Como habilitar a janela de contexto de 1 milhão para o GPT-5.6 Sol no Codex

Introdução

Depois de autenticar com sua conta ChatGPT, o GPT-5.6 Sol agora pode usar um orçamento de contexto de 1 milhão de tokens no Codex.

A configuração requer apenas três linhas:

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

Adicione essas configurações ao nível superior do config.toml do Codex, reinicie o cliente e inicie uma nova sessão.

O ponto-chave não é apenas números maiores. A terceira configuração reserva uma margem de cerca de 100 mil tokens e informa ao Codex para começar a compactar o histórico mais antigo em cerca de 900 mil tokens, em vez de esperar até que o contexto esteja totalmente ocupado.

A OpenAI também foi muito clara sobre as compensações: o limite de contexto padrão do Codex é cuidadosamente ajustado para equilibrar desempenho e custo. A janela de 1 milhão oferece mais espaço para código, saída de ferramentas e histórico de conversa, mas também consome mais uso e não garante a mesma capacidade de recuperação na extremidade mais distante da janela.

A configuração de três linhas para habilitar o contexto de 1 milhão do GPT-5.6 Sol

A configuração do Codex publicada pela OpenAI usa exatamente as três configurações de nível superior a seguir:

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

Cada linha tem sua função específica.

1. Selecionar o GPT-5.6 Sol

model = "gpt-5.6-sol"

Isso informa ao Codex qual modelo usar na sessão.

O GPT-5.6 Sol é o modelo principal da família GPT-5.6, com suporte a uma janela de contexto suficiente para atender à configuração de 1 milhão.

1. Definir o orçamento de contexto de trabalho para 1 milhão de tokens

model_context_window = 1000000

A referência de configuração do Codex da OpenAI define model_context_window como o número de tokens da janela de contexto disponível para o modelo ativo.

Essa configuração de substituição informa ao Codex para alocar um orçamento de 1 milhão de tokens em vez de usar o valor padrão menor do produto.

Um orçamento maior permite manter mais conteúdo no contexto ativo antes da compactação:

• Código-fonte.
• Arquivos do repositório.
• Saída de ferramentas.
• Logs de terminal.
• Turnos de conversa anteriores.
• Notas de planejamento.
• Histórico do agente.

Isso é muito útil para trabalhos de longo prazo em repositórios, onde o agente precisa recuperar repetidamente detalhes de estágios iniciais.

1. Iniciar a compactação automática em cerca de 900 mil tokens

model_auto_compact_token_limit = 900000

A OpenAI define essa configuração como o limite de tokens que aciona a compactação automática do histórico.

Em aproximadamente 900 mil tokens, o Codex começa a compactar o material mais antigo, em vez de continuar expandindo o histórico ativo até esgotar o limite completo de contexto.

O comportamento aproximado é o seguinte:

0 → 900 mil tokens
Expansão contínua do histórico ativo

Aproximadamente 900 mil tokens
Início da compactação automática

Orçamento máximo de 1 milhão
Margem reservada para raciocínio contínuo e uso de ferramentas

O espaço extra é importante porque o modelo ainda precisa de espaço para novas mensagens, resultados de ferramentas, raciocínio e saída gerada.

Colocar as configurações antes de qualquer título de [seção]

Essas três configurações devem estar no nível superior das chaves TOML.

As instruções da OpenAI exigem que elas sejam colocadas antes de qualquer título de seção no config.toml.

Um layout válido é o seguinte:

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

[features]
# Outras configurações aqui

Não as aninhe acidentalmente sob outra seção:

[features]
model = "gpt-5.6-sol"
model_context_window = 1000000
model_auto_compact_token_limit = 900000

Isso alteraria o escopo TOML delas e não é a forma documentada de configuração.

Onde o Codex armazena o config.toml

A OpenAI documenta a localização do arquivo de configuração no nível do usuário:

~/.codex/config.toml

Você também pode usar um arquivo no nível do projeto:

.codex/config.toml

Colocado no repositório ou em um subdiretório, quando quiser que as configurações se apliquem apenas àquele projeto específico.

Depois de editar a configuração:

1. Salve o config.toml.
2. Reinicie o cliente Codex.
3. Inicie uma nova sessão.

As novas configurações de contexto devem então se aplicar a essa sessão.

Usar o contexto de 1M apenas para uma sessão CLI individual

Você não precisa alterar as configurações padrão permanentemente.

A OpenAI também documenta uma forma por sessão na CLI:

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

Isso é útil quando você normalmente prefere o comportamento de contexto padrão do Codex, mas ocasionalmente precisa de mais espaço para repositórios especialmente grandes ou tarefas de longa duração.

Quando essa sessão CLI terminar, sua configuração normal permanece inalterada.

Um fluxo de trabalho prático é:

Tarefas normais
→ Usar os padrões do Codex

Tarefas excepcionalmente grandes
→ Iniciar uma sessão CLI com contexto de 1M

Isso geralmente é mais gerenciável do que fazer todas as tarefas do Codex usarem a janela máxima.

Por que o contexto de 1M não é o padrão?

O GPT-5.6 Sol já suporta janelas de contexto muito grandes.

A limitação não se deve apenas à falta de capacidade do modelo.

O Codex usa valores padrão menores porque o produto é ajustado em um equilíbrio entre:

• Desempenho.
• Latência.
• Uso.
• Confiabilidade em sessões longas.
• Comportamento de compactação.

O post oficial da comunidade da OpenAI afirma que o limite de contexto padrão foi cuidadosamente ajustado para desempenho e custo.

Uma janela maior permite que o Codex retenha mais material bruto, mas cada trecho adicional de histórico aumenta a quantidade de contexto que o sistema precisa gerenciar em turnos subsequentes.

Para um agente que opera por horas, "preservar tudo palavra por palavra para sempre" não é automaticamente a melhor estratégia.

A compactação automática faz parte do design padrão

À medida que a sessão cresce, o Codex pode resumir o histórico mais antigo.

Isso aproxima agentes de longa duração de:

Detalhes recentes
+
Histórico compactado
+
Estado persistente importante

Em vez de:

Cada token de toda a sessão
Reenviado para sempre

O pesquisador da OpenAI, Noam Brown, destacou publicamente essa abordagem, observando que a empresa investe fortemente para tornar a compactação automática o mais próxima possível de uma experiência perfeita, enquanto ainda preserva o 1M para aqueles que realmente precisam.

Opções.

A compactação é especialmente útil quando

os vestígios de ferramentas antigas contêm muitas informações que não precisam mais ser preservadas palavra por palavra.

Por exemplo:

• Logs de testes antigos.
• Saídas de build.
• Resultados de pesquisas anteriores.
• Planos de implementação já substituídos.
• Saídas de terminal repetidas.

Um bom resumo pode preservar o estado importante sem forçar o modelo a processar repetidamente cada token antigo.

Use a janela de 1M com cautela

A segunda grande seção do artigo de origem é essencialmente um aviso: apenas porque o Codex pode usar contexto de 1M, não significa que toda sessão deva usá-lo.

Uma postagem da comunidade recomenda fortemente que os usuários não ativem a configuração de sobreposição por padrão, argumentando que o Codex tem melhor desempenho com as configurações padrão ajustadas, e que o uso de contexto ultralongo pode consumir os créditos da conta mais rapidamente.

O multiplicador exato de uso pode depender da estratégia de produto e do comportamento do plano atuais, portanto, consulte a documentação mais recente de preços e limites de taxa do Codex da OpenAI, em vez de assumir um número fixo.

O aviso mais amplo é razoável:

Mais contexto ativo geralmente significa que mais tokens precisam ser transportados nas rodadas subsequentes.

Para agentes de codificação de longa duração, isso pode se tornar rapidamente caro.

A janela de 1M não significa que 1M de tokens têm a mesma usabilidade

O modelo pode tecnicamente aceitar prompts longos, mas a precisão ao recuperar informações profundamente enterradas pode diminuir.

Os próprios resultados de contexto longo do GPT-5.6 da OpenAI ilustram esse ponto.

O modelo ainda é capaz em contextos ultralongos, mas o desempenho não é uniforme em toda a extensão.

É por isso que "janela de contexto maior" e "melhor utilização de contexto" devem ser considerados dois conceitos independentes.

A janela de 1M responde a:

Quanto conteúdo o sistema consegue armazenar?

Ela não responde automaticamente a:

O modelo consegue usar de forma confiável cada detalhe em cada posição?

Quando o contexto de 1M faz sentido

A configuração de sobreposição é mais útil quando você realmente tem motivos para manter uma quantidade anormalmente grande de informações brutas ativas.

Por exemplo:

Refatoração de um grande código-base

Uma tarefa pode envolver muitos pacotes, interfaces, testes e arquivos de configuração ao mesmo tempo.

Manter mais código no contexto pode reduzir redescobertas repetidas.

Sessões longas de depuração

Um problema de produção complicado pode envolver:

• Logs históricos.
• Múltiplas hipóteses falhas.
• Várias alterações de código.
• Resultados de testes.
• Detalhes do ambiente.

Uma janela maior pode preservar mais dessas evidências antes da compactação.

Migrações em grande escala

Migrações de frameworks ou APIs geralmente exigem que o agente acompanhe alterações em vários arquivos e lembre-se de decisões iniciais.

Pesquisa e implementação em múltiplas etapas

Algumas tarefas envolvem:

Pesquisa
→ Propostas de arquitetura
→ Implementação
→ Testes
→ Revisão
→ Revisões

Um orçamento de contexto maior pode reduzir a probabilidade de que o material-fonte inicial seja excessivamente resumido antes das etapas posteriores.

Tarefas com grande volume de saída de ferramentas

Se o agente precisar examinar

grandes relatórios gerados, grafos de dependência ou saídas estruturadas de ferramentas, o espaço extra pode ser útil.

Quando a configuração padrão é melhor

Para a maioria das tarefas diárias de codificação, a configuração padrão provavelmente é a melhor escolha.

Exemplos incluem:

• Corrigir um bug.
• Editar alguns arquivos.
• Adicionar um pequeno recurso.
• Escrever testes.
• Revisar pull requests.
• Atualizar documentação.
• Executar tarefas curtas de pesquisa.

Nesses casos, a janela de contexto de 1M pode adicionar uso extra sem trazer benefícios práticos suficientes para justificá-la.

A recomendação da OpenAI não é "nunca use 1M".

Algo mais próximo seria:

A menos que a tarefa realmente exija mais contexto bruto,
use as configurações padrão ajustadas.

Uma regra prática de decisão

Antes de ativar o contexto de 1M, pergunte-se:

O Codex perderia informações porque a compactação ocorreu cedo demais?

Se a resposta for não, mantenha as configurações padrão.

Se a resposta for sim, faça uma segunda pergunta:

Preservar mais histórico bruto melhoraria substancialmente esta tarefa?

Somente então a configuração de sobreposição de 1M vale a pena tentar.

Isso ajuda a distinguir entre um problema real de contexto e um desejo geral de maximizar todas as configurações.

Preste atenção às suas sessões, não espere pelos 900K

O limite automático de compactação de 900K é uma margem de segurança, não uma meta a ser atingida.

Um fluxo de trabalho saudável ainda pode dividir tarefas muito longas em sessões logicamente claras.

Por exemplo:

Sessão 1
Pesquisa e arquitetura

Sessão 2
Implementação

Sessão 3
Testes e limpeza

Ao final de cada etapa, salve o estado persistido do projeto em:

• Arquivos do repositório.
• Anotações de issues.
• Planos.
• Testes.
• Documentação.
• Controle de versão.

Assim, a próxima sessão não precisa depender inteiramente do histórico do chat.

Isso também torna o trabalho mais reproduzível para humanos.

Não trate a janela de contexto como armazenamento

Contexto é memória de trabalho temporária.

Ele não substitui:

• Git.
• Documentação.
• Rastreador de issues.
• Suíte de testes.
• Planos de projeto.
• Memória persistente.
• Dados estruturados.

Se uma decisão importante ainda for crítica amanhã, salve-a em um local persistente.

O melhor fluxo de trabalho de agente de longo prazo combina uma forte janela de contexto com artefatos de projeto persistentes, em vez de depender de um único registro gigante e completo.

O aviso sobre "o dobro da velocidade" no artigo de origem

O artigo de origem destaca um aviso da comunidade: quando a sessão excede o orçamento de contexto padrão, o consumo de créditos do Codex pode aproximadamente dobrar.

Esse aviso foi publicamente amplificado nas discussões da comunidade.

No entanto, as regras de uso do produto podem mudar, e a configuração atual de 1M do GPT-5.6 da OpenAI, publicada em três linhas de instruções, não define uma regra fixa de 2×.

Portanto, a orientação mais segura é:

1. Espere que sessões com contexto grande consumam mais uso.
2. Monitore o indicador de uso do Codex no seu plano.
3. Consulte a documentação atual de preços/limites de taxa da OpenAI.
4. Não assuma que esse multiplicador permanece o mesmo entre modelos, planos ou versões futuras.

O fato operacional importante é a direção da curva de custo, não um multiplicador permanente.

A configuração de 1M agora está disponível com contas ChatGPT

O que desencadeou a mudança no artigo de origem

não é a existência da janela de contexto grande do GPT-5.6 Sol.

É o acesso a ela por meio de sessões do Codex autenticadas com contas ChatGPT.

O anúncio de Tibo Sottiaux afirma que essa configuração antes estava disponível apenas para uso via chave de API, e a OpenAI agora a habilitou também para contas ChatGPT.

Isso torna o recurso disponível para uma base maior de usuários do Codex, sem exigir um fluxo separado de chave de API.

Seu acesso real ainda depende da disponibilidade do modelo Codex e das limitações relevantes do seu plano atual do ChatGPT.

Mais uma coisa: espera-se que o Astra chegue ao Codex

No final do artigo de origem, há uma breve atualização de Tibo Sottiaux.

Na postagem pública sobre o Codex, ele acrescentou uma nota de que o Codex "terá o Astra".

A OpenAI confirmou separadamente que o Astra é um modelo que será lançado e se refere à sua versão interna como seu próximo grande modelo principal.

Isso é suficiente para apoiar a afirmação:

Astra é o próximo modelo da OpenAI,
e o líder do Codex disse que o Codex receberá esse modelo.

Mas não é suficiente para afirmar como fato:

Astra = GPT-6

A OpenAI ainda não divulgou oficialmente esse nome de produto.

Da mesma forma, nas fontes verificadas neste artigo, não há informações sobre uma data de lançamento público do Astra no Codex.

O único ponto útil é: a OpenAI pretende que o Codex continue sendo a interface de implantação para sua próxima geração de modelos de fronteira.

Lista de verificação rápida de configuração

1. Certifique-se de que sua versão do Codex esteja atualizada.
2. Confirme que o GPT-5.6 Sol está disponível na sua conta.
3. Abra o arquivo ~/.codex/config.toml.
4. Adicione estas três configurações antes de qualquer título de [seção].
5. Salve o arquivo.
6. Reinicie o Codex.
7. Inicie uma nova sessão.
8. Use a janela maior apenas para tarefas que realmente se beneficiem dela.
9. Monitore o uso e a qualidade do contexto durante sessões muito longas.
10. Se o contexto adicional não melhorar seu fluxo de trabalho, remova a configuração de substituição.

A configuração é a seguinte:

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

Apenas para uma sessão CLI única:

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

Perguntas frequentes

O GPT-5.6 Sol realmente suporta uma janela de contexto de 1 milhão de tokens?

Sim. A documentação oficial da comunidade Codex da OpenAI afirma que a janela de contexto do GPT-5.6 Sol é de 1.050.000 tokens. A configuração de substituição do Codex exibida aqui define o orçamento de trabalho em 1.000.000 de tokens.

Onde essas três configurações do Codex devem ser colocadas?

Coloque-as no nível superior do arquivo ~/.codex/config.toml, antes de qualquer título de [seção]. Você também pode usar o arquivo .codex/config.toml com escopo de projeto quando quiser que as configurações se apliquem apenas a um repositório específico.

Por que model_auto_compact_token_limit está definido como 900000?

Isso instrui o Codex a iniciar a compactação automática do histórico em torno de 900 mil tokens. Isso deixa aproximadamente 100 mil tokens de margem dentro do orçamento configurado de 1 milhão, para continuar usando ferramentas, conversa, raciocínio e saída.

Preciso ativar permanentemente o contexto de 1 milhão?

Não. Você pode passar as mesmas configurações em uma sessão CLI única usando o sinalizador -c. Isso é útil quando apenas algumas poucas tarefas excepcionalmente grandes precisam de contexto estendido.

O contexto de 1 milhão torna o GPT-5.6 Sol mais preciso?

Não automaticamente. A OpenAI

no MRCR v2, relatou precisão de 91,5% com contexto de 256K–512K e 73,8% com 512K–1M, o que indica que, mesmo que o modelo aceite esse contexto, a qualidade da recuperação diminui nos intervalos mais longos.

Ativar o contexto de 1M consumirá mais cota do Codex?

Possivelmente. A OpenAI afirma que as configurações padrão são otimizadas para desempenho e custo, e o artigo de origem destaca relatos da comunidade de que sessões muito longas podem consumir limites mais rapidamente. Consulte a documentação atual de uso e limites de taxa do Codex, pois a forma específica de cobrança pode mudar.

A compactação automática é melhor do que manter o histórico completo?

Geralmente sim. A compactação preserva o estado importante das rodadas anteriores sem carregar repetidamente todos os logs brutos e resultados de ferramentas. Para tarefas que realmente exigem detalhes antigos precisos, a opção de substituição de 1M permite adiar essa compactação.

O Astra é oficialmente chamado de GPT-6?

Não. A OpenAI descreve publicamente o Astra como um modelo futuro e sua próxima geração de modelo principal, e Tibo Sottiaux afirmou que o Codex será equipado com o Astra. A OpenAI ainda não anunciou oficialmente que o nome de produto do Astra é GPT-6.

Ferramentas relacionadas

• Codex: ambiente de codificação agente da OpenAI, para fluxos de trabalho no terminal, IDE, desktop e nuvem.
• GPT-5.6 Sol: o modelo principal GPT-5.6 da OpenAI, usado nesta configuração de contexto de 1M.
• Codex CLI: interface de linha de comando do Codex para substituições por sessão.
• Git: controle de versão ajuda a armazenar estado persistente do projeto, em vez de depender totalmente de um histórico de chat excessivamente grande.
• TOML: formato de arquivo de configuração usado pelo config.toml do Codex.

Links relacionados

• OpenAI: contexto de 1M no Codex: documentação da comunidade da OpenAI sobre a configuração exata do GPT-5.6 Sol e substituição de CLI por sessão única.
• Referência de configuração do Codex: definições oficiais de model, model_context_window e model_auto_compact_token_limit.
• Fundamentos de configuração do Codex: guia oficial sobre arquivos config.toml em nível de usuário e de projeto.
• Anúncio oficial do GPT-5.6: disponibilidade do modelo, benchmarks, resultados de avaliação de contexto longo e posicionamento atual do GPT-5.6.
• Preços e planos do Codex: informações atuais sobre planos e uso do Codex.
• Tabela de tarifas do Codex: guia atual sobre consumo de créditos do Codex e modelos suportados.
• Declaração da OpenAI sobre capacidades cibernéticas do Astra: confirmação oficial de que o Astra é um modelo futuro.
• Fala de Tibo Sottiaux sobre o Astra no Codex: post público afirmando que o Codex será equipado com o Astra.

Resumo

Agora é possível habilitar a grande janela de contexto do GPT-5.6 Sol no Codex usando o uso da conta ChatGPT, adicionando apenas três configurações de nível superior no config.toml:

Escolher o modelo, definir um orçamento de 1.000.000 de tokens e acionar a compactação automática ao atingir 900.000 tokens. A mesma configuração pode ser aplicada a uma sessão CLI única sem alterar as configurações padrão.

Esse recurso é útil para bases de código excepcionalmente grandes e fluxos de trabalho de longa duração, mas não deve ser visto como uma atualização gratuita. A OpenAI ajustou deliberadamente o contexto padrão do Codex para equilibrar desempenho e custo, e suas próprias avaliações mostram uma queda no desempenho de recuperação de contexto longo no intervalo de 512K–1M.

O fluxo de trabalho mais seguro é: usar as configurações padrão para tarefas rotineiras e habilitar o 1M apenas quando a compactação precoce realmente causar perda de informações.

Três linhas de configuração de cobertura dão a você o controle sobre o orçamento de contexto; mas elas não eliminam as compensações de desempenho, uso e recuperação que acompanham o transporte de milhões de tokens.