Codex auto-compact op GPT-6 Sol: de standaardwaarden in de broncode, en wat het kost om ze te verhogen
Bijgewerkt September 27, 2026 · eerst gepubliceerd September 27, 2026
Codex comprimeert een GPT-6 Sol-sessie automatisch bij 244,800 tokens: 90% van het venster van 272,000 tokens dat het aan het model toewijst. Het verhogen van model_auto_compact_token_limit boven dat getal doet niets, tenzij je ook model_context_window verhoogt. Als je het venster boven 272K trekt, wordt elke beurt die de grens overschrijdt gefactureerd tegen long-contexttarieven. We hebben de getallen gelezen uit de broncode van Codex 0.157.1 en uit de modelcatalogus die Codex downloadt.
Welk contextvenster geeft Codex aan GPT-6 Sol?
272,000 tokens, ook al accepteert de API tot 922,000. Codex downloadt een modelcatalogus en cachet die in ~/.codex/models_cache.json. De vermelding voor gpt-6-sol noemt een context_window van 272,000 en een max_context_window van 872,000. Ook staat effective_context_window_percent op 95 en blijft auto_compact_token_limit leeg. GPT-6 Astra en GPT-6 Luna hebben dezelfde waarden.
272K is geen willekeurig getal. Het is precies het punt waar de long-contextprijzen van GPT-6 beginnen.
| Waarde | Tokens | Waar het vandaan komt |
|---|---|---|
| Contextvenster | 272,000 | context_window in de modelcatalogus |
| Bruikbaar venster | 258,400 | 95% van het venster (effective_context_window_percent) |
| Drempel voor auto-compact | 244,800 | 90% van het venster, in code berekend |
| Grootst toegestane venster | 872,000 | max_context_window in de modelcatalogus |
| API-inputlimiet | 922,000 | OpenAI-modelspecificatie (1.05M totaal met output) |
Hoe bepaalt Codex wanneer het comprimeert?
Het neemt de kleinste van jouw ingestelde limiet en 90% van het contextvenster. In codex-rs/protocol/src/openai_models.rs berekent auto_compact_token_limit() context_window * 9 / 10. Het geeft die waarde terug of jouw ingestelde limiet, afhankelijk van welke lager is. De catalogus levert geen limiet voor GPT-6 Sol mee, dus standaard is het resultaat 272,000 × 0.9 = 244,800.
De instelling kan compactie dus alleen eerder laten plaatsvinden. Zet model_auto_compact_token_limit = 300000 in config.toml met het standaardvenster, en Codex comprimeert nog steeds bij 244,800, zonder enige waarschuwing. Om later te comprimeren moet je ook model_context_window verhogen, en dat verschuift ook het plafond: bij het maximum van 872,000 wordt de standaarddrempel 784,800.
Een tweede instelling, model_auto_compact_token_limit_scope, staat standaard op total, wat de hele actieve context telt. Het alternatief, body_after_prefix, telt alleen wat het gesprek toevoegt na de context die het van eerder meenam.
Wat kost het om het Codex-venster boven 272K te verhogen?
Per beurt veel meer dan de extra tokens. Zodra een GPT-6 Sol-verzoek meer dan 272K input-tokens heeft, wordt het hele verzoek tegen long-contexttarieven gefactureerd. Input en gecachete input kosten twee keer zoveel, en output kost 1.5 keer zoveel. In een lange agentsessie stuurt bijna elke beurt de hele geschiedenis opnieuw mee, dus het grootste deel van die input is gecachet prefix.
| Context per beurt | Tarief gecachete input | Kosten gecachete context per beurt | Kosten zonder cache per beurt |
|---|---|---|---|
| 240K (comprimeert bij de standaard) | $0.20 / 1M | $0.048 | $0.48 |
| 270K | $0.20 / 1M | $0.054 | $0.54 |
| 300K (venster verhoogd) | $0.40 / 1M | $0.12 | $1.20 |
| 400K (venster verhoogd) | $0.40 / 1M | $0.16 | $1.60 |
Van 270K naar 300K gaan voegt 11% meer tokens toe en vermenigvuldigt de kosten van elke beurt met 2.2. Op een ChatGPT-abonnement zie je geen rekening, maar dezelfde tokens tellen mee voor je Codex-limieten van 5 uur en per week, dus een groter venster gebruikt ze sneller op. De uitleg in context-window-paid-twice legt uit waarom deze herhaalde kostenpost lange sessies domineert.
Is GPT-6 Sol nog nauwkeurig rond 244K tokens?
Dat heeft nog niemand gemeten. De enige onafhankelijke long-contextscore voor GPT-6 Sol is Artificial Analysis AA-LCR: 84%, gelijk aan GPT-5.6 Sol. De documenten in die test bevatten gemiddeld ongeveer 100K tokens. De MRCR-cijfers die je voor “Sol” bij 256K–512K aangehaald ziet, horen bij GPT-5.6 Sol. Ons overzicht van long-contextbenchmarks voor GPT-6 Sol geeft weer wat er per 27 september 2026 wel en niet is gepubliceerd.
Wat moet je instellen?
Voor de meeste teams niets. De standaard is al de kostenveilige keuze. Comprimeren bij 244,800 houdt elk verzoek onder de prijsgrens van 272K, met ruimte voor output. Drie situaties vragen om een wijziging:
- Je wilt eerder comprimeren, bijvoorbeeld omdat lange threads eerdere instructies gaan laten vallen. Zet
model_auto_compact_token_limitlager, bijvoorbeeld 200000. Waarden onder 244,800 werken wel. - Je wilt de huidige standaardwaarden vastleggen zodat een toekomstige catalogusupdate ze niet stilzwijgend kan wijzigen. Zet
model_context_window = 272000en een limiet op of onder 244,800. - Je hebt meer dan 258K live context nodig in één sessie. Verhoog
model_context_windowen accepteer long-contextprijzen op elke beurt boven 272K. Zet er een alert op, want niets in de Codex-interface meldt de prijswijziging.
# ~/.codex/config.toml
model = "gpt-6-sol"
model_context_window = 272000 # pin the default window, below the 272K price line
model_auto_compact_token_limit = 240000 # anything above 244,800 is ignored at this windowBronnen
- Codex 0.157.1-broncode:
auto_compact_token_limit()enusable_context_window() - Codex 0.157.1-broncode: configuratie-overschrijvingen die op modelinfo worden toegepast
- Codex 0.157.1-broncode: compactiescope en de harde contextlimiet
- OpenAI API-prijzen
- Artificial Analysis: GPT-6 Sol vs GPT-5.6 Sol
Gerelateerd
- Long-contextbenchmarks van GPT-6 Sol: wat er echt is gemeten
- GPT-6-prijzen en de prijssprong bij long context boven 272K
- Je betaalt twee keer voor het contextvenster
- Hoeveel Codex zit er in ChatGPT Pro?
Wilt u dit toepassen op uw stack? Neem leveranciersfacturen, gatewaylogs en de belangrijkste workflows mee; we brengen kostenfactoren en besparingskansen in kaart. Plan een gratis audit →