户级配置

打开 ~/.codex/config.toml，把下面配置放在任何 [section] 之前：

model = "gpt-5.6-sol"
model_context_window = 1000000
model_auto_compact_token_limit = 900000

三项配置分别表示：选择模型、设置上下文预算、在接近 90 万 Token 时开始自动压缩历史内容。保存后重启 Codex，并新建一个 Session。

方式二：只对一次 CLI 会话生效

如果只是想试一试，可以临时传参，不改变默认配置：

codex -m gpt-5.6-sol \
  -c model_context_window=1000000 \
  -c model_auto_compact_token_limit=900000

这段命令来自用户提供的截图和参考文章。不同版本客户端的参数支持可能变化，实际使用前请以当前 Codex 配置参考为准。

1M 上下文，真正改变的是什么？

1. 更晚触发自动压缩

Codex 的会话材料不只有你的问题，还包括读过的文件、工具调用结果、终端输出和之前的修改记录。窗口较小时，系统需要更早把旧内容压缩成摘要；窗口扩大后，可以把更多原始材料留在当前上下文里。

对长任务来说，这很重要。摘要通常能保留结论，却不一定保留每一处变量名、报错细节和被否决的方案。上下文越早被压缩，后续越可能出现“明明前面说过，怎么又问一遍”的情况。

2. 更适合跨文件、跨模块工作

当任务需要同时理解 API、数据库层、测试、部署脚本和文档时，1M 能降低频繁切换和重复补充背景的需要。它不会替你建立架构图，但能让模型在同一轮工作里看到更完整的证据链。

3. 代价也会随之放大

更大的窗口不是免费的性能开关。输入材料更多，处理成本和延迟都可能增加；而且把大量无关日志、生成文件和重复内容塞进上下文，会让模型更难抓住真正重要的部分。

参考文章提到，GPT-5.6 Sol API 在超过 272K Token 后，输入价格和输出价格会进入更高的计价档位。但这不能直接换算成 ChatGPT 或 Codex 的套餐额度消耗，二者不是同一套公开计费口径。能确定的只有一点：更大的上下文有成本，默认值不是随便设的。

1M 的优点，不只是“能装更多”

长任务更连贯。 连续数小时的重构、调试和测试，少一些上下文断档。

少做重复说明。 不必每隔一段时间重新粘贴目录结构、约束条件和关键报错。

更适合复杂代码库。 当一个改动牵涉多个服务和配置文件时，保留更长的证据链有助于减少局部最优。

但这些收益都有前提：上下文里的内容必须有用。1M 不是“把整个硬盘扔给模型”，更不是替代检索、分层阅读和清理日志的理由。长任务中，主动丢弃过时信息，往往比单纯扩大窗口更重要。

1M 的缺点，上下文容易污染

旧信息会一直留在场内。 长会话里，过时的需求、已经改掉的变量名、失败的排查方向和临时决定，都可能继续占用上下文。它们未必马上造成错误，却会让模型在后续判断时把“曾经成立”误当成“现在仍然成立”。

工具输出会放大噪声。 一次完整的构建日志、测试报告或批量搜索结果，可能比真正需要关注的几行信息长得多。窗口变大以后，这些内容更容易被保留下来，注意力却不会同步变多。

污染会产生路径依赖。 前面一次错误假设如果没有明确纠正，后面的代码修改可能继续围绕它展开；会话越长，纠偏成本越高。这也是为什么 1M 不等于“把所有历史都留下来”。

成本与延迟可能上升。 输入材料更多，处理成本和等待时间都可能增加，具体影响取决于模型、账户、客户端和任务内容。

压缩只是推迟，不是消失。 设置 900000 只是让自动压缩在接近上限时发生。长会话最终仍会进入压缩或总结阶段；如果上下文已经被污染，压缩还可能把错误信息一起总结进去。

配置错误会带来误判。 只有支持足够窗口的模型才适合这样设置；如果模型、客户端或账号不支持，参数不会凭空创造 1M 能力。

普通任务和长任务，怎么选？

可以用下面这张“够不够长”清单做决定：

场景	建议	原因
改一个函数、解释一段代码	默认	上下文很快就够用
写一个独立脚本或小功能	默认	1M 的额外成本难以抵消
跨多个服务做重构	试用 1M	需要同时保留更多依赖关系
长时间调试，终端输出密集	试用 1M	减少早期压缩造成的细节丢失
一次性导入整个仓库	不建议直接拉满	先筛选入口、依赖和相关模块
需要严格控制预算或延迟	默认	可预测性更重要

我的建议很简单：重构和大型任务中，如果频繁触发自动压缩，就开启 1M 如果没有遇到过早压缩、反复补背景或跨文件遗忘，开 1M 只是增加变量；如果这些问题已经明显影响工作，再用单次 CLI 参数试跑一个真实长任务。

最后：1M 是选择，不是答案

Codex 支持 1M 上下文，真正的意义不是把“越大越好”写进默认设置，而是让用户多了一个控制长任务的档位。

对小任务，默认配置往往已经足够；对复杂工程，1M 可能让一次会话更连贯。但它不会修复糟糕的任务拆分，也不会替代清晰的目标、可靠的测试和必要的人工判断。

把上下文当成预算，而不是仓库。需要时打开，完成后复盘，这比永远追求最大数字更接近高效使用 Codex 的方式。

资料来源

1. OpenAI Developers，GPT-5.6 Sol Model：https://developers.openai.com/api/docs/models/gpt-5.6-sol
2. OpenAI Developers，Codex Configuration Reference：https://developers.openai.com/codex/config-reference
3. OpenAI Developers，ChatGPT & Codex changelog：https://developers.openai.com/codex/changelog