Когда в релизе пишут «контекст до 1 миллиона токенов», это звучит почти как конец всех мучений: можно скормить модели огромный репозиторий, пачку документов, логи, переписку, презентации — и она всё поймёт с одного захода. На бумаге красиво. На практике — не так просто.
5 марта 2026 года OpenAI представила GPT‑5.4. В релизе упор сделали на профессиональную работу: код, документы, таблицы, презентации, tool use, computer use и длинные рабочие сценарии. И да — для API и Codex заявлен контекст до 1M токенов. Но тут же начинается та часть, которую в хайповых пересказах часто пропускают.
Во-первых, 1 миллион — это не универсальный режим «везде и для всех». OpenAI отдельно пишет, что в ChatGPT окна контекста для GPT‑5.4 Thinking не увеличили относительно GPT‑5.2 Thinking. То есть если человек просто видит заголовок «GPT‑5.4 = 1M контекст», а потом открывает ChatGPT и ждёт магии — он легко промахнётся мимо реальности. Это прежде всего история про API и агентные сценарии, а не про любой чат по умолчанию.
Во-вторых, сам большой контекст ещё не гарантирует, что модель одинаково хорошо держит длинную задачу на любой глубине. В том же релизе видно, что на очень длинных диапазонах качество уже не выглядит как «всё так же идеально, только больше». И это нормально: чем длиннее вход, тем выше цена ошибки, шума и лишнего мусора.
Теперь главное: где 1M контекст реально полезен.
Первый хороший сценарий — длинные сквозные задачи, где важна не одна статья или один файл, а связка из многих источников. Например: у вас большой проект, там код, документация, changelog, RFC, issue, логи инцидента и куски конфигов. Если агенту нужно не просто ответить на вопрос, а собрать картину, выстроить план и пройти по нескольким шагам, большой контекст действительно экономит кучу времени. Меньше ручной склейки, меньше промежуточных выжимок, меньше шансов потерять важную деталь на каждом переходе.
Второй сценарий — работа с большими документными наборами, когда цена пропуска детали высока. Контракты, регламенты, внутренние базы знаний, длинные техдоки, многостраничные спецификации — всё это как раз те случаи, где большой контекст может быть не роскошью, а нормальным рабочим инструментом. Особенно если задача не в стиле «перескажи документ», а в стиле «найди противоречия, составь таблицу рисков, покажи, где сломается процесс».
Третий сценарий — агенты с инструментами. В GPT‑5.4 OpenAI отдельно давит не только на reasoning, но и на computer use, tool search и долгие рабочие процессы. То есть смысл 1M не в том, чтобы просто держать в голове много букв, а в том, чтобы агент мог дольше планировать, сверяться, проверять и не терять нить по ходу реальной работы.
А теперь неприятная часть: где длинный контекст чаще всего превращается в дорогую игрушку.
Самая типовая ошибка — пихать в модель всё подряд «на всякий случай». Полрепозитория, архив чатов, бессвязные логи, старые версии документов, README всех зависимостей — и потом удивляться, почему ответ стал дороже, медленнее и не сильно умнее. Большой контекст не отменяет мусор на входе. Наоборот: он часто делает мусор масштабнее и дороже.
Вторая ошибка — использовать 1M как замену нормальному поиску и извлечению нужного. Если задача сводится к тому, чтобы найти 3 релевантных куска из 500 файлов, то часто выгоднее и умнее сначала сделать поиск, потом отдать модели уже найденное. Иначе вы платите за то, что модель читает огромный объём текста, который вообще не влияет на результат.
Третья ошибка — не считать экономику. OpenAI прямо пишет, что GPT‑5.4 в API дороже GPT‑5.2 по токенам: вход стоит $2.50 за миллион токенов против $1.75, выход — $15 против $14. Да, компания одновременно говорит о лучшей токен-эффективности. Но это не волшебная скидка. Если вы без разбора гоняете в модель гигантские контексты, бюджет улетает очень бодро.
Есть ещё одна важная деталь про Codex. OpenAI пишет, что в Codex поддержка 1M — экспериментальная, а стандартное окно — 272K. Более того, запросы, которые вылезают за стандартное окно, считаются по лимитам в двойном размере. То есть технически «1M есть», но использовать его как дефолтный режим на каждый чих — сомнительная идея.
Поэтому рабочий вывод довольно приземлённый: 1 миллион токенов нужен не вместо пайплайна, а в составе пайплайна.
Нормальная схема сейчас выглядит так:
1. Сначала отбор и поиск релевантного.
2. Потом чистка шума и дублей.
3. Потом короткие промежуточные выжимки там, где они реально уменьшают хаос.
4. И только после этого — большой контекст для задач, где нужно удержать длинную цепочку смысла.
То есть побеждает не подход «давайте просто закинем в модель весь интернет», а подход «давайте использовать длинный контекст там, где он реально дешевле ручной сборки и полезнее тупого retrieval».
Если упростить до одной формулы, она такая:
Большой контекст хорош, когда задача длинная, связная и дорогая по потере деталей.
Поиск и выжимки лучше, когда задача узкая, точечная и состоит из нескольких нужных фрагментов.
Именно поэтому 1M токенов — это не «новый дефолт для всего», а мощный режим для специальных случаев. В правильном месте он реально экономит часы. В неправильном — просто красиво сжигает деньги и добавляет ложное ощущение, что теперь можно не думать о структуре данных.
Вывод: GPT‑5.4 — это не история про «модель стала просто больше». Это история про то, что AI всё сильнее уходит в реальную рабочую среду: документы, код, браузер, инструменты, длинные процессы. Но 1M контекст сам по себе не отменяет инженерную дисциплину. Если пайплайн кривой, большой контекст просто сделает его дороже и медленнее. Если пайплайн нормальный — тогда да, он может дать очень заметный выигрыш.
Если тебе интересны такие практические разборы по AI, GitHub, self-hosted инструментам и реальные рабочие кейсы — подписывайся на мой Telegram-канал Pro IT: