OpenAI 发布 GPT-5.1-Codex-Max：原生上下文压缩，能连续跑 24 小时

给 AI 丢一个 Bug，它修了几轮就把上下文窗口撑爆，然后开始胡言乱语。这种让人哭笑不得的场景，几乎每个用 AI 写过代码的程序员都遇到过。

OpenAI 拿出的解法很直接：如果一个窗口装不下，那就让它学会自己换一张草稿纸继续写。

OpenAI 上线了专门针对编程任务的智能体模型 GPT-5.1-Codex-Max。它直接取代了之前的 GPT-5.1-Codex，成为 Codex 的默认底层模型，覆盖了命令行工具、IDE 插件、云端环境和代码审查等场景。

让 AI 自己给记忆「打包瘦身」

这次最大的技术看点叫作 Compaction，也就是上下文压缩机制。

以前的大模型做长任务，一旦对话历史逼近上限，要么直接报错罢工，要么暴力截断前面的记录，导致刚刚商量好的架构转头就忘。GPT-5.1-Codex-Max 是 OpenAI 首个原生针对跨上下文窗口训练的模型。

它在快把上下文填满时，会自动触发压缩机制，把冗余的历史剪掉，只保留核心上下文，然后无缝切进一个全新的窗口。靠着这种左脚踩右脚的操作，它可以在单个任务里连贯处理数百万个 token。

在 OpenAI 的内部评测里，这个模型甚至能连续自主干活超过 24 小时。遇到测试报错自己改，改完再跑测试，直到整个功能跑通为止。

除了能扛长周期任务，它还首次学会了在 Windows 环境下跑工程。平时写前端界面，生成的代码质量相当，但花销比上一代更低。

思考更省 token，跑分全面刷新

有意思的是，更聪明的模型反而更省算力了。

在基准测试 SWE-bench Verified 上，使用相同的 medium 推理档位时，新模型不仅成绩更好，而且消耗的思考 token 还少了整整 30%。

如果你遇到特别棘手的系统重构，它还加了一个 Extra High 的超高推理档位，允许模型花更长时间深度琢磨方案。在这个模式下，它的 SWE-bench 得分达到了 77.9%，在模拟真实外包自由职业的 SWE-Lancer 测试中拿到了 79.9%，终端操控测试 Terminal-Bench 2.0 则跑到 58.1%。

根据 OpenAI 透露的数据，他们内部目前有 95% 的工程师每周都在用 Codex，团队平均合并的 PR 数量比用之前增加了大概 70%。

在安全防线上，Codex 默认关在沙盒里，写入操作被锁死在工作区，外网访问也是默认关闭的，以此防范网页注入攻击。OpenAI 坦言这是他们目前网安能力最强的模型，但暂时还没触发内部防备框架的最高风险红线。

目前 ChatGPT Plus、Pro 以及企业团队版用户已经能在 Codex 里直接用上，独立的 API 访问权限随后开放。

为什么重要

我们认为，GPT-5.1-Codex-Max 最聪明的地方，在于它没有继续硬卷单次上下文窗口的物理极限，而是把精力放在了状态管理上。

以前大家拼命把窗口拉到 100 万甚至 200 万 token，但算力成本呈平方级飙升，而且模型越到后面越容易「大海捞针」失败。OpenAI 转向原生压缩机制，相当于教给 AI 一套高水平程序员的整理术：草稿随时扔，只留设计大纲和关键接口。这种思路让普通开发者以更低的 token 成本，去跑耗时数小时的大型重构任务。

对行业来说，纯粹的代码自动补全时代彻底翻篇了。它把战场直接拉到了「自主交付」这一级，竞争对手如果还停留在生成单个函数或单次对话问答，差距会被迅速拉大。

不过隐患依然存在。AI 自主跑 24 小时听起来很美，但代码库里被塞进几千行看似跑通实则暗藏隐患的胶水代码，人类 Review 的心理负担只会成倍增加。再加上默认断网的沙盒限制，真到了依赖复杂外部微服务的真实业务场景里，它究竟能跑多顺畅，依然需要打个问号。