什么值得买App下载 App ›
连续签到专享现金活动

GPT-5.6 Sol百万上下文实测:长文档处理效率翻倍指南

GPT-5.6 Sol 的原生上下文窗口是 1,050,000 tokens,折算成汉字大概相当于 500 万字——足够把四大名著来回读六遍还有余。但默认情况下,Codex 只给 235K。中间差了快四倍的空间,就这么锁着没人用。1
这不是 bug,是 OpenAI 刻意为之的设计。上下文窗口越大,不代表实际体验越好。Codex 是个 Agent,不是聊天机器人。它运行时会产生指令、回复、代码、文件内容、Shell 输出、工具调用结果——这些东西全堆在上下文里,每次推理都要过一遍。塞得太满,速度和成本都会崩。
所以 1M 上下文更像是一张底牌,需要用的时候自己翻出来,不需要的时候就用默认的 235K。如何翻?三行配置,改一个文件,重启生效。
三行配置,把上下文撑到 100 万
找到配置文件。Mac 用户在终端输入:open ~/.codex/config.toml,Windows 用户用记事本打开 notepad ~/.codex/config.toml。本质就是在用户目录的 .codex 文件夹里找到 config.toml 这个文件。2
打开文件后,把这三行写到最开头——注意,必须放在所有 [section] 标题之前:
  • model = "gpt-5.6-sol"
    选定模型,告诉 Codex 用哪个版本跑
  • model_context_window = 1000000
    把上下文预算设为 100 万 tokens,不再默认压缩
  • model_auto_compact_token_limit = 900000
    到 90 万 tokens 时开始自动压缩,留 10 万余量
保存,完全退出 Codex,重新启动,开个新会话。这三步缺一不可——配置写进去但没重启,旧的进程不会读新文件;开了旧会话,历史上下文还在老窗口里。
不想改全局配置?临时试一次也行。Mac/Windows 通用,直接在终端敲:
codex -m gpt-5.6-sol -c model_context_window=1000000 -c model_auto_compact_token_limit=900000
这条命令只影响当前这一次会话,关掉窗口配置就没了。
3
100 万上下文到底能装多少东西
说数字可能没概念。换个说法:一个中大型前端项目,大概 50~80 个文件,平均每个文件 300 行代码,塞进去绰绰有余。更典型的场景是:多个版本的代码库同时比对、几个月前写的架构文档今天翻出来做重构、一整套测试报告和日志全扔进去让 AI 自己找根因——这些事在 235K 窗口下,要么塞不下,要么刚塞进去就开始被压缩,历史信息开始丢失。
100 万上下文的价值不是"装更多",而是减少压缩频率,让 AI 在更长时间跨度内保持记忆连贯性。Codex 的自动压缩本身做得很好,几乎无感知——但压缩本质上是摘要,摘要就会有信息损失。窗口开得越大,需要压缩的时刻越靠后,上下文的一致性保持得越完整。2
场景235K 默认窗口1M 开启后
50 文件前端项目勉强装下,开始压缩完整装入,无压缩
跨月调试会话早期代码被摘要,信息碎片化全程可追溯
大型重构需手动分阶段提交全量上下文一次性处理

不同上下文窗口下的实际表现对比

OpenAI 为什么默认不给你 1M
更大的窗口 = 更强的能力,也 = 更快的配额消耗。OpenAI 在 Codex 定价指南里写得很清楚:上下文大小直接影响 token 消耗量。100 万窗口每秒处理的信息量是 235K 的四倍多,相应的 API 计费也会更快。
这不是厂商小气,是成本结构决定的。Codex 的默认设置是在「性能」和「成本」之间取的平衡点,适合错误修复、功能开发、代码审查这类日常任务。不是每个会话都需要 100 万 tokens,开着它跑小任务,配额会悄悄流掉。1
所以 OpenAI 的策略是:能力给你,扳你自己拨。需要大窗口的场景自己申请,不需要的时候默认省着跑。这是面向专业用户的正确姿态——给工具,不给枷锁。
常见问题避坑指南
  • 配了 1M 但没重启 Codex——旧进程不读新配置,改完白改,必须完全退出再启动
  • 一直开着 1M 跑小任务——配额消耗速度翻几倍,日常开发用默认窗口就够,别把底牌当常态
  • 以为窗口越大 AI 越聪明——1M 是容纳能力的上限,不是智力上限,任务拆解和提示词质量才是关键
  • 忽略自动压缩阈值——90 万开始压缩是给系统留缓冲,不是让你逼近 100 万红线才开始紧张
什么时候该开 1M,什么时候不用
先说结论:日常开发用默认 235K 足够,开了反而浪费。修 bug、调功能、写单文件脚本、代码审查——这些场景上下文本来就长不到哪儿去,强行撑到 100 万只是让 AI 多处理一堆空位。
真正需要 1M 的场景有三个特征:项目大、周期长、信息杂。大型代码库重构,跨多个模块的调试会话,需要同时调用搜索、代码执行、文件读写等多个工具的长链任务——这些时候 100 万窗口能显著减少「上下文断裂」带来的重复劳动。
一个判断标准:当你发现自己需要手动分段提交任务、或者 AI 开始「忘记」前面说过什么的时候,再去开 1M。而不是一开始就开着赌它更准。
GPT-5.6 Sol 的 1M 上下文窗口是一把专业级扳手,用对场景能省大量时间,用错地方只是给自己交学费。记住这个原则:按需开启,用完即关。

评论

评论区空态插画

当前文章无评论,是时候发表评论了