前言

GPT-5.6 Sol 的百万上下文窗口此前仅对 API 用户开放，近期已向 ChatGPT 和 Codex 账户全面放开。配置操作本身很简单，但 OpenAI 明确指出：默认配置是在性能与成本之间权衡后的结果，超出默认窗口后 token 消耗翻倍不止。

本文完整梳理：如何开启、开启后会发生什么、以及你的任务是否值得开启。

---

一、配置方法：三行写在哪、怎么写、有什么坑

1.1 全局配置（推荐）

Mac/Linux 上编辑 ~/.codex/config.toml，在文件最顶部写入：

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

保存后重启桌面端，开启新对话即生效。

1.2 常见踩坑点

这三行必须放在所有 [section] 标题之前。

TOML 的解析逻辑是：遇到 [profiles] 或 [tools] 等节头，前面的全局键值就已处理完毕。若将这三行夹进某个 section，它们会变成该 section 的子配置而非全局配置，导致配置不生效且无任何报错——你会一直以为已经开启，实际上并没有。

验证是否生效：开启新对话后输入 what model are you using?，让 Codex 自行报告当前模型。

---

二、不想修改全局配置的两种替代方案

2.1 临时 CLI 方式（单次会话生效）

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

注意：-c 参数值为 TOML 格式，不是 JSON。格式写错会导致参数解析失败。

2.2 Profile 方式（按需加载）

适合「某些任务用大上下文，其他任务用默认」的场景。将这三行写入 ~/.codex/large-context.config.toml，需要时通过 codex --profile large-context 加载。

版本兼容提示：Codex 0.134.0 起 --profile 行为有破坏性变更，不再读取 config.toml 里的 [profiles.<name>] 表，历史 Profile 设置需迁移至独立的 ~/.codex/<name>.config.toml。使用过 Profile 功能的用户请先确认版本和文件结构。

2.3 三种方式对比

方式	是否持久化	影响范围	适用场景
修改 ~/.codex/config.toml	是	全局默认	日常都用大上下文
CLI -c 参数	否	单次会话	临时试用，不想动配置
Profile 独立文件	是	按需加载	不同任务用不同配置

---

三、Token 消耗机制：开启后到底多花多少

3.1 一个关键事实：输入 token 才是大头

以一组真实会话数据为例：一整天的工程工作，总消耗 119,743,174 tokens，其中输出仅 219,381 tokens，不足总量的 0.2%。

产出了约 20 万 token 的代码和回复，却带入了 1.19 亿 token 的上下文。

结论：让回答变短对省钱几乎没有作用。 贵的不是模型输出了什么，而是每一轮对话都要将整个上下文重新带入。

3.2 上下文窗口扩大的实际影响

将上下文窗口从默认值扩展到 100 万 token，每轮可携带更多历史信息，模型视野更广，但每轮的输入 token 也同步增长。这正是 OpenAI 所说「超出默认窗口后 token 消耗翻倍不止」的实际含义。

3.3 两个需要知道的数字

• 上述数据基于 GPT-5.5 公开 API 单价估算，不等于 Codex 订阅用户的边际成本，直接用 API 单价推算账单会高估实际费用。
• Codex 中实测可用上下文约为 82 万 token，而非整 100 万——系统存在预留长度，规划任务规模时需留出这部分余量。

---

四、上下文更长，模型是否更智能？

评测数据给出了一个反直觉的答案。

MRCR v2 评测结果：GPT-5.6 Sol 在 1M 上下文下，性能从 91.5% 降至 73.8%，下降约 17.7 个百分点。MRCR v2 是长文档检索任务，测量的是模型在超长上下文中定位关键信息的能力。

结论：1M 上下文是双向代价。 不是「贵但更强」，而是「贵且在某些场景更弱」。

受影响最明显的场景

需要模型在极长上下文中精确定位某个细节，例如：排查跨多个文件、历史很长的 bug，模型需要记住三十轮前某个变量的定义。这类场景下，1M 上下文更容易导致模型漏掉或混淆关键信息。

受影响不明显的场景

任务较为集中，即便上下文较长，真正需要关注的信息密度不高，模型主要执行生成而非检索任务。

---

五、决策框架：该不该开大上下文

倾向开启大上下文

• 跨大型仓库排查，需要模型同时参考大量文件
• 长时间连续的架构或重构任务，不希望频繁中断切割上下文
• 任务对精确检索要求不高，主要需要模型在大背景下维持连贯性

倾向使用默认配置

• 单文件或小范围改写，上下文本身用量有限
• 需要模型精确定位长上下文中的某个具体信息
• 日常问答和代码补全，对 token 消耗较敏感

---

六、通用的 Token 消耗控制策略

无论是否开启大上下文，以下三点优先级最高：

1. 及时拆分长会话：用交接摘要衔接，避免单个会话无限增长。
2. 日志放文件，按需读取：大段日志不要直接粘贴进上下文，改为让模型按需读取文件。
3. 规则和背景写进 AGENTS.md：稳定的上下文信息固化为配置，不要每次重复粘贴。

核心逻辑一致：输入 token 是成本大头，管理每轮带入的信息量才是降本最直接的手段。把上下文做薄，往往比把窗口开大更值得优先考虑。

---

总结

配置本身门槛不高，所有步骤均可按本文操作。真正需要想清楚的是：100 万 token 的窗口开给什么任务，以及如何管控输入防止成本失控。

核心结论	说明
配置位置	必须在 config.toml 所有 section 之前
实际可用上下文	约 82 万 token，非整 100 万
成本驱动因素	输入 token，而非输出
性能影响	长文档检索任务下降约 17.7%
最优控制策略	拆分会话 + 文件化日志 + 固化背景信息

---

如果需要使用 Claude Code，可以私我。也欢迎有需求的企业进行深度合作。