Modelos GPT-6 para Codex: ¿Astra, Sol o Luna?

La comparación de modelos más útil empieza por el trabajo que necesitas completar. Una pequeña modificación con una prueba de aceptación clara, un error ambiguo en producción y una refactorización amplia plantean exigencias distintas a un agente de programación.

Este es un proceso de selección, no una prueba de rendimiento que afirme que un modelo gana en todas las tareas. Usa el mismo estado del repositorio, las mismas instrucciones y las mismas comprobaciones de validación para cada modelo; después, compara el resultado y el uso real.

Elige un candidato inicial

Estos puntos de partida siguen las funciones descritas en la guía de selección de modelos de OpenAI. Tu propia carga de trabajo determina si otra opción es mejor.

Usa los ID exactos de los modelos

• 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 y GPT-6.1 Sol son identificadores distintos. No sustituyas uno por otro sin indicarlo dentro de una comparación. Mantén un registro del modelo exacto solicitado, el proveedor, la configuración de razonamiento y cualquier opción de nivel de servicio.

AI Prime Tech tiene solicitudes Responses completadas recientemente para estos cuatro modelos en su grupo de Codex de prepago. Consulta la lista de modelos de tu propia clave antes de hacer pruebas. Esa evidencia demuestra un uso reciente de la pasarela; no garantiza la compatibilidad con todas las herramientas del proveedor de origen ni con todas las solicitudes futuras.

Crea un pequeño conjunto de evaluación

Elige varias tareas de tu trabajo. Incluye un cambio sencillo, un error con un fallo reproducible y una tarea con un requisito poco claro que necesite una interpretación cuidadosa. Proporciona a todos los modelos el mismo código inicial y un criterio de finalización por escrito.

Por ejemplo, pide a cada modelo que corrija un error de validación de entrada sin cambiar la API pública. Exige que se superen las comprobaciones existentes e incluye un ejemplo de regresión específico. Registra si el modelo encontró la causa, si el parche introdujo cambios no relacionados y cuánta corrección humana fue necesaria.

Mantén las evaluaciones separadas para que un modelo no herede la solución de otro. Ejecuta las comprobaciones del repositorio sobre el resultado final. Una explicación convincente sin un cambio que funcione no debe contar como un éxito.

Compara el coste por tarea completada

El precio por token es solo uno de los factores. Registra el importe real facturado por la ejecución, incluidos los reintentos y los prompts de seguimiento. Una solicitud más barata puede requerir más intentos; un modelo más caro puede seguir siendo excesivo para una tarea que un modelo más pequeño completa de forma fiable.

Las páginas de detalles de los modelos enlazan a los precios estándar oficiales y explican sus limitaciones. Para las solicitudes a través de AI Prime Tech, usa el cargo que aparece en el panel para el grupo y el plan seleccionados. Mantén constantes el trabajo con y sin caché, el contexto largo y las opciones de servicio al comparar ejecuciones.

Para un plan de duración limitada, considera también cuánto trabajo útil puedes completar durante su periodo activo y dentro de sus límites de solicitudes. No conviertas el nombre de un plan en una suposición sobre la capacidad de procesamiento o la disponibilidad de todos los modelos.

Trata el contexto como un presupuesto

Proporciona al agente el código relevante, el comportamiento que falla y las restricciones. Añadir un repositorio entero a cada solicitud puede aumentar el coste y dificultar la identificación de las partes importantes. Pide evidencia de los archivos que haya inspeccionado y conserva las pruebas que demuestran que el trabajo está completo.

Si realmente necesitas una solicitud larga, verifica el límite efectivo del modelo, el cliente y el grupo de la pasarela. El contexto anunciado del modelo del proveedor de origen es una especificación, no una prueba de que tu integración completa vaya a aceptar una solicitud de ese tamaño.

Configura Codex una vez y cambia el modelo de forma deliberada

Usa el proveedor personalizado de nuestra guía de Codex CLI. Cambia el valor de model a un ID exacto de la lista anterior y, después, confirma el modelo y el proveedor activos con /status.

Para una aplicación, la guía de la API compatible con OpenAI muestra una solicitud Responses con transmisión en tiempo real. Mantén constantes el endpoint y la credencial al cambiar el modelo. Prueba las herramientas por separado antes de pedir al agente que realice un trabajo largo sin supervisión.

Una regla útil para decidir

Elige el modelo más ligero que complete tus tareas representativas con la calidad que necesitas. Mantén una vía para recurrir a un modelo más potente cuando falle o el problema se vuelva más complejo. Vuelve a ejecutar tus ejemplos cuando cambies las versiones de los modelos, los prompts o los ajustes de la pasarela.

Si aún estás eligiendo entre una suscripción y el acceso por API, lee Clave de API de Codex frente a suscripción a ChatGPT. Para empezar con esta pasarela, usa la página de acceso a la API de Codex.