Codex报错gpt-5.5不支持？原因与解决方法

如果你最近打开 Codex 时遇到“gpt-5.5 Model Is Not Supported”的报错，先别慌——这不是你的订阅出了问题，也不是产品故障。真正的原因是 OpenAI 已在 10 月 14 日将 GPT-5.5 从 ChatGPT 账号登录体系中退役，Codex 通过 ChatGPT 登录时自然无法再调用这个模型。

Codex gpt-5.5 报错来源截图

这个报错到底意味着什么？

Codex 支持两种主要的鉴权方式：ChatGPT 账号登录和 API Key 登录。此前，ChatGPT 登录路径下可以选用 GPT-5.5 作为底层模型，不少用户已经习惯了这个组合。

OpenAI 在 10 月 14 日将 GPT-5.5 从 ChatGPT 登录体系中移除，这直接导致 Codex 在 ChatGPT 账号模式下不再提供 GPT-5.5 作为可选模型。当你手动指定该模型，或旧配置中仍保留着 gpt-5.5 时，Codex 就会抛出“model is not supported”错误。

简而言之：模型本身没有消失，只是 ChatGPT 登录这条路不再支持它了。

要理解为什么同一个模型会在不同登录方式下表现不同，需要了解 OpenAI 的鉴权分层结构。ChatGPT 账号登录走的是面向消费者的订阅体系，可用模型列表由 OpenAI 统一控制，会随产品迭代调整；而 API Key 登录走的是面向开发者的平台体系，模型版本和生命周期相对独立，通常保留更长时间。这种“双轨制”意味着同一个模型名（如 gpt-5.5）在两条路径下可能拥有不同的可用状态和退役时间表。因此，当某模型从 ChatGPT 登录体系中退役时，API 路径可能仍然可用，这并非矛盾，而是两条产品线的生命周期管理策略不同所致。

解决方案：切换模型或切换登录方式

方案一：改用 ChatGPT 登录支持的模型

如果你希望继续使用 ChatGPT 账号登录 Codex，最直接的做法是把模型配置改为当前支持的型号。Codex 在 ChatGPT 登录模式下会提供一组可用模型列表，选择其中一个即可恢复正常使用。

需要留意的是，不同模型在推理能力、速度和上下文处理上有所差异，切换后可能需要重新适应输出风格。

方案二：改用 API Key 登录

如果你的工作流严重依赖 GPT-5.5 的特性，可以切换到 API Key 鉴权方式。通过 API 访问时，GPT-5.5 仍然可用（取决于你的 API 权限和配额）。

这种方式的代价是需要单独管理 API 账单，但对于需要精细控制模型版本的用户来说，这是更稳妥的长期方案。

长线程压缩陷阱：容易被忽略的第二个坑

除了模型报错本身，还有一个更隐蔽的问题——长线程压缩（long-thread compaction）陷阱。

在 Codex 的长时间会话中，系统会对历史对话进行压缩以控制上下文长度。如果压缩过程中仍然引用了已被退役的 GPT-5.5 配置，可能导致会话状态异常，表现为模型切换后行为不一致，或者压缩后的上下文丢失关键信息。

实际影响是：即使你换了模型，旧的长会话可能仍然带着 GPT-5.5 时代的残留配置，需要开启新会话或手动清理旧线程来彻底规避。

上下文窗口（context window）是模型单次调用能处理的最大 token 数量，超出后会触发压缩或截断。长线程压缩（long-thread compaction）就是 Codex 在会话 token 接近上限时，把早期对话摘要化、丢弃冗余内容以腾出空间的过程。压缩通常是增量的，压缩后的摘要会作为新上下文继续参与后续推理。如果摘要生成时仍引用已退役模型的配置元数据（如模型标识、能力标签），后续切换模型后可能出现上下文与模型能力不匹配的问题，表现为回答风格前后不一致或关键约束被摘要忽略。因此，遇到此类会话异常时，开启新会话往往比在旧线程上修补更可靠。

还有哪些功能不受影响？

好消息是，这次变更的影响范围有限：

Codex 核心功能正常：代码生成、补全、重构等核心能力不受影响，只是底层模型选项变了。
API 路径不受影响：通过 API Key 使用 GPT-5.5 依然可行。
其他 ChatGPT 登录模型正常：只有 GPT-5.5 被移除，其余可用模型不受波及。

快速排查清单

遇到这个报错时，按以下步骤操作：

确认你的 Codex 使用的是 ChatGPT 登录还是 API Key 登录。
如果是 ChatGPT 登录，检查模型配置是否仍写着 gpt-5.5。
将模型切换为 ChatGPT 登录支持的型号，或改用 API Key。
如果问题依旧，尝试开启全新会话，避免旧线程压缩带来的残留影响。
检查是否有团队或项目级别的共享配置中硬编码了 gpt-5.5。

这次变更本质上是一次产品迭代，而非故障。理解背后的鉴权分层逻辑，就能快速定位并解决问题。