Codex 用哪个模型好:GPT-6.2 Astra、Sol、Terra 与 Luna 按任务推荐

搜「codex模型推荐」「codex模型排行」?按 OpenAI 官方《Models》整理四档主力模型:GPT-6.2 Astra 攻复杂排错,Sol 管日常开发,Terra 适合视觉与写作,Luna 跑高频明确任务。

NNathaniel bigo··原创首发·AI 辅助撰写
9 分钟读完
资料核对于 2026-11-18 · 依据官方文档与公开资料整理 Plus 账号

结论先说

  1. 官方能力排序从强到轻依次是:GPT-6.2 Astra、GPT-6.2 Sol、GPT-6.1 Terra、GPT-6 Luna。 在软件工程、数据分析、三维与设计、研究决策等六个官方维度上,排序完全一致。
  2. 日常写代码优先选 GPT-6.2 Sol(或账号内可用的 GPT-6.1 Sol)。 官方将它定位于日常编码、审阅改动与整合多份资料,同等付费套餐下比 Astra 能跑完更多任务。
  3. 跨服务疑难排错和开放式方案权衡选 GPT-6.2 Astra。 它的推理最深,但单次消耗额度和等待时间也最高。
  4. 看截图查界面、桌面操作选 GPT-6.1 Terra;提取字段、格式转换等重复小活选 GPT-6 Luna。
  5. 模型要和推理强度配着用。 官方建议拿一个熟悉的代表性任务对比,保留「能达到质量要求的最低档设置」。具体切换步骤见 Codex 怎么切换模型和思考强度。

Codex 四档官方主力模型定位对比

图:本站根据 Codex 官方文档:Models 整理的示意图

本文根据 Codex 官方文档《Models》《GPT-6.2》《Pricing》整理,资料核对于 2026-11-18。配图为本站整理的示意图,不是界面截图。本站(bigolab.com)不是 OpenAI 官方网站。

适用于谁

  • 搜「codex模型推荐」「codex模型排行」,面对模型列表不知道日常写代码该选哪一个的人;
  • 想在推理深度、等待时间和套餐额度消耗之间找到平衡的人;
  • 旧脚本或配置里还写着已退役模型名,需要换到当前在用模型的人。

一、四个主力模型各自擅长什么

按官方文档对当前主力模型的划分,不要只看谁最强,而是看任务需不需要持续的多步推理:

  • GPT-6.2 Astra(及 GPT-6 Astra):面向最难的端到端工作。适合跨多个服务追踪故障根因、修复并跑通关联测试,或在多份冲突方案之间权衡利弊。它与 GPT-6.2 Sol 一样支持最高 100 万 token 的上下文窗口(详见 Codex App 怎么设置 1M 上下文)。
  • GPT-6.2 Sol(及 GPT-6.1 Sol):面向日常主力开发。适合在现有代码库里修 Bug、加功能、审阅合并请求(PR)、按评审意见改代码,以及把会议纪要整理成实施计划。标准速度下,它的每百万 token 点数消耗只有 GPT-6.2 Astra 的四分之一。
  • GPT-6.1 Terra:面向日常写作、视觉理解与电脑操作。适合看仪表盘或网页截图总结变化、核对界面元素、按源文档填表,以及范围明确的小修小补。命令行使用需 Codex CLI 0.159.0 及以上版本。
  • GPT-6 Luna:面向清晰、可重复的高频任务。适合提取字段、做分类、转成固定表格,或做预期结果一目了然的文件小改动。

二、官方给出的「模型 + 推理强度」八组搭配

官方文档将常见工作对应到了八组起始档位,拿不准时可照着起步:

组合官方推荐的典型场景
GPT-6 Luna · Low预期结果明确的小文件修改、字段提取
GPT-6 Luna · Extra high跨应用查找更新、排定跟进优先级、解决边界清晰的规则问题
GPT-6.1 Terra · Medium操作桌面应用、更新记录、做容易验证的局部修复
GPT-6.2 Sol · Medium在现有代码库修 Bug、加功能,或起草待审阅文档
GPT-6.2 Sol · Extra high需要边写边跑测试、反复修正的多步开发任务
GPT-6.2 Astra · Low把一份写得很清楚的需求简报直接变成可交付成品
GPT-6.2 Astra · Medium规划并推进复杂工程,在执行中根据新信息调整方案
GPT-6.2 Astra · Extra high处理开放式难题,需要权衡取舍并逐一验证假设

关于更高档位,官方单独区分了 Max(拉长单线推理时间,Luna 最高支持到 Max)和 Ultra(自动拆分子代理并行处理复杂任务的不同部分)。桌面端滑块没看到 Ultra 时,去 设置(Settings)> 配置(Configuration) 打开 Ultra in model picker slider;CLI 里输入 /model 选好模型后再选 More reasoning…。

按手头任务选 Codex 模型与推理强度

图:本站根据 Codex 官方文档:Models 整理的示意图

三、结合套餐额度看性价比与退役模型替换

按官方定价页对 Plus 和 Business 标准席位的每 5 小时本地消息估算区间:

  • GPT-6.2 Astra:约 6–50 条;
  • GPT-6.2 Sol:约 17–180 条;
  • GPT-6.1 Terra:约 35–285 条;
  • GPT-6 Luna:约 350–3,000 条。

日常用 Sol 中档、琐碎整理用 Luna、遇到卡壳难题再切 Astra,同一份套餐能撑起多得多的工作量。免费版与 Go 目前仅在桌面端逐步开放 GPT-6 Luna 且不含云端任务。想用上 Sol 与 Astra 跑完整开发,可看本站 ChatGPT Plus 充值说明 或无 5 小时限制的 ChatGPT Pro 充值说明,窗口细则见 Codex 额度与使用限制。

同时请检查 ~/.codex/config.toml(见 Codex config.toml 完整详解)和自动化脚本,把已从 ChatGPT 登录方式退役的旧模型名换掉:gpt-5.3-codex-spark(2026-09-14 退役,见 GPT-5.3 Codex Spark 退役说明)、gpt-5.5(2026-10-14 退役)、gpt-5.4 与 gpt-5.4-mini(2026-08-31 退役)以及已弃用的 gpt-5.2、gpt-5.3-codex。

常见问题

问:为什么我在桌面端或 CLI 的 /model 里看不到 GPT-6.2 Astra 或 Sol?

答:先更新客户端到最新版;若在 Enterprise 或 Edu 工作区,这两个模型默认关闭,需管理员在工作区模型设置里开启。

问:普通 ChatGPT 网页聊天里能选 GPT-6.2 Sol 吗?

答:官方说明 GPT-6.2 Astra、GPT-6.2 Sol、GPT-6.1 Sol 和 GPT-6.1 Terra 在 ChatGPT Work 与 Codex 中提供,普通 Chat 列表与它们独立。

问:多端共用 config.toml 时,model 默认值写哪个最稳?

答:官方建议填写你所有常用客户端(桌面端、CLI、IDE 扩展)都已开放的模型名,如 gpt-6.2-sol 或 gpt-6.1-sol。

相关教程

参考资料

  • Codex 官方文档:Models — https://learn.chatgpt.com/docs/models
  • Codex 官方文档:GPT-6.2 — https://learn.chatgpt.com/docs/whats-new/gpt-62-astra-sol
  • Codex 官方文档:Pricing — https://learn.chatgpt.com/docs/pricing

Nathaniel 的更多内容

  1. 01

    LangGraph 流式输出(Streaming)详解:逐字 Token 流、节点进度与自定义事件写法

    多步智能体如果等全部节点跑完才返回,网页前端就会白屏干等十几秒。本文按 LangGraph 官方文档讲清 updates、messages、custom 与 values 四种 stream_mode 的区别,以及组合订阅逐字打字机输出加工具内部实时进度的完整代码。

    其他 AI 工具0
  2. 02

    LangGraph 持久化与长期记忆怎么配:Checkpointer、Store 与 PostgreSQL 实战

    在生产环境跑 LangGraph,单靠 InMemorySaver 一重启就会丢失全部对话。本文按官方文档讲清线程内短期检查点(Checkpointer)与跨线程长期记忆(Store)的分工,以及用 langgraph-checkpoint-postgres 对接 PostgreSQL 的完整步骤。

    其他 AI 工具0
  3. 03

    LangGraph 多智能体怎么写:Supervisor 主管包与 Subgraph 隔离子图实战

    在 LangGraph 里把单个图扩展成多智能体协作有两条官方路线:快速原型用预置包 langgraph-supervisor,大型生产系统用原生子图(Subgraph)嵌套。本文讲清两种写法的完整代码、私有状态隔离防 Token 膨胀技巧以及检查点传播规则。

    其他 AI 工具0
  4. 04

    LangGraph 人工介入审批怎么写:interrupt 暂停图运行与 Command 恢复实战

    企业之所以选 LangGraph,很大程度看中它能安全挂起等待人工审批(Human-in-the-Loop)。本文按官方最新规范讲清 interrupt() 动态暂停、Checkpointer 必备条件、Command(resume=...) 恢复执行,以及防止副作用重复运行的重入规则。

    其他 AI 工具0
  5. 05

    多 Agent 协作平台怎么选:Dify、扣子(Coze)、n8n 与 LangGraph 多智能体机制对比

    搜「多agent协作平台」时,Dify、扣子、n8n 和 LangGraph 都宣称支持多智能体,但底层的调度方式完全不同。本文跳过基础安装,专门从多 Agent 角色跳转、子代理工具调用、上下文隔离与私有化部署四个维度帮你一次选准。

    其他 AI 工具0
  6. 06

    企业微信有官方 MCP 和 CLI 吗:@wecom/cli 安装初始化、长连接机器人与接入教程

    搜「企业 微信 有 mcp 吗」不用再东拼西凑民间群机器人脚本了:企业微信官方已推出 @wecom/cli 命令行工具并内置 stdio 模式的 MCP Server。本文按官方开发者文档讲清安装、智能机器人长连接初始化、业务命令与接入 Claude Code 步骤。

    Claude其他 AI 工具0

同产品的其他教程

  1. 01

    AutoGen 现在怎么样了?微软官方演进路线与 Microsoft Agent Framework 入门

    搜 AutoGen 新教程常被 0.2、0.4、社区分支和 Semantic Kernel 绕晕。按微软官方文档,微软已将 AutoGen 与 Semantic Kernel 两支团队合并推出统一的开源框架 Microsoft Agent Framework。本文讲清现状与 Python 快速上手。

    ChatGPT其他 AI 工具0
  2. 02

    多 Agent 的成本为什么翻倍、怎么控制:Token 膨胀根源与五项降本措施

    刚把单智能体拆成多 Agent,用量往往暴涨好几倍。Anthropic 工程报告统计单智能体约为聊天的 4 倍 Token,多智能体可达约 15 倍。本文拆解固定前缀重复加载、历史搬运、工具链定义与缓存失效四大根源,并给出五条实操控费办法。

    ChatGPTClaude0
  3. 03

    多 Agent 协同开发怎么落地:「一个写、一个审」双代理工作流搭建指南

    多 Agent 协同开发里投入产出比最高的模式就是「一个写、一个审」。本文依据 Anthropic 与 OpenAI 官方编码最佳实践,讲清为什么同会话自审容易漏问题,以及用只读子代理、跨模型交叉审查(Claude Code + Codex)和自动化闭环落地的具体方法。

    ClaudeCodex0
  4. 04

    多 Agent 编排模式详解:编排者-工作者、交接(Handoffs)、并行与评估循环怎么选

    搜「multi-agent orchestration 中文」会被各家框架的不同术语绕晕。本文对照 Anthropic《Building effective agents》与 OpenAI 智能体指南,把编排者-工作者、去中心化交接、并行分片投票与生成-评估循环四种标准编排拓扑讲透。

    ChatGPTClaude0
  5. 05

    多智能体(Multi-Agent)是什么、什么时候该用:Anthropic 与 OpenAI 官方判断标准

    多智能体不是代理越多越聪明。本文依据 Anthropic 研究系统架构文章与 OpenAI 官方智能体指南,讲清确定性工作流、单智能体与多智能体的区别,以及哪三类瓶颈才值得上多智能体协同。

    ChatGPTClaude0
  6. 06

    codebase-memory 类 MCP 是什么、怎么用:基于语法树图谱的本地代码索引原理与配置

    codebase-memory-mcp(DeusData/codebase-memory-mcp)是一类本地代码图谱 MCP 服务器:用 Tree-sitter 把仓库解析成函数与调用关系的 SQLite 图库,帮编码助手查调用链并省下读整份文件的额度。

    ClaudeCodex0

0 条评论

登录 后参与评论

还没有评论,来抢沙发~