Modèles GPT-6 pour Codex : Astra, Sol ou Luna ?

La comparaison de modèles la plus utile commence par le travail que vous devez accomplir. Une petite modification avec un test d’acceptation clair, un bug de production ambigu et une refactorisation importante imposent des exigences différentes à un agent de programmation.

Il s’agit d’une démarche de sélection, et non d’un benchmark affirmant qu’un modèle l’emporte sur toutes les tâches. Utilisez le même état du dépôt, les mêmes instructions et les mêmes vérifications de validation pour chaque modèle, puis comparez le résultat et la consommation réelle.

Choisissez un premier candidat

Ces points de départ suivent les rôles décrits dans les recommandations de sélection des modèles d’OpenAI. Votre propre charge de travail détermine si un autre choix est préférable.

Utilisez les identifiants de modèle exacts

• 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 et GPT-6.1 Sol sont des identifiants distincts. Ne remplacez pas l'un par l'autre sans le signaler dans une comparaison. Conservez une trace du modèle exact demandé, du fournisseur, du réglage de raisonnement et de toute option de niveau de service.

AI Prime Tech dispose de requêtes Responses récentes et terminées pour ces quatre modèles dans son groupe Codex prépayé. Vérifiez la liste des modèles accessibles avec votre propre clé avant de tester. Ces éléments attestent d’une utilisation récente de la passerelle ; ils ne garantissent pas la prise en charge de tous les outils en amont ni de toutes les requêtes futures.

Constituez un petit jeu d’évaluation

Choisissez plusieurs tâches tirées de votre travail. Incluez une modification simple, un bug avec un échec reproductible et une tâche dont une exigence peu claire nécessite une interprétation attentive. Donnez à chaque modèle le même code de départ et des critères de fin écrits.

Par exemple, demandez à chaque modèle de corriger un bug de validation des entrées sans modifier l’API publique. Exigez que les vérifications existantes réussissent et incluez un exemple de non-régression ciblé. Consignez si le modèle a trouvé la cause, si le correctif a introduit des modifications sans rapport et dans quelle mesure une correction humaine a été nécessaire.

Séparez les évaluations afin qu’un modèle n’hérite pas de la solution d’un autre. Exécutez les vérifications du dépôt sur le résultat final. Une explication convaincante sans modification fonctionnelle ne doit pas être considérée comme une réussite.

Comparez le coût par tâche terminée

Le tarif par token n’est qu’un élément parmi d’autres. Consignez le montant réellement facturé pour l’exécution, en incluant les nouvelles tentatives et les prompts de suivi. Une requête moins chère peut nécessiter davantage de tentatives ; un modèle plus coûteux peut néanmoins être excessif pour une tâche qu’un modèle plus petit accomplit de manière fiable.

Les pages détaillées des modèles renvoient aux tarifs standard officiels et en expliquent les limites. Pour les requêtes passant par AI Prime Tech, utilisez le montant facturé dans le tableau de bord pour le groupe et la formule sélectionnés. Lors de la comparaison des exécutions, conservez des conditions cohérentes pour le travail avec et sans cache, le contexte long et les options de service.

Pour une formule à durée limitée, tenez également compte de la quantité de travail utile que vous pouvez accomplir pendant sa période de validité et dans ses limites de débit. Ne déduisez pas du nom d’une formule des hypothèses sur le débit ou la disponibilité de chaque modèle.

Traitez le contexte comme un budget

Fournissez à l’agent le code pertinent, le comportement défaillant et les contraintes. Ajouter un dépôt entier à chaque requête peut augmenter le coût et masquer les parties importantes. Demandez des preuves issues des fichiers qu’il a examinés et conservez les tests qui attestent de l’achèvement.

Si vous avez réellement besoin d’une requête longue, vérifiez la limite effective du modèle, du client et du groupe de la passerelle. Le contexte annoncé du modèle en amont est une spécification, pas une preuve que votre intégration complète acceptera une requête de cette taille.

Configurez Codex une fois, puis changez de modèle de manière délibérée

Utilisez le fournisseur personnalisé de notre guide de la CLI Codex. Remplacez la valeur de model par un identifiant exact de la liste ci-dessus, puis confirmez le modèle et le fournisseur actifs avec /status.

Pour une application, le guide de l’API compatible avec OpenAI présente une requête Responses en streaming. Conservez le même point de terminaison et le même identifiant d’authentification lorsque vous changez de modèle. Testez les outils séparément avant de demander à l’agent d’effectuer un long travail sans supervision.

Une règle de décision utile

Choisissez le modèle le plus léger qui accomplit vos tâches représentatives au niveau de qualité dont vous avez besoin. Prévoyez une solution de recours pour les cas où il échoue ou lorsque le problème devient plus complexe. Réexécutez vos exemples lorsque vous changez de version de modèle, de prompts ou de paramètres de passerelle.

Si vous hésitez encore entre un abonnement et un accès API, lisez Clé API Codex ou abonnement ChatGPT. Pour commencer à utiliser cette passerelle, consultez la page d’accès API à Codex.