OpenAI hat das Kontextfenster seiner Coding-Modelle in Codex um gut ein Viertel gekürzt. Die Release-Notes nennen den Schnitt eine Korrektur. Für Teams, die große Codebasen am Stück bearbeiten, ist es eine Leistungskürzung ohne Vorankündigung.
drweb.de als bevorzugte Quelle auf Google hinzufügenQualitätsgeprüfte Inhalte direkt in Google News & DiscoverJetzt hinzufügen
Das Kontextfenster von Codex ist am 13. Juli 2026 von 372.000 auf 272.000 Token gefallen, ohne Ankündigung und ohne Preisanpassung. Bemerkt haben das zuerst Entwickler, denen mitten in laufenden Sessions früher als gewohnt der Platz ausgegangen ist.
Das Wichtigste in Kürze
- Der Katalogwert für GPT-5.6 Sol, Terra und Luna sank von 372.000 auf 272.000 Token.
- Nutzbar bleiben davon 258.400 Token, weil Codex rund 5 Prozent als Reserve zurückbehält.
- Release 0.144.6 vom 18. Juli 2026 bezeichnet den Schnitt als Korrektur der Kontextfenster.
- OpenAIs eigener Issue-Tracker dokumentiert vergleichbare Kürzungen seit Monaten.
Was hat OpenAI genau geändert?
Version 0.144.6 vom 18. Juli 2026 hat die Kontextfenster von GPT-5.6 Sol, Terra und Luna laut Changelog auf 272.000 Token korrigiert[1]. Der Wert davor lag bei 372.000.
Im Modellkatalog angekommen ist der Schnitt schon am 13. Juli, fünf Tage vor der Release-Notiz. Teams an großen Repositories haben die Kürzung also erlebt, bevor sie irgendwo dokumentiert war.
Ohne Preisnachlass läuft die Änderung durch: Das Abonnement kostet unverändert, die Kapazität pro Session ist kleiner geworden.
Warum 272.000 nicht 272.000 sind
Der Katalogwert wandert nicht eins zu eins in den Arbeitsspeicher des Modells. Codex zieht rund 5 Prozent als Reserve ab, sodass aus 272.000 Token effektiv 258.400 werden. Vorher waren es 353.400[2].
Rund 95.000 Token fallen damit weg, knapp 27 Prozent. Das entspricht mehreren tausend Zeilen Code, die nicht mehr gleichzeitig im Blick des Modells liegen.
Dahinter steckt eine schlichte Budgetrechnung: 272.000 Token Eingabe plus 128.000 Token reservierte Ausgabe ergeben genau 400.000. Die Kürzung ist also keine willkürliche Zahl, sondern eine Aufteilung, bei der die Ausgabeseite gewonnen hat.
Katalogwert, nutzbarer Platz und die veröffentlichte Modellspezifikation im Vergleich, Stand 19. Juli 2026.
Zuvor 372.000 Token. Der neue Wert steht seit dem 13. Juli 2026 im Modellkatalog.
Codex behält rund 5 Prozent des Katalogwerts als Reserve zurück.
Ein Rückgang um 26,9 Prozent gegenüber den vorherigen 353.400 nutzbaren Token.
Datenblatt gegen Auslieferung
Der Ablauf in zwei Schritten
Der Modellkatalog liefert 272.000 statt 372.000 Token aus. Eine Ankündigung dazu gibt es nicht.
Release 0.144.6 dokumentiert den Schnitt nachträglich und nennt ihn eine Korrektur der Kontextfenster.
Ein Kontextfenster ist keine Marketingzahl, sondern eine Kapazitätszusage. Wird sie ohne Ankündigung gekürzt, kalkulieren Teams mit Werten, die es nicht mehr gibt.
— Markus Seyfferth, Chefredakteur Dr. Web
Ein Muster statt eines Ausrutschers?
Wiederkehrend ist der Vorgang. Der Issue-Tracker des Codex-Projekts sammelt seit Monaten Meldungen desselben Typs: Mal schwankt das effektive Fenster zwischen 258.400 und 353.400 Token, mal deckelt der Katalog ein Modell weit unterhalb seiner veröffentlichten Spezifikation.
Die Lücke zwischen Datenblatt und Auslieferung ist erheblich. Die Modelldokumentation zu GPT-5.6 Sol nennt 1.050.000 Token, in Codex ankommen davon 258.400. Was in der Spezifikation steht, beschreibt demnach das Modell, nicht das Produkt. Ähnlich sind bei Googles verschobenem Gemini-Start Zielwert und Erwartung auseinandergelaufen.
Was heißt das für Teams im DACH-Raum?
Nachmessen statt vertrauen lautet die erste Konsequenz. Die Zahl aus der Modellkarte taugt nicht als Planungsgröße, das gemessene Fenster im eigenen Werkzeug schon. Wie weit Werkzeuge schon vor dem ersten Prompt auseinanderliegen, zeigt der Vergleich, bei dem Claude Code 33.000 Token sendet und OpenCode nur 7.000.
Offene Modelle wie Kimi K3 oder das quelloffene Grok Build senken die Abhängigkeit, weil das Kontextbudget im eigenen Haus bleibt. Dass ohnehin 70 Prozent der KI-Anfragen kein Spitzenmodell brauchen, entschärft die Frage zusätzlich.
Am meisten bringt gepflegte Dokumentation im Repository. Architektur- und Entscheidungsnotizen ersetzen einen Teil des Kontexts, den das Modell sonst jedes Mal neu einliest, und lösen zugleich das Problem, das beim Vibecoding das gemeinsame Verständnis im Team zerlegt. Steht Wissen im Code statt im Chatverlauf, wiegt ein kleineres Fenster deutlich weniger schwer.
Quellen
[1] openai/codex: Release 0.144.6, Changelog vom 18. Juli 2026 ↩
[2] openai/codex: Issue 32806 zur Reduzierung des effektiven Kontextfensters ↩
Mehr Newshunger?
- Wie viele Token verbraucht ein Coding-Agent vor dem ersten Prompt?
- Kimi K3: Wie schlägt sich Chinas offenes Modell gegen die Weltspitze?
- Grok Build ist jetzt Open Source: Was legt xAI wirklich offen?
- Brauchen 70 Prozent der KI-Anfragen wirklich kein Spitzenmodell?
- Vibecoding: Warum KI-Agenten das gemeinsame Verständnis kosten
- Gemini 3.5 Pro verspätet sich: Warum fällt Google zurück?
