Поддерживает ли GPT-5.1-Codex работу с изображениями?

Да, модель является мультимодальной и поддерживает ввод в формате текст+изображение, что позволяет ей анализировать графические схемы и интерфейсы для написания кода.

Каков максимальный объем контекста у этой модели?

Модель поддерживает до 400 000 токенов, что делает её идеальным инструментом для работы с целыми проектами и обширной документацией через alltokens.

Можно ли использовать модель для автономного написания тестов?

Да, GPT-5.1-Codex специально оптимизирована для длительных инженерных сессий и независимого выполнения сложных задач, включая создание тестовых покрытий.

OpenAI: GPT-5.1-Codex

OpenaiОбновлено: 13 ноября 2025 г.

GPT-5.1-Codex — это продвинутая модель, специально оптимизированная для разработки программного обеспечения и сложных инженерных задач. Благодаря контекстному окну в 400 000 токенов и поддержке мультимодального ввода, она способна анализировать огромные кодовые базы и выполнять длительные автономные сессии программирования.

Использовать через API

Метрики

Вход

144 ₽/M

Выход

1 150 ₽/M

Контекст

400k tokens

Параметры

Релиз

13 ноября 2025 г.

Поддерживаемые параметры

include_reasoningmax_completion_tokensmax_tokensreasoningresponse_formatseedstructured_outputstool_choicetools

Технический обзор

GPT-5.1-Codex — это специализированная версия модели GPT-5.1, оптимизированная для процессов разработки программного обеспечения. Она предназначена как для интерактивных сессий написания кода, так и для длительного автономного выполнения сложных инженерных задач. Модель поддерживает создание проектов с нуля, разработку новых функций, отладку, масштабный рефакторинг и аудит кода. По сравнению с базовой GPT-5.1, версия Codex обладает лучшей управляемостью, строже следует инструкциям разработчика и генерирует более чистый и качественный код. Интенсивность логических рассуждений можно настраивать с помощью параметра reasoning.effort. Codex интегрируется в рабочую среду разработчика, включая интерфейс командной строки, расширения для сред разработки, системы контроля версий и облачные задачи. Модель динамически адаптирует глубину анализа: она мгновенно отвечает на простые запросы и способна поддерживать многочасовые циклы работы над крупными проектами. Модель обучена проводить структурированный аудит кода, выявляя критические ошибки путем анализа зависимостей и проверки поведения программы с помощью тестов. Также поддерживаются мультимодальные входные данные, такие как изображения или скриншоты для разработки пользовательских интерфейсов. Codex поддерживает использование внешних инструментов для поиска информации, установки зависимостей и настройки окружения. Модель специально разработана для использования в качестве автономного агента в сфере программирования.

Кодинг

Инструменты

Длинный контекст

Мультимодальность

Веб-автоматизация

Смежные подборки

OpenAI модели Модели для программирования Модели с длинным контекстом

Сравнение с похожими моделями

Модель

Для чего

Контекст

Цена ₽

Модель

OpenAI: GPT-5.1-CodexТекущая

Для чего

Контекст

400k

Цена ₽

144 / 1 150

OpenAI: GPT-5.1-CodexТекущая

400k

144 / 1 150

Модель

OpenAI: GPT-5 Codex

Для чего

Предыдущая итерация специализированной модели для кодинга с аналогичной архитектурой, но меньшей оптимизацией под длительные автономные задачи.

Контекст

400k

Цена ₽

144 / 1 150

OpenAI: GPT-5 Codex

400k

144 / 1 150

Модель

xAI: Grok 4.20 Beta

Для чего

Конкурирующая мультимодальная модель, ориентированная на высокую производительность в технических и логических сценариях.

Контекст

Цена ₽

240 / 718

xAI: Grok 4.20 Beta

240 / 718

Когда выбирать

Необходимость глубокого анализа и рефакторинга крупных репозиториев благодаря контексту 400k
Автоматизация сложных инженерных процессов, требующих длительного автономного выполнения
Работа с визуальными данными, такими как диаграммы архитектуры или скриншоты интерфейсов, для генерации кода

Когда не выбирать

Простые задачи по написанию коротких текстов, не связанных с программированием или технологиями
Сценарии, где критически важна минимальная задержка ответа при малом объеме входных данных
Работа в условиях жестко ограниченного контекста, где возможности модели будут избыточны