Codex模型别乱拉满

Sol负责判断，Luna负责执行，Ultra默认关闭。

GPT-5.6 的关键不是全部拉满，而是按角色分配模型。

01 / 先说结论：默认配置应该收敛

GPT-5.6 发布后，Codex 同时出现了 Sol、Terra、Luna 三个模型，以及 Low、Medium、High、Extra High、Max、Ultra 六档推理强度。选择空间变多了，但日常工作不需要把每个旋钮都打开。

更稳妥的默认配置是：主 Agent 使用 GPT-5.6 Sol + High，简单任务切到 Medium，真正困难的任务切到 Extra High，Max 和 Ultra 默认关闭。子 Agent 则交给 LazyCodex 做角色分工。

02 / 为什么不提议默认使用 Ultra

原帖作者记录了一次额度事故：一次配置排查任务使用 Terra Ultra，运行超过一个小时仍未完整解决，5 小时用量归零，最后留下 17 个已经结束的子 Agent，周额度只剩 40%。这是原帖作者的个人经历，不代表所有账户都会复现。

引用帖 Theo 提到，如果把 GPT-5.6 Sol 设置为 Ultra，它创建的子 Agent 也会继承 Ultra。更麻烦的是，子 Agent 还可能继续派生新的子 Agent，调用量会递归放大。

主 Agent：Sol Ultra

├── 子 Agent A：Sol Ultra

│ └── 子 Agent A1：Sol Ultra

├── 子 Agent B：Sol Ultra

└── 子 Agent C：Sol Ultra

所以 Ultra 更适合受控压力测试，或明确知道额度上限、能够限制子任务规模的场景。把它作为日常默认档，潜在消耗风险可能大于能力收益。

03 / 六档推理强度怎么选

推理强度决定当前调用愿意投入多少计算，但不会把小模型临时变成大模型。可以按任务复杂度做简单分层：

• Low：明确、机械、速度优先的小任务
• Medium：日常轻任务，速度和质量均衡
• High：大多数复杂知识工作和编程任务
• Extra High：复杂规划、疑难问题、交付前深度处理
• Max：超大型项目或高代价决策的临时加码
• Ultra：高强度 Multi-Agent 场景，默认不提议常开

原帖引用的 DeepSWE 数据显示，Sol High 达到 69%，平均每个任务成本 3.47 美元；Sol Medium 达到 61%，平均成本 1.86 美元。

04 / Sol、Terra、Luna不是画质档

根据原帖引用的公开资料，Sol 是旗舰型号，Terra 关注能力、速度和成本平衡，Luna 更偏速度和成本效率。模型大小决定基础能力和能力上限，推理强度决定当前调用投入多少计算，这两个旋钮不能混为一谈。

原帖引用 Artificial Analysis 的能力与成本曲线，指出 Luna 和 Sol 在各档位都位于 Terra 的更优位置。

05 / 最实用的分工：Sol负责判断，Luna负责跑腿

理解全局目标、拆解任务、处理冲突和最终把关，更适合交给 Sol。搜索文件、查资料、读文档、跑测试和收集证据，更适合交给 Luna。

• Explorer、Librarian、QA Executor：GPT-5.6 Luna，High
• Executor、Metis：GPT-5.6 Sol，High
• Plan、Momus、代码审查角色：GPT-5.6 Sol，Extra High

这套分工的核心是：让快速模型扩大并行度，让更强的模型聚焦处理不可外包的判断。

06 / LazyCodex解决的是资源分配

原帖作者推荐 LazyCodex，是由于 Codex 明明拥有子 Agent 能力，却不必定会主动把任务拆开。LazyCodex 的价值，是把角色和模型显式绑定。

实际安装前，提议先阅读仓库当前版本的安装说明，并备份现有配置。角色名称、配置目录和模型标识不能只凭旧版本经验判断。

07 / 一套可以直接照抄的配置

默认主模型：GPT-5.6 Sol

默认推理：High

轻量任务：GPT-5.6 Sol，Medium

困难任务：GPT-5.6 Sol，Extra High

并行搜索与执行：GPT-5.6 Luna，High

Max：需要时临时开启

Ultra：默认关闭

真正需要判断的只有一个问题：当前任务有多复杂？计算资源应该围绕风险分配，而不是围绕模型名称分配。

08 / 最后判断

GPT-5.6 带来的变化，不只是模型变强，而是 Codex 开始把 Multi-Agent 作为正式工作方式的一部分。更稳妥的路线是：Sol 做主控，Luna 做执行，High 做默认，Medium 和 Extra High 按任务切换，Max 和 Ultra 只在明确受控的场景里使用。

不要把额度烧在所有 Agent 都能做的事情上，把最强模型留给真正需要判断的地方。