GPT-6-Modelle für Codex: Astra, Sol oder Luna?

Der hilfreichste Modellvergleich beginnt mit der Arbeit, die Sie erledigen müssen. Eine kleine Änderung mit einem klaren Akzeptanztest, ein schwer einzugrenzender Fehler im Produktivbetrieb und ein umfangreiches Refactoring stellen unterschiedliche Anforderungen an einen Programmieragenten.

Dies ist ein Auswahlverfahren, kein Benchmark, der behauptet, dass ein Modell jede Aufgabe gewinnt. Verwenden Sie für jedes Modell denselben Repository-Stand, dieselben Anweisungen und dieselben Validierungsprüfungen und vergleichen Sie anschließend das Ergebnis und den tatsächlichen Verbrauch.

Einen ersten Kandidaten auswählen

Diese Ausgangspunkte orientieren sich an den Rollen, die OpenAI in seinen Hinweisen zur Modellauswahlbeschreibt. Ihre eigene Arbeitslast entscheidet darüber, ob eine andere Wahl besser ist.

Die exakten Modell-IDs verwenden

• GPT-6 Astra: gpt-6-astra.
• GPT-6.1 Sol: gpt-6.1-sol.
• GPT-6 Luna: gpt-6-luna.
• GPT-6 Sol: gpt-6-sol.

GPT-6 Sol und GPT-6.1 Sol sind unterschiedliche Kennungen. Ersetzen Sie in einem Vergleich nicht stillschweigend eine durch die andere. Dokumentieren Sie das genaue Modell der Anfrage, den Anbieter, die Reasoning-Einstellung und jede Option für die Servicestufe.

AI Prime Tech verfügt in seiner Prepaid-Codex-Gruppe über kürzlich abgeschlossene Responses-Anfragen für diese vier Modelle. Prüfen Sie vor dem Testen die Modellliste für Ihren eigenen Schlüssel. Diese Nachweise belegen die kürzliche Nutzung über das Gateway; sie garantieren nicht, dass jedes vorgelagerte Tool oder jede künftige Anfrage unterstützt wird.

Eine kleine Evaluierungsmenge zusammenstellen

Wählen Sie mehrere Aufgaben aus Ihrer Arbeit aus. Nehmen Sie eine unkomplizierte Änderung, einen Fehler mit reproduzierbarem Fehlverhalten und eine Aufgabe mit einer unklaren Anforderung auf, die sorgfältig interpretiert werden muss. Geben Sie jedem Modell denselben Ausgangscode und ein schriftlich festgelegtes Abschlusskriterium.

Bitten Sie beispielsweise jedes Modell, einen Fehler bei der Eingabevalidierung zu beheben, ohne die öffentliche API zu ändern. Verlangen Sie, dass die bestehenden Prüfungen erfolgreich durchlaufen, und fügen Sie ein gezieltes Regressionsbeispiel hinzu. Halten Sie fest, ob das Modell die Ursache gefunden hat, ob der Patch sachfremde Änderungen eingeführt hat und wie viel menschliche Korrektur nötig war.

Halten Sie die Evaluierungen getrennt, damit ein Modell nicht die Lösung eines anderen übernimmt. Führen Sie die Repository-Prüfungen anhand des Endergebnisses aus. Eine überzeugende Erklärung ohne funktionierende Änderung sollte nicht als Erfolg zählen.

Kosten pro abgeschlossener Aufgabe vergleichen

Der Preis pro Token ist nur ein Faktor. Erfassen Sie die tatsächlichen Kosten des Durchlaufs einschließlich Wiederholungsversuchen und Folgeprompts. Eine günstigere Anfrage kann mehr Versuche erfordern; ein teureres Modell kann für eine Aufgabe, die ein kleineres Modell zuverlässig erledigt, dennoch überdimensioniert sein.

Die Modelldetailseiten verlinken auf die offiziellen Standardpreise und erläutern deren Grenzen. Verwenden Sie für Anfragen über AI Prime Tech den im Dashboard angezeigten Betrag für die ausgewählte Gruppe und den ausgewählten Tarif. Halten Sie bei Vergleichen zwischen Durchläufen die Bedingungen für Arbeit mit und ohne Cache, langen Kontext und Service-Optionen konstant.

Berücksichtigen Sie bei einem zeitlich begrenzten Tarif auch, wie viel nützliche Arbeit Sie innerhalb seiner aktiven Laufzeit und Ratenlimits erledigen können. Leiten Sie aus dem Namen eines Tarifs keine Annahmen über den Durchsatz oder die Verfügbarkeit aller Modelle ab.

Kontext als Budget betrachten

Geben Sie dem Agenten den relevanten Code, das fehlerhafte Verhalten und die Vorgaben. Wenn Sie jeder Anfrage ein ganzes Repository hinzufügen, kann das die Kosten erhöhen und die entscheidenden Teile verdecken. Verlangen Sie Belege aus den untersuchten Dateien und behalten Sie die Tests bei, die den Abschluss nachweisen.

Wenn Sie tatsächlich eine lange Anfrage benötigen, prüfen Sie das effektive Limit für das Modell, den Client und die Gateway-Gruppe. Der beworbene Kontext des vorgelagerten Modells ist eine Spezifikation, kein Beleg dafür, dass Ihre gesamte Integration eine Anfrage dieser Größe akzeptiert.

Codex einmal konfigurieren und das Modell gezielt wechseln

Verwenden Sie den benutzerdefinierten Anbieter aus unserem Codex-CLI-Leitfaden. Ändern Sie den model Wert in eine exakte ID aus der obigen Liste und bestätigen Sie anschließend das aktive Modell und den Anbieter mit /status.

Für eine Anwendung zeigt der Leitfaden zur OpenAI-kompatiblen API eine Responses-Anfrage mit Streaming. Behalten Sie beim Wechseln des Modells denselben Endpunkt und dieselben Zugangsdaten bei. Testen Sie alle Tools separat, bevor Sie den Agenten mit einer langen, unbeaufsichtigten Aufgabe beauftragen.

Eine nützliche Entscheidungsregel

Wählen Sie das kleinste Modell, das Ihre repräsentativen Aufgaben in der benötigten Qualität erledigt. Halten Sie eine Eskalationsmöglichkeit für Fälle bereit, in denen es scheitert oder das Problem komplexer wird. Führen Sie Ihre Beispiele erneut aus, wenn Sie Modellversionen, Prompts oder Gateway-Einstellungen ändern.

Wenn Sie noch zwischen einem Abonnement und API-Zugang wählen, lesen Sie Codex-API-Schlüssel vs. ChatGPT-Abonnement. Für den Einstieg mit diesem Gateway verwenden Sie die Seite zum Codex-API-Zugang.