“额度想重置就重置，不问财务”，Codex Tibo首曝幕后：产品没做好，就补偿用户

近期，围绕 Codex 与 Claude Code 的使用额度问题，社区出现了一个颇为反常的现象：过去被视为“福利”的全局额度重置，如今开始成为部分重度用户新的抱怨对象。 现在，用户不满的重点已经不只是“额度不够”，而是逐渐转向额度机制本身的不透明和不可预测。尤其是 OpenAI 多次临时为付费用户重置使用额度后，一些用户发现，全局重置可能打乱原本的周额度周期，甚至让此前刻意保留的额度和手动重置机会失去价值。 一名 Plus 用户表示，自己的额度原本将在 8 月 26 日恢复，但 OpenAI 在 8 月 24 日突然将额度提前恢复至 100%，与此同时，下一次重置时间却被推迟到了 8 月 31 日。这意味着，对于已经提前规划好一周工作量的用户而言，一次看似额外赠送的额度重置，反而可能改变后续使用节奏。 这也引发了更多用户对 Codex “重置文化”的质疑。有用户直言，与其不断进行临时重置，“不如直接给更多额度”。还有用户指出，真正的问题并不是浪费了一次手动重置，而是全局重置可能将下一次每周限额的刷新时间进一步往后推。 围绕这一机制，Codex 社区甚至已经出现了“别再沉迷重置了，这是一种心理策略”的讨论。 还有用户进一步计算发现，如果一次临时重置同时意味着新的 7 天周期从当天重新开始，那么用户在一个月内获得的总额度未必明显增加，本质上更接近于“提前使用下一周期额度”。相比之下，如果额外重置并不改变原有刷新日期，才更接近真正意义上的额度赠送。 而近期Codex 额度重置之后的异常消耗，同样成为用户近期集中抱怨的问题。有人自行追踪后发现，最近一次重置后，Plus 周额度对应的 API 使用价值似乎从约 160 美元下降至约 80 美元。同一天，另一名用户则表示，重置 Codex 额度之前，产品消耗一直较为正常，但重置之后，相似的日常任务让剩余额度迅速从通常约 60% 降至 28%。 Claude Code 社区也正在经历相似的额度争议。8 月 20 日，一名 Claude 用户表示，自己的周额度刚刚刷新，第一次 session 甚至还没有结束，就已经消耗了 Fable 5 周额度的约 20%。评论区另一名用户称，额度重置仅 40 分钟，周额度就已经消耗了 25%，而过去类似工作一小时通常只会消耗几个百分点。 “使用限额简直就是个笑话，而且每周都在变得更糟。”有 Claude Code 用户表示，自己工作约两个小时就耗尽了一个完整的 5 小时窗口，并消耗了约 17% 的周额度；第二天只是继续此前的旧会话、工作约半小时，又很快触发了整个 5 小时窗口限制。 相比单纯的额度缩水，用户更不满的是，为了避免过快消耗额度，他们不得不研究什么时候新开 thread、什么时候执行 compaction，以及是否应该恢复旧对话，额度管理本身已经开始干扰正常开发工作。 近期，针对社区热议的OpenAI用户使用限额重置问题，Codex 团队 Tibo 在参与Matthew Berman播客中首次公开详解背后逻辑，明确该操作并非营销策略，完全基于个人判断。 Tibo 表示，这一做法最初源于补偿：产品迭代过程中如果某项功能被搞坏、配置出错，或者体验没有达到预期，就给用户增加一些使用量，“感谢你做我们的用户”。同时，这一决定也没有复杂流程，并非先与市场或财务部门讨论。“我想什么时候按就什么时候按，感觉对了就按。”他还确认，办公室里确实存在一个实体重置按钮。 目前，Codex用户量已突破2000万，Tibo 将本轮增长核心得益于ChatGPT与Codex的融合。依托ChatGPT庞大的用户基数，OpenAI正在将编码能力开放给产品经理、设计师、市场人员等各类非技术从业者。 此外，Tibo 在模型速度上，Ultra Fast模式理论速度比Fast模式快10–14倍，但在高频工具调用场景中，受网络开销、智能体执行路径限制的场景，用户实际仅能感知3–4倍提速。 而OpenAI降价背后，在他看来，效率提升首先来自算法层面，即利用最强模型优化整个技术栈，另一个层面则是算力战略。两年前 OpenAI 因大规模投入算力一度受到质疑，但现在看来，这是一次“疯狂又漂亮的赌注”。 OpenAI内部对Ultra Fast模式采用优先级分配机制，优先供给系统宕机等高危应急场景，保障故障处置效率。同时该模式不对员工无限制开放，大部分算力资源预留外部用户与客户，员工使用量有明确上限。 针对外界关注的递归自我改进，Tibo 给出了更宽泛的定义。递归自我改进不只是用模型开发模型，同样包括使用模型去优化处于关键路径上的基础设施，例如推理栈、CUDA 内核、更高效的交互方式和云端智能体。 同时，他证实OpenAI已暂停绝对前沿的强化学习训练，核心目的是全面梳理、加固系统各环节，实现对技术体系的完全掌控后再重启迭代。 下面是播客对话的详细，我们进行了翻译和整理，并在不改变原意基础上进行了删减，以飨读者。 Google 与 DeepMind 的不同内部文化 主持人：我想从你在 Google 的经历说起。你当时在 DeepMind 团队，在 ChatGPT 出现之前，Google 有个东西叫 LMChat，你还发过推文说 Google 太紧张了不敢发布它，DeepMind 被阻止推出可能颠覆 Google 的产品。我经常想到这件事。在 ChatGPT 真正改变世界之前，你在做这些产品的时候心里在想什么？ Tibo：那是一段非常令人兴奋的时光。DeepMind 是一个非常有创造力的地方。我主要专注的是我的专长，即用来加速研究的基础设施和产品。当时显然有一个团队在做语言模型和规模化扩展，他们取得了相当不错的结果，然后很自然地就会想：能不能把它变成一个你可以聊天、可以用来做各种事情的东西？于是类似 LMChat 这样的想法就自然而然地出现了。它先是内部使用，然后有人想把它做成一个公开可用的工具。 主持人：那是哪一年？ Tibo： 大概是 ChatGPT 出来前一年左右。 当时我们还在做很多其他东西，我就不展开说了，但那确实是个非常有创造力的地方。只不过 DeepMind 不是为发布产品而搭建的组织。OpenAI 在这方面非常不一样：研究和产品协作极其紧密，我们一起构思、一起共同设计很多东西，我们极度倾向于把东西做出来发布，也极度倾向于让人们能用得上这些东西。这正是我来这里的原因，使命、人、人才密度，OpenAI 真的有太多很棒的地方了。 主持人：你在参与 LMChat 的时候，有没有意识到这是个特别的东西，或者说它会变得特别？ Tibo：当时确实感觉非常特别。那大概是第一次，你真正意识到模型已经可以生成连贯的文本，而且还能告诉你一些有用的东西。最开始，它更多是“好玩”，而不是“有用”，但后来它一点点变得越来越实用。 主持人：你说你经常想到这件事，我完全理解。我觉得在很多方面 Google 是自己绊住了自己。你从那里学到了哪些教训带到了 OpenAI？ Tibo：这正是我经常回想它的原因。我会从团队文化、OpenAI 自身文化的角度去想哪些好的部分要保留，哪些不能做。OpenAI 有非常自下而上的文化，非常强调赋权。人们可以冒出各种想法，凑在一起，然后非常快地做出东