ChatGPT、Codex实战：Sol、Terra、Luna怎么选？Reasoning不是越高越好

GPT-5.6进入Codex以后，一个非常明显的变化是：

模型选择越来越不像"选最强的那个"这么简单。

现在Codex主要提供三档GPT-5.6模型：

复制代码

GPT-5.6 Sol
GPT-5.6 Terra
GPT-5.6 Luna

同时还可以继续调整Reasoning：

复制代码

Low
Medium
High
Extra High
Max
Ultra

于是很多人会产生一个最直接的想法：

Sol最强，那我一直用Sol不就行了？

或者：

Reasoning直接拉到Max、Ultra，结果肯定最好。

实际上，这种用法反而很容易让Codex变得：

更慢、更重，而且很多任务根本得不到对应收益。

OpenAI目前对三款模型的定位非常清楚：Sol面向复杂、开放式和高价值任务；Terra是日常工作的主力模型；Luna更适合边界明确、重复性高的任务。官方同时建议Reasoning应该使用"能够达到所需结果的最低级别"，再根据任务复杂度逐级提高。

所以真正应该建立的不是：

最强模型优先。

而是：

Task → Model → Reasoning

这套任务路由逻辑。

一、先分清Model和Reasoning解决的不是同一个问题

很多人会把：

复制代码

Sol / Terra / Luna

和：

复制代码

Low / Medium / High

理解成同一条性能滑杆。

其实不是。

模型更接近：

选择什么级别的执行引擎。

Reasoning更接近：

这次任务让它投入多少推理资源。

可以简单理解成：

复制代码

Model
↓
基础能力与任务定位

Reasoning
↓
本次任务思考深度

所以完全可能出现：

复制代码

Terra + High

比：

复制代码

Sol + Low

更适合某一个具体任务。

真正需要判断的是任务本身。

二、Sol：不要拿旗舰模型去做所有小任务

目前Codex官方把GPT-5.6 Sol定位为三款模型里能力最强的一档，尤其适合复杂代码修改、深度研究、Computer Use以及需要更多判断和打磨的开放式工作。

什么叫开放式任务？

例如：

分析为什么这个大型项目最近接口延迟突然增加，并提出修改方案。

这里并没有明确告诉Agent：

哪个文件有问题；

应该改哪段代码；

Root Cause是什么。

它可能需要：

复制代码

读取架构
↓
搜索代码
↓
检查调用链
↓
分析日志
↓
提出假设
↓
验证假设
↓
修改多个模块

这种任务最大的难点不是：

写代码。

而是：

判断应该做什么。

这种情况下Sol更有价值。

三、哪些任务更适合Sol？

可以归纳成4类。

1. Root Cause不明确

例如：

偶发内存泄漏，帮我找原因。

Agent需要自己探索。

2. 修改范围可能跨多个模块

例如：

复制代码

API
↓
Service
↓
Database
↓
Frontend

需要同时理解多个系统关系。

3. 需要大量权衡

比如：

重新设计权限系统，但是不能破坏旧接口。

这里不是简单实现。

而是要在：

兼容性；

安全；

性能；

维护成本

之间做判断。

4. 错误成本较高

例如：

核心架构重构；

复杂Migration；

安全问题；

高风险代码Review。

这种任务值得让模型投入更多分析。

所以Sol真正适合的是：

复制代码

Ambiguous
+
Complex
+
High Value

四、Terra才更像大多数开发者的日常主力

如果Sol负责解决最困难的问题，

Terra更像：

Everyday Workhorse。

官方目前把Terra定位为日常工作的平衡型模型，在保持较强推理和工具能力的同时，不需要每个任务都使用Sol的完整深度。

比如：

复制代码

修一个明确Bug

新增一个API

补测试

修改数据库查询

重构一个模块

这些任务通常已经具备：

清楚的Goal；

有限的Scope；

明确的Done Condition。

Agent不需要先研究半天：

我到底应该干什么？

更多是在执行：

已经比较清楚的工程任务。

这种情况下Terra往往更合理。

五、很多Codex任务其实不用Sol

比如任务是：

users接口返回字段里增加avatarUrl，并补相关测试。

任务结构已经非常明确：

复制代码

Goal
增加字段

Scope
users API

Verification
测试通过

真正的工作可能只有：

复制代码

找Schema
↓
修改返回值
↓
调整Type
↓
补测试
↓
运行验证

这种情况下最主要的问题是：

稳定执行。

而不是深度研究。

直接使用Sol并不一定会让这个任务产生明显更好的结果。

这也是为什么模型路由非常重要。

六、Luna不要理解成"能力弱的模型"

很多人看到Luna的定位偏速度和效率，就会自然认为：

那它只能做简单问答。

这也不准确。

官方把Luna定位在：

clear、repeatable、high-volume

这类任务上。

核心并不是任务必须特别简单。

而是：

任务规则足够明确。

例如：

复制代码

按照固定格式整理Commit

扫描日志并分类错误

把一批接口信息转换为统一JSON

给200个文件检查同一种规则

这些任务可能数量非常大。

但单个任务不需要大量开放式判断。

这种情况下Luna反而非常合适。

七、Luna特别适合和Skills、Scheduled Tasks组合

昨天我们讲Skills的时候提到过：

一个真正稳定的Skill应该已经把：

复制代码

Input
Process
Output

定义清楚。

Scheduled Task同样适合：

边界稳定；

可以重复；

能够验证

的任务。

这两类任务天然很适合Luna。

例如：

复制代码

每天09:00
↓
Scheduled Task
↓
调用CI Triage Skill
↓
Luna
↓
读取失败记录
↓
分类
↓
生成结构化报告

这里真正值钱的不是模型自己重新思考整个Workflow。

而是：

可靠执行已经定义好的Workflow。

所以可以记住一句话：

任务越标准化，越有机会把模型往Luna方向下沉。

八、选完模型以后，第二步才是Reasoning

很多人真正浪费额度和时间的地方，其实不是模型。

而是：

Reasoning一直开太高。

Codex目前建议根据任务难度选择Reasoning，并明确指出更高Reasoning可能改善复杂任务结果，但会增加执行时间和Token使用。官方默认建议从合适的较低级别开始，再根据结果提高。

可以把Reasoning简单理解成：

复制代码

Low
快速执行

Medium
执行 + 一定规划

High
更多分析与检查

Extra High
复杂长任务

Max
单任务最大推理深度

Ultra
多Agent自动拆分任务

但这里最重要的是：

Ultra已经不仅是"再多想一点"。

九、Low适合什么？

Low最适合：

任务已经非常清楚。

例如：

把这个变量名改成userId，并更新相关引用。

或者：

修复这个已经定位好的TypeScript类型错误。

这里Agent几乎不需要探索。

流程就是：

复制代码

Understand
↓
Modify
↓
Verify

如果这种任务也一直用High或者Max，

增加的推理并不一定产生明显收益。

所以：

复制代码

Small Scope
+
Clear Goal
+
Clear Verification
→ Low

十、Medium其实应该成为很多人的默认起点

Medium的价值在于：

速度和推理深度比较平衡。

比如：

给订单接口增加分页，并补测试。

Agent需要：

理解现有接口；

找到相关代码；

修改；

检查影响；

运行测试。

需要一点计划，

但不是复杂架构问题。

这种任务非常适合：

复制代码

Terra
+
Medium

OpenAI当前Codex默认Power配置使用Sol搭配Medium，同时官方最佳实践也把Medium视为需要一定规划任务的常用区间。

所以不确定Reasoning的时候，

Medium通常是一个很好的基线。

十一、什么时候应该升High或者Extra High？

出现以下信号，就可以考虑提高Reasoning。

Root Cause不明确

需要Agent自己排查。

修改文件明显增多

例如十几个文件形成一条调用链。

存在多个方案

需要比较Trade-off。

任务持续时间比较长

需要保持计划和状态。

Verification比较复杂

不仅跑一个测试，还需要：

复制代码

Unit Test
Integration Test
Lint
Type Check
Diff Review

这种情况下可以从：

复制代码

Medium
↓
High

再根据实际表现增加。

十二、Max真正适合的是"一个特别难的问题"

Max最容易被误解。

很多人会认为：

Max就是日常High的增强版。

其实更适合理解成：

让当前模型对一个非常困难的任务投入更多推理。

官方当前建议Max主要用于最困难、以深度和质量优先的任务。

例如：

一个分布式系统出现很难复现的数据一致性问题。

这时候你希望Agent：

不断分析；

建立假设；

检查多个证据；

推翻错误方向；

深入验证。

这就是Max适合的场景。

所以：

复制代码

Hard Single Problem
↓
Max

十三、Ultra和Max其实不是一回事

这是最值得注意的地方。

当前Codex的Ultra模式并不是简单：

Max再增加一点Reasoning。

官方说明非常明确：

Ultra会使用Subagents，把复杂任务中的不同部分进行并行处理。

结构更接近：

复制代码

Main Agent
      ↓
 ┌────┼────┐
 ↓    ↓    ↓
A     B     C
 ↓    ↓    ↓
结果汇总

所以：

复制代码

Max
=
Single-Agent Deep Reasoning

而：

复制代码

Ultra
=
Reasoning
+
Automatic Delegation
+
Subagents

这两者解决的是不同问题。

十四、什么任务适合Ultra？

最重要的判断不是：

任务难不难？

而是：

任务能不能真正拆成相对独立的子问题？

例如：

对一个大型项目做完整升级评估。

可以拆成：

复制代码

Agent A
检查Backend

Agent B
检查Frontend

Agent C
分析测试体系

最后主Agent整合结果。

这种工作天然可以并行。

Ultra就有意义。

十五、什么任务不适合Ultra？

例如：

找出这个函数为什么产生Race Condition。

它真正的问题只有一个。

后面的每一步强依赖前面的推理：

复制代码

理解状态
↓
找到竞争条件
↓
定位触发顺序
↓
验证

这种任务即使派5个Subagents，

也未必比一个Agent深度思考更有效。

更可能适合：

复制代码

Sol
+
Max

而不是：

复制代码

Ultra

所以记住：

复杂 ≠ 一定适合并行。

十六、真正实用的是建立一张任务路由表

日常使用Codex，可以直接按照任务类型做第一轮选择。

类型1：小而明确

例如：

改变量；

修明确报错；

简单格式调整。

建议：

复制代码

Luna / Terra
+
Low

类型2：普通开发任务

例如：

实现API；

修常规Bug；

补测试；

小范围重构。

建议：

复制代码

Terra
+
Medium

类型3：复杂调试

例如：

Root Cause不明确；

跨模块Bug；

性能问题。

建议：

复制代码

Terra / Sol
+
High

类型4：复杂架构任务

例如：

系统迁移；

核心模块重构；

安全分析。

建议：

复制代码

Sol
+
Extra High / Max

类型5：大型可拆任务

例如：

多个模块同时分析；

大规模Repository Review；

多个独立方向并行调查。

建议：

复制代码

Sol
+
Ultra

这套表不是绝对规则。

但它至少比：

所有任务Sol + Max

合理得多。

十七、判断模型是否选对，不要只看"答案好不好"

真正进入Codex工作流以后，建议同时看4个指标。

复制代码

Quality

结果是否正确？

复制代码

Latency

完成任务花了多久？

复制代码

Usage

消耗是否合理？

复制代码

Intervention

中间需要人工纠正多少次？

最终我们真正优化的是：

复制代码

Task Quality
──────────────
Time × Usage × Human Intervention

而不是单独追求：

Maximum Intelligence。

十八、什么时候应该"降模型"？

这是很多人很少主动做的一步。

如果一个Workflow已经连续跑了几十次，

而且：

Prompt稳定；

Skill稳定；

输入结构固定；

输出格式固定；

Verification明确。

那么应该开始问：

这个任务是不是还需要Sol？

例如原来：

复制代码

Sol + High

跑CI错误分类。

随着Workflow越来越成熟，

可能逐步测试：

复制代码

Terra + Medium

再到：

复制代码

Luna + Low

如果最终质量仍然稳定，

说明真正成熟的不是：

模型越来越强。

而是：

Workflow越来越确定。

这其实才是Agent工程效率提升最重要的一种方式。

十九、为什么"越高越好"最终一定会失效？

因为真实工程不是Benchmark。

真实工程需要平衡：

复制代码

质量
速度
消耗
稳定性
并发

假设：

任务A需要30秒完成。

使用更高Reasoning以后变成3分钟，

但结果完全一样。

那么更高Reasoning没有创造价值。

如果企业每天运行：

复制代码

1000 Tasks

这种差别会迅速放大。

因此Agent规模越大，

越需要：

Routing。

未来真正成熟的Agent系统，不应该让所有任务都流向旗舰配置。

而应该：

复制代码

Task Classification
↓
Model Routing
↓
Reasoning Routing
↓
Execution
↓
Verification

二十、模型选择其实正在变成Agent架构的一部分

过去Model Picker只是一个UI按钮。

现在随着：

Skills；

Scheduled Tasks；

Subagents；

Automations

越来越多，

模型选择开始变成：

Workflow Configuration。

例如：

复制代码

Explorer
→ Luna

Implementer
→ Terra

Architecture Reviewer
→ Sol

同一个Agent系统里，

不同角色完全可能使用不同模型。

所以真正值得优化的已经不是：

Codex应该使用哪个模型？

而是：

这个系统里的每一种任务分别应该交给哪个模型？

这就是：

Model Routing。

最后

GPT-5.6 Sol、Terra、Luna真正带来的变化，并不是让用户每天纠结：

到底哪个最强？

更合理的使用方式是：

复制代码

复杂开放任务
→ Sol

日常工程任务
→ Terra

清楚重复任务
→ Luna

再根据任务难度选择：

复制代码

Low
Medium
High
Extra High
Max
Ultra

其中最重要的两条原则是：

第一，不要用最强模型解决所有任务。

第二，不要把Reasoning越高理解成结果一定越好。

官方当前的建议其实非常接近这个思路：

使用能够达到目标的最低Reasoning级别，需要更多计划、分析和检查时再逐渐提高。

所以真正成熟的Codex工作流应该越来越接近：

复制代码

Task
↓
Model
↓
Reasoning
↓
Execution
↓
Verification

而不是：

复制代码

所有任务
↓
Sol
↓
Max

当我们开始按照任务特点分配模型和Reasoning以后，

Codex优化的就不再只是：

单次回答有多聪明。

而是整个工程系统的：

效率、稳定性和任务吞吐量。

这才是GPT-5.6时代真正值得建立的Model Routing思维。

持续更新Codex、大模型开发相关技术内容。

长期使用各类代码大模型，整理了稳定的AI会员订阅渠道。