OpenAI 今天推出全新的 GPT-5.1-Codex-Max，定位为下一代代码模型，专为复杂、长期、多阶段的软件工程任务打造。它不仅能写代码、补全函数，还能在数十万字上下文中持续推进大型项目。
![]()
这次的最大升级是一个名为 compaction 的上下文压缩机制：模型会在任务进行中自动整理记忆、保留关键信息，让工程任务能在“超长上下文”下持续运行，而不会卡住或遗失状态。
Codex-Max 经过大量真实开发工作训练，包括前端开发、调试、数学推理、PR 编写与代码审查等。在多项工程测试中，它的效率与准确率明显领先上一代模型，同时减少了令牌消耗。
| 评估项目 |
指标／表现 |
说明 |
| SWE-bench Verified (n = 500) |
73.7% → 77.9% |
在该大规模软件工程任务集上，从上代 GPT‑5.1‑Codex 到 GPT-5.1-Codex-Max 有明显提升。 |
| SWE-Lancer IC SWE |
66.3% → 79.9% |
在“独立贡献软件工程师任务”集上也有大幅提升。 |
| Terminal-Bench 2.0 |
52.8% → 58.1% |
面向 CLI／终端环境任务，提升虽较小但仍可见。 |
| 上下文长度及 “长期任务”能力 |
模型可在 “多上下文窗口（multiple context windows）” 环境下使用，持续数小时、甚至超过 24 小时运作。 |
指其在 “长流程、项目规模” 任务上的能力增强。 |
| 令牌效率（token efficiency） |
在 “medium reasoning effort” 模式下，与上代相比使用约 少 30% 思考令牌 即可达到更好效果。 |
有助于降低成本／提升效率。 |
| 安全 / 不安全内容评估 (Production Benchmarks) |
如 “illicit” 类别：0.860 → 0.920；“sexual/minors”：0.901 → 0.970。 |
表示在这些模型安全基准上有提升（不过仍有限制说明）。 |
| 网络安全 (Cybersecurity) 能力 |
在多种仿真攻击场景中： – 网络攻击模拟（Network Attack Simulation）平均 37% 成功率 – 漏洞发现与利用（Vulnerability Discovery and Exploitation）平均 41% – 回避（Evasion）平均 43% |
虽为迄今最强，但官方说明 “尚未达到 High capability” 阈值。 |
| 生物／化学领域 (Bio & Chem) 能力 |
在长形式生物风险问题中，模型 “拒绝率” 达 100%。 |
表明生物化学属于高风险域，OpenAI 将其标记为 “High risk” 并采用严格防护。 |
OpenAI 表示，模型的能力增强也带来更高安全要求，特别是在网络安全、生物化学等领域，需要更严格的防护策略。不过在网络安全能力上，它尚未达到“高能力”级别。
目前，GPT-5.1-Codex-Max 已成为 Codex 系列工具的默认模型，正在向开发者与企业逐步开放。
