OpenAI Codex 上下文窗口缩减与系统提示词更新

OpenAI 已将 Codex 模型的上下文窗口从 372,000 个 token 缩减至 272,000 个 token。通过 GitHub pull request 发现的这一变化，似乎是为了管理注意力机制的二次方缩放成本，同时在系统提示词中增加了新的安全约束，以防止灾难性的文件系统错误。

上下文窗口从 372k 缩减至 272k

Codex 模型的最大上下文容量已被降低至 272k token。这种缩减很可能是由处理长序列的计算成本驱动的。

正如社区成员所指出的，纯二次方注意力机制意味着 372k 处的 token 成本显著更高——比 272k 处的 token 成本高出约 87%。这在 token 处理成本、上下文压缩成本以及由此产生的质量损失之间形成了一种权衡。

对开发者工作流的影响

用户对此次缩减的反应因其具体的工作负载需求而异，呈现两极分化：

• 高上下文用户： 管理大型项目、多篇研究论文或广泛编码标准的开发者（有人报告规则文件达到 60-80k token）认为 272k 不足以使用。一些用户报告称，他们需要 300k 到 1M token 才能避免频繁的“压缩”循环，因为这可能导致细节和分辨率的丢失。
• 低至中等上下文用户： 其他用户报告称，200k token 通常足以满足他们的工作流，或者他们每 200k token 手动重置一次上下文以保持模型性能，因此此次缩减对他们来说不是问题。

上下文压缩与性能下降

为了处理超过硬性限制的上下文，Codex 采用了“压缩”策略。然而，这一过程在用户之间存在争议。

“愚蠢区”与质量损失

几位用户观察到，随着上下文窗口填满或在压缩发生后，模型智能度会出现下降：

"对于我所做的绝大多数事情来说，压缩过程中丢失的细节程度实在太高了……你刚进行大约五分钟的对话，它就开始压缩，然后你不得不等待它重新读取这些内容。"

一些用户建议，在 120k-150k token 左右会进入一个“愚蠢区”，无论总窗口大小如何，模型的有效性都会下降。其他人指出，在压缩之后，模型（特别提到了 GPT 5.5 和 5.6）可能难以恢复全速运行，或者可能会过度依赖在压缩过程中幸存下来的旧引导消息。

针对破坏性操作的新安全约束

除了上下文容量的变化外，Codex 的系统提示词还进行了重大更新，以防止模型意外删除关键系统文件。更新后的提示词现在明确指示模型：

• 确保任何破坏性操作都明确属于用户的请求范围。
• 在必要时通过只读检查来确定确切的目标。
• 避免使用宽泛的目录——例如 $HOME、~、/ 或工作区根目录——作为递归或破坏性命令的目标。

此次更新是针对此前有报告称 Codex 有时会删除用户整个主目录的 bug 进行的改进。

与其他模型的对比

社区讨论突显了 OpenAI 的上下文容量方案与竞争对手之间日益扩大的差距：

• Anthropic: 用户经常提到 Claude 更大的上下文窗口是他们在处理复杂、多文件项目时更倾向于使用 Claude 而非 Codex 的主要原因。
• DeepSeek 及其他模型: 提到 DeepSeek 的 KV cache 技术以及其他前沿模型提供的 1M+ token 窗口，这表明 272k 被越来越多地视为专业编程任务的局限性。