Codex 用哪個模型好:GPT-6.2 Astra、Sol、Terra 與 Luna 按任務推薦

搜「codex模型推薦」「codex模型排行」?按 OpenAI 官方《Models》整理四檔主力模型:GPT-6.2 Astra 攻複雜排錯,Sol 管日常開發,Terra 適合視覺與寫作,Luna 跑高頻明確任務。

NNathaniel bigo··原創首發·AI 輔助撰寫
9 分鐘讀完
資料核對於 2026-11-18 · 依據官方文檔與公開資料整理 Plus 帳號

結論先說

  1. 官方能力排序從強到輕依次是:GPT-6.2 Astra、GPT-6.2 Sol、GPT-6.1 Terra、GPT-6 Luna。 在軟件工程、數據分析、三維與設計、研究決策等六個官方維度上,排序完全一致。
  2. 日常寫代碼優先選 GPT-6.2 Sol(或帳號內可用的 GPT-6.1 Sol)。 官方將它定位於日常編碼、審閱改動與整合多份資料,同等付費套餐下比 Astra 能跑完更多任務。
  3. 跨服務疑難排錯和開放式方案權衡選 GPT-6.2 Astra。 它的推理最深,但單次消耗額度和等待時間也最高。
  4. 看截圖查介面、桌面操作選 GPT-6.1 Terra;提取字段、格式轉換等重複小活選 GPT-6 Luna。
  5. 模型要和推理強度配着用。 官方建議拿一個熟悉的代表性任務對比,保留「能達到質素要求的最低檔設定」。具體切換步驟見 Codex 怎麼切換模型和思考強度。

Codex 四檔官方主力模型定位對比

圖:本站根據 Codex 官方文檔:Models 整理的示意圖

本文根據 Codex 官方文檔《Models》《GPT-6.2》《Pricing》整理,資料核對於 2026-11-18。配圖為本站整理的示意圖,不是介面截圖。本站(bigolab.com)不是 OpenAI 官方網站。

適用於誰

  • 搜「codex模型推薦」「codex模型排行」,面對模型列表不知道日常寫代碼該選哪一個的人;
  • 想在推理深度、等待時間和套餐額度消耗之間找到平衡的人;
  • 舊腳本或配置裏還寫着已退役模型名,需要換到當前在用模型的人。

一、四個主力模型各自擅長什麼

按官方文檔對當前主力模型的劃分,不要只看誰最強,而是看任務需不需要持續的多步推理:

  • GPT-6.2 Astra(及 GPT-6 Astra):面向最難的端到端工作。適合跨多個服務追蹤故障根因、修復並跑通關聯測試,或在多份衝突方案之間權衡利弊。它與 GPT-6.2 Sol 一樣支持最高 100 萬 token 的上下文窗口(詳見 Codex App 怎麼設定 1M 上下文)。
  • GPT-6.2 Sol(及 GPT-6.1 Sol):面向日常主力開發。適合在現有代碼庫裏修 Bug、加功能、審閱合併請求(PR)、按評審意見改代碼,以及把會議紀要整理成實施計劃。標準速度下,它的每百萬 token 點數消耗只有 GPT-6.2 Astra 的四分之一。
  • GPT-6.1 Terra:面向日常寫作、視覺理解與電腦操作。適合看儀表盤或網頁截圖總結變化、核對介面元素、按源文檔填表,以及範圍明確的小修小補。命令行使用需 Codex CLI 0.159.0 及以上版本。
  • GPT-6 Luna:面向清晰、可重複的高頻任務。適合提取字段、做分類、轉成固定表格,或做預期結果一目了然的文件小改動。

二、官方給出的「模型 + 推理強度」八組搭配

官方文檔將常見工作對應到了八組起始檔位,拿不準時可照着起步:

組合官方推薦的典型場景
GPT-6 Luna · Low預期結果明確的小文件修改、字段提取
GPT-6 Luna · Extra high跨應用查找更新、排定跟進優先級、解決邊界清晰的規則問題
GPT-6.1 Terra · Medium操作桌面應用、更新記錄、做容易驗證的局部修復
GPT-6.2 Sol · Medium在現有代碼庫修 Bug、加功能,或起草待審閱文檔
GPT-6.2 Sol · Extra high需要邊寫邊跑測試、反覆修正的多步開發任務
GPT-6.2 Astra · Low把一份寫得很清楚的需求簡報直接變成可交付成品
GPT-6.2 Astra · Medium規劃並推進複雜工程,在執行中根據新資訊調整方案
GPT-6.2 Astra · Extra high處理開放式難題,需要權衡取捨並逐一驗證假設

關於更高檔位,官方單獨區分了 Max(拉長單線推理時間,Luna 最高支持到 Max)和 Ultra(自動拆分子代理並行處理複雜任務的不同部分)。桌面端滑塊沒看到 Ultra 時,去 設定(Settings)> 配置(Configuration) 打開 Ultra in model picker slider;CLI 裏輸入 /model 選好模型後再選 More reasoning…。

按手頭任務選 Codex 模型與推理強度

圖:本站根據 Codex 官方文檔:Models 整理的示意圖

三、結合套餐額度看性價比與退役模型替換

按官方定價頁對 Plus 和 Business 標準席位的每 5 小時本地消息估算區間:

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

日常用 Sol 中檔、瑣碎整理用 Luna、遇到卡殼難題再切 Astra,同一份套餐能撐起多得多的工作量。免費版與 Go 目前僅在桌面端逐步開放 GPT-6 Luna 且不含雲端任務。想用上 Sol 與 Astra 跑完整開發,可看本站 ChatGPT Plus 充值說明 或無 5 小時限制的 ChatGPT Pro 充值說明,窗口細則見 Codex 額度與使用限制。

同時請檢查 ~/.codex/config.toml(見 Codex config.toml 完整詳解)和自動化腳本,把已從 ChatGPT 登入方式退役的舊模型名換掉:gpt-5.3-codex-spark(2026-09-14 退役,見 GPT-5.3 Codex Spark 退役說明)、gpt-5.5(2026-10-14 退役)、gpt-5.4 與 gpt-5.4-mini(2026-08-31 退役)以及已棄用的 gpt-5.2、gpt-5.3-codex。

常見問題

問:為什麼我在桌面端或 CLI 的 /model 裏看不到 GPT-6.2 Astra 或 Sol?

答:先更新客戶端到最新版;若在 Enterprise 或 Edu 工作區,這兩個模型預設關閉,需管理員在工作區模型設定裏開啟。

問:普通 ChatGPT 網頁聊天裏能選 GPT-6.2 Sol 嗎?

答:官方說明 GPT-6.2 Astra、GPT-6.2 Sol、GPT-6.1 Sol 和 GPT-6.1 Terra 在 ChatGPT Work 與 Codex 中提供,普通 Chat 列表與它們獨立。

問:多端共用 config.toml 時,model 預設值寫哪個最穩?

答:官方建議填寫你所有常用客戶端(桌面端、CLI、IDE 擴展)都已開放的模型名,如 gpt-6.2-sol 或 gpt-6.1-sol。

相關教學

參考資料

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

Nathaniel 的更多內容

  1. 01

    LangGraph 流式輸出(Streaming)詳解:逐字 Token 流、節點進度與自定義事件寫法

    多步智能體如果等全部節點跑完才返回,網頁前端就會白屏乾等十幾秒。本文按 LangGraph 官方文檔講清 updates、messages、custom 與 values 四種 stream_mode 的區別,以及組合訂閱逐字打字機輸出加工具內部實時進度的完整代碼。

    其他 AI 工具0
  2. 02

    LangGraph 持久化與長期記憶怎麼配:Checkpointer、Store 與 PostgreSQL 實戰

    在生產環境跑 LangGraph,單靠 InMemorySaver 一重啟就會丟失全部對話。本文按官方文檔講清線程內短期檢查點(Checkpointer)與跨線程長期記憶(Store)的分工,以及用 langgraph-checkpoint-postgres 對接 PostgreSQL 的完整步驟。

    其他 AI 工具0
  3. 03

    LangGraph 多智能體怎麼寫:Supervisor 主管包與 Subgraph 隔離子圖實戰

    在 LangGraph 裏把單個圖擴展成多智能體協作有兩條官方路線:快速原型用預置包 langgraph-supervisor,大型生產系統用原生子圖(Subgraph)嵌套。本文講清兩種寫法的完整代碼、私有狀態隔離防 Token 膨脹技巧以及檢查點傳播規則。

    其他 AI 工具0
  4. 04

    LangGraph 人工介入審批怎麼寫:interrupt 暫停圖運行與 Command 恢復實戰

    企業之所以選 LangGraph,很大程度看中它能安全掛起等待人工審批(Human-in-the-Loop)。本文按官方最新規範講清 interrupt() 動態暫停、Checkpointer 必備條件、Command(resume=...) 恢復執行,以及防止副作用重複運行的重入規則。

    其他 AI 工具0
  5. 05

    多 Agent 協作平台怎麼選:Dify、釦子(Coze)、n8n 與 LangGraph 多智能體機制對比

    搜「多agent協作平台」時,Dify、釦子、n8n 和 LangGraph 都宣稱支持多智能體,但底層的調度方式完全不同。本文跳過基礎安裝,專門從多 Agent 角色跳轉、子代理工具調用、上下文隔離與私有化部署四個維度幫你一次選準。

    其他 AI 工具0
  6. 06

    企業微信有官方 MCP 和 CLI 嗎:@wecom/cli 安裝初始化、長連接機器人與接入教學

    搜「企業 微信 有 mcp 嗎」不用再東拼西湊民間群機器人腳本了:企業微信官方已推出 @wecom/cli 命令行工具並內置 stdio 模式的 MCP Server。本文按官方開發者文檔講清安裝、智能機器人長連接初始化、業務命令與接入 Claude Code 步驟。

    Claude其他 AI 工具0

同產品的其他教學

  1. 01

    AutoGen 現在怎麼樣了?微軟官方演進路線與 Microsoft Agent Framework 入門

    搜 AutoGen 新教學常被 0.2、0.4、社區分支和 Semantic Kernel 繞暈。按微軟官方文檔,微軟已將 AutoGen 與 Semantic Kernel 兩支團隊合併推出統一的開源框架 Microsoft Agent Framework。本文講清現狀與 Python 快速上手。

    ChatGPT其他 AI 工具0
  2. 02

    多 Agent 的成本為什麼翻倍、怎麼控制:Token 膨脹根源與五項降本措施

    剛把單智能體拆成多 Agent,用量往往暴漲好幾倍。Anthropic 工程報告統計單智能體約為聊天的 4 倍 Token,多智能體可達約 15 倍。本文拆解固定前綴重複加載、歷史搬運、工具鏈定義與緩存失效四大根源,並給出五條實操控費辦法。

    ChatGPTClaude0
  3. 03

    多 Agent 協同開發怎麼落地:「一個寫、一個審」雙代理工作流搭建指南

    多 Agent 協同開發裏投入產出比最高的模式就是「一個寫、一個審」。本文依據 Anthropic 與 OpenAI 官方編碼最佳實踐,講清為什麼同會話自審容易漏問題,以及用只讀子代理、跨模型交叉審查(Claude Code + Codex)和自動化閉環落地的具體方法。

    ClaudeCodex0
  4. 04

    多 Agent 編排模式詳解:編排者-工作者、交接(Handoffs)、並行與評估循環怎麼選

    搜「multi-agent orchestration 中文」會被各家框架的不同術語繞暈。本文對照 Anthropic《Building effective agents》與 OpenAI 智能體指南,把編排者-工作者、去中心化交接、並行分片投票與生成-評估循環四種標準編排拓撲講透。

    ChatGPTClaude0
  5. 05

    多智能體(Multi-Agent)是什麼、什麼時候該用:Anthropic 與 OpenAI 官方判斷標準

    多智能體不是代理越多越聰明。本文依據 Anthropic 研究系統架構文章與 OpenAI 官方智能體指南,講清確定性工作流、單智能體與多智能體的區別,以及哪三類瓶頸才值得上多智能體協同。

    ChatGPTClaude0
  6. 06

    codebase-memory 類 MCP 是什麼、怎麼用:基於語法樹圖譜的本地代碼索引原理與配置

    codebase-memory-mcp(DeusData/codebase-memory-mcp)是一類本地代碼圖譜 MCP 伺服器:用 Tree-sitter 把倉庫解析成函數與調用關係的 SQLite 圖庫,幫編碼助手查調用鏈並省下讀整份文件的額度。

    ClaudeCodex0

0 條評論

登入 後參與評論

還沒有評論,來搶沙發~