Update zu den Codex-Limits
OpenAI hat die Ursache für das schnellere Verbrauchen der Codex-Nutzungslimits identifiziert: eine sinkende Cache-Trefferquote. Das Unternehmen arbeitet an einer Lösung und verspricht weitere Informationen.
Update zu den Codex-Limits
OpenAI hat tatsächlich einen möglichen Grund dafür gefunden, warum einige Nutzer in dieser Woche eine spürbar beschleunigte Abnahme ihrer Nutzungslimits feststellen mussten.
Es stellte sich heraus, dass bei bestimmten Nutzern die Cache-Trefferquote gesunken ist. Da der Cache einen erheblichen Einfluss auf den Token-Verbrauch hat, könnte dies die schnelle Erschöpfung der Limits beschleunigt haben.
OpenAI untersucht das Problem bereits und verspricht, morgen ein Update bereitzustellen.
Nun denn.
Fünf gespeicherte Resets für alle – damit sind wir quitt.
Warum das wichtig ist
AnalyseDiese Entwicklung ist kritisch, da ein erhöhter Limit-Verbrauch die Produktivität von Codex-Nutzern direkt beeinträchtigt. Die angekündigten Maßnahmen von OpenAI könnten entscheidend sein, um diese Störungen zu beheben und die Zuverlässigkeit des Tools wiederherzustellen.
In der Community diskutieren
Teile deine Fragen und Erkenntnisse mit Entwicklern
Verwandt im Ökosystem
Praktische Leitfäden, Terminologie und Agenten-Skills
Codex Skills für Einsteiger: So automatisieren Sie Workflows mit KI-Agenten
Ein praktischer Leitfaden zur Erstellung und Nutzung von Skills in Codex: Anatomie der SKILL.md, explizite und automatische Aktivierung, Unterschiede zwischen Skills, Skripten und Tools, die Skills API sowie die Konfiguration von Sicherheitsgrenzen.
OpenAI bereitet animierte GIFs für ChatGPT vor
OpenAI hat experimentelle Unterstützung für die Generierung animierter GIFs in Codex hinzugefügt, angetrieben von der OpenAI Images API. Die Funktion könnte bald in ChatGPT erscheinen.
ChatGPT-Updates: Entwicklung und Workflows mit Plugins und Codex
Ein umfassender praktischer Leitfaden zur Erstellung, Verpackung, Testung und Veröffentlichung von Plugins für ChatGPT und Codex: Manifest-Spezifikation, MCP-Server, Lifecycle-Hooks, eigene Marktplätze und der Review-Prozess von OpenAI.
Kontextfenster-Überlauf & Kompaktierung
Engineering Patterns zur Vermeidung fataler Ausfälle bei Erreichen des Kontextlimits: Rolling Summaries, State-Kompaktierung und selektive Verdrängung veralteter Historie.