Codex模型怎麼選？品質、速度與成本一次看懂
Luna做明確的小工作、Terra當日常開發起點、Sol處理需要判斷的問題、Astra接手最複雜的完整任務、Spark留給盯著畫面來回改的情境；推理強度另外調，Fast預設關，成本要算到可驗收為止。
用Codex寫程式，最省事的做法，是每個任務都選最強模型，再把推理強度（reasoning effort）開到最高。但省下選擇的麻煩，不代表省下了成本。
反過來，為了節省額度，什麼工作都交給最便宜的模型，也可能讓你把時間花在反覆解釋、檢查和修正上。
比較實用的方式，是先問自己：這件事主要需要「照規格完成」，還是需要「找出問題、做出判斷」？
以兼顧品質與成本為目標，一套容易上手的配置是：Luna處理明確的小工作，Terra負責日常開發，Sol處理困難判斷，Astra接手最複雜的完整任務；Spark則留給需要快速來回修改的情境。這是依官方模型定位整理的實務建議，不是每個專案都適用的固定排名。
一、工作量大，不代表一定要用最強模型#
假設有兩項工作。
第一項，是按照現有範例，新增二十個格式一致的測試。第二項，是找出系統為什麼偶爾會重複扣款。
前者看起來工作量比較大，但只要規格清楚、結果容易驗證，就有理由先交給較便宜的模型。後者最後可能只需要修改三行程式，卻得釐清重試機制、同時發生的請求、交易狀態與資料一致性，值得一開始就投入較強的分析能力。
因此，我會用這個原則分配工作：
做法明確、容易驗證，優先省單價；原因不明、出錯代價高，優先省返工。
這也解釋了為什麼不能只用「檔案很多」「程式很長」來決定模型。真正重要的是：它需要理解多少關聯、處理多少不確定性，以及做錯之後有多難發現。
二、五個主要模型，各自適合什麼工作？#
Luna：把明確、重複的事情做好#
GPT-5.6 Luna的官方定位，是低成本、大量處理工作。它比較適合有清楚輸入、明確輸出，而且知道怎樣才算完成的任務（GPT-5.6 Luna（於新分頁開啟），擷取2026-09-07）。
例如，按照既有格式補文件、整理變更摘要、轉換資料格式，或依照已經寫好的規格補上測試。
這類工作，我會先從Luna開始。因為需要的通常不是重新設計系統，而是理解規則後穩定執行。
但「補測試」也有難易之分。照列好的案例寫測試，與自行找出付款流程有哪些危險的邊界情況，是兩種不同的工作。後者涉及測試策略與風險判斷，不宜只因為都叫補測試，就一律選最便宜的模型。
Terra：日常開發的合理起點#
GPT-5.6 Terra主打能力與成本的平衡，適合當作一般開發工作的起點（GPT-5.6 Terra（於新分頁開啟），擷取2026-09-07）。
新增表單、串接API、修改資料增刪改查、處理有重現步驟的錯誤，以及範圍清楚的一般重構，我會優先考慮Terra。
例如，需求是「在既有會員頁面加入修改暱稱功能，沿用目前的驗證方式與API結構」，我會先用Terra／Medium，讓它理解相關程式、完成修改，再執行測試。
這裡的重點是「先用」，不是認定Terra一定足夠。當工作開始牽涉多個模組、舊設計的限制，或需求本身還不清楚，就應該重新評估，而不是一直要求同一個模型再試一次。
Sol：需要分析、取捨與找原因時使用#
GPT-5.6 Sol是GPT-5.6家族中面向複雜專業工作的旗艦模型（GPT-5.6 Sol（於新分頁開啟），擷取2026-09-07）。
我會把它用在架構設計、跨模組修改、困難除錯，以及重要的程式碼審查。
例如，「這個功能應該放在前端、後端，還是背景工作中處理？」不是單純產生程式碼的問題。它需要比較可靠性、維護成本、效能與失敗後的處理方式。
同樣地，「畫面顯示錯誤」和「資料為什麼偶爾不同步」也不一樣。後者需要建立假設、找證據、排除原因，這類工作我會比較願意把額度花在Sol上。
Astra：最複雜、需要一路追到完成的任務#
GPT-6 Astra的官方定位，是處理最困難的完整工作流程，涵蓋複雜推理、程式開發、工具操作與研究（GPT-6 Astra（於新分頁開啟），擷取2026-09-07）。
我會優先考慮把大型重構、複雜系統遷移、跨多個服務的調查，以及需要反覆驗證與調整的長任務交給Astra。
例如，遷移會員權限系統，不只是把幾個欄位換掉，還可能需要盤點舊邏輯、設計相容方式、補上測試、規劃資料遷移，以及準備失敗時的回復方案。
這時候，值得比較的是整項工作的完成品質，而不是第一輪回覆用了多少額度。
不過，選Astra不代表可以省略驗收。涉及權限、付款、資料刪除與遷移時，我仍會要求具體測試、修改依據與人工確認，不會把模型的一句「已完成」當成上線標準。它的能力邊界與官方數字怎麼讀，另一篇單獨寫了：GPT-6 Astra是什麼？厲害在哪、數字怎麼讀。
Spark：適合你盯著畫面，快速來回修改#
GPT-5.3-Codex-Spark是另一種定位。它強調即時互動，適合快速修改局部程式、調整邏輯，或一邊看結果、一邊修正。它目前是Pro使用者的文字限定研究預覽，採獨立用量限制（Introducing GPT-5.3-Codex-Spark（於新分頁開啟），擷取2026-09-07）。
Spark不是Astra或Sol的加速版，而是一個獨立、能力取向不同的模型。
還有一點值得留意：官方介紹指出，Spark的預設工作方式偏向輕量、局部修改，不會自動執行測試，除非你提出要求。因此，使用時最好把「修改後執行相關測試」一起寫進指令。
三、選好模型後，再決定要讓它想多深#
模型和推理強度，是兩個不同的選擇。
選模型，是決定交給哪一套能力；調整推理強度，則是決定讓這個模型投入多少分析。提高推理強度，可能改善複雜工作的結果，但也會增加時間與token使用量（Codex models（於新分頁開啟），擷取2026-09-07）。
日常使用，我會這樣開始：
這張表是工作配置建議。實際上，Medium可以當作起點，需要更深的規劃與檢查，再提高到High或Extra High。
至於Max與Ultra，兩者也不同。Max讓單一模型對任務投入更多推理；Ultra則會讓其他代理分工處理。官方建議，只有最困難或適合拆分的工作，才需要考慮這兩種模式。
例如，把三個相對獨立的模組分開調查，可能適合分工；但所有修改都集中在同一段核心邏輯時，多開幾個代理不一定有幫助。
也不要預設「Luna開到最高」就等於「Sol開Medium」。沒有這種固定換算，應該用自己的任務結果判斷。
四、先分清楚：你花的是訂閱額度，還是API費用？#
談成本之前，先確認Codex的登入方式。
使用ChatGPT帳號登入Codex，走的是方案內含額度與符合資格的加購點數；使用API key，則依API用量另外計費。付了ChatGPT月費，不代表API用量也包含在裡面（Pricing（於新分頁開啟），擷取2026-09-07）。
API價格，可以用來看模型之間的價差#
Token是模型處理內容的單位，不是程式碼行數。你提供的指令、讀入的檔案、對話歷史、工具結果與模型輸出，都可能產生用量。
另外，模型內部使用的推理tokens，也會以輸出tokens計費（Reasoning models（於新分頁開啟），擷取2026-09-07）。因此，最後只回覆幾句話，不代表這次工作一定便宜。
以下是目前四款主要模型的Standard、短上下文級距，每100萬tokens的API美元價格：
以上不含另外適用的工具、快取寫入、加速與長上下文等費用。Sol的現行優惠價格，官方標示至少持續至2026-11-21（Pricing（於新分頁開啟），擷取2026-09-07）。
換成比較容易理解的例子：假設一項工作的總用量是10萬個一般輸入tokens，加上1萬個輸出tokens，輸出已包含推理。不計其他費用，依上表算出的成本分別是：
Luna 約 US$0.032
Terra 約 US$0.32
Sol 約 US$0.60
Astra 約 US$1.50這是固定用量的比較，不是每個開發任務的報價。不同模型完成同一件事，可能讀取不同數量的資料、嘗試不同次數，也可能使用不同的推理量。
長上下文，也是一筆容易忽略的成本#
以上四款模型目前都有長上下文加價規則：單次請求輸入超過272K tokens時，整個請求的輸入與輸出會適用較高費率，而不只是超過門檻的那一小段。以Terra為例，是輸入2倍、輸出1.5倍（GPT-5.6 Terra（於新分頁開啟），擷取2026-09-07）。
所以，「把整個專案全部塞給模型」不是一定比較好的做法。更合理的目標，是讓它取得足夠的相關資訊，而不是讓每一輪都重讀大量無關內容。
五、Fast mode值不值得開？看你是不是正在等它#
Fast mode的用途是提高速度，不是把模型換成更高一級。
目前，使用ChatGPT登入Codex時，GPT-5.6、GPT-5.5，以及可用情況下的Astra，Fast mode都以一般模式2.5倍的點數速率消耗。API則是另一套規則，目前GPT-5.6與Astra的Fast費率為Standard的2倍（Speed（於新分頁開啟），擷取2026-09-07）。
這裡的2.5倍是總消耗。假設相同用量原本需要10點，開啟後就是25點，也就是多出150%。
我會把Fast留給這種情境：你正在處理一個問題，必須等Codex回覆，才能決定下一步。這時候，縮短等待確實可能有價值。
但任務不需要你即時接手，或大部分時間都花在測試、建置與外部工具上，就沒有理由一律開啟。模型輸出變快，也不能直接推論整項工作會按相同比例提早完成——這筆帳怎麼算，另一篇有完整換算：Codex Fast模式會多花多少用量？什麼時候值得開。
CLI可以用以下指令檢查與調整：
/fast status
/fast off我的預設建議是：先關閉Fast，需要即時互動時再開。
六、Plus、Pro，怎麼買比較合理？#
以目前官方美元標價來看，Free為免費、Go每月US$8、Plus每月US$20；Pro則有每月US$100與US$200兩個級距。實際付款金額以所在地區與結帳頁面為準（Pricing（於新分頁開啟），擷取2026-09-07）。
兩個Pro級距的主要差異，是用量。US$100方案標示為Plus的5倍，US$200方案則為Plus的20倍。後者月費是前者的兩倍，標示額度是四倍，但前提仍然是你真的用得到（About ChatGPT Pro plans（於新分頁開啟），擷取2026-09-07）。
我的購買建議不是先衝最高方案，而是先觀察使用方式。
剛開始使用，可以先確認Codex是否真的能幫上忙。經常用於一般開發，再評估Plus是否足夠。只有當額度持續影響工作，而且已經排除「小事用旗艦模型」「所有任務都開最高推理強度」「忘了關Fast」這些情況，才值得考慮提高固定月費。
偶爾爆量，先比較加購；經常不夠，再比較升級。Plus與Pro使用者在達到限制後，可以購買額外點數，不一定要直接換方案。撞到上限當下還有一個選項是備援模型，見Codex額度用完之後，還有Luna Reserve能夠繼續用？。
還要注意，訂閱額度不能換算成固定的「完整功能數」。任務大小、上下文、推理和工具使用都會影響消耗，也可能受到五小時與每週限制。CLI的/status可以查看目前用量狀態。
七、真正省錢的方法，是減少無效工作#
只比較模型價格，容易漏掉最重要的一部分：你自己的時間。
假設一個便宜模型需要反覆修改，最後還得由你花半小時找出問題；另一個較貴模型一次就完成，那就不能只拿第一次呼叫的費用比較。
比較合理的帳，是：
總成本＝模型費用＋人工檢查與修改時間＋等待造成的影響＋出錯後果。
在這個前提下，有三個使用習慣特別值得建立。
先把「想清楚」與「照規格做」分開#
以新增會員功能為例，我會先讓Sol釐清資料結構、權限規則與驗收條件，再依工作難度決定是否交給Terra實作。已經定義清楚的文件、測試資料與格式整理，可以交給Luna。到了關鍵邏輯的審查階段，再讓Sol或Astra檢查具體風險。
但這不是每項工作都要跑一遍的標準流程。修改一段文案，不需要四個模型輪流接手；小型功能也可能由Terra直接完成。分工是為了降低成本，不是為了增加交接。
卡關時，先整理證據，不要只叫它再試一次#
我會設定一個簡單的管理門檻：連續兩輪沒有實質進展，就先停止修改。
這不是技術上的硬性規則，而是避免失控重試的做法。可以改成這樣要求：
先不要繼續修改。請整理已驗證的事實、已排除的原因、目前最可能的假設，以及下一個最能區分這些假設的測試。
整理後，再決定是缺少資料、缺少重現方法，還是真的需要換更強的模型。升級模型可以是下一步，但不應該用來掩蓋需求與證據的不足。
把任務範圍寫清楚，比一味壓低模型更實用#
「幫我看看整個專案，順便優化所有問題」很難控制工作範圍，也很難驗收。我會改成：
修正這個重現步驟造成的錯誤。先檢查相關模組，不做無關重構。保留既有介面，補上能重現問題的測試，執行驗證，最後說明修改原因與仍未確認的風險。
官方的省用量建議，也包括縮小參考資料範圍、提供精確指令、區分必要工作與額外改善，以及精簡不必要的AGENTS.md和MCP工具上下文（Pricing（於新分頁開啟），擷取2026-09-07）。
重點不是讓模型看得越少越好，而是讓它讀到的內容，確實有助於把這項工作做完。
八、舊教學可以參考，但模型清單要重新確認#
網路上較早的文章，可能還在推薦GPT-5.4、GPT-5.4 mini，或更早的Codex系列。
目前GPT-5.4與GPT-5.4 mini已於2026-08-31從使用ChatGPT帳號登入的Codex退役，官方建議分別改用Terra與Luna。這次退役不影響OpenAI API，以及使用自有API key的Codex（ChatGPT & Codex changelog（於新分頁開啟），擷取2026-09-07）。
因此，不要只因為舊文章說某個模型適合寫程式，就直接照抄設定。先確認它還能不能用、走哪種計費方式，以及目前的替代模型是什麼。
選對工作，比一直選最強更重要#
剛開始不必把所有組合都研究完。以成本與品質平衡為目標，我會先用Terra／Medium做一般開發，把明確的小工作移到Luna；遇到架構取捨、困難除錯與重要審查，再交給Sol；最複雜、需要長時間追蹤與整合的任務，則考慮Astra。
Fast預設關閉，真的需要縮短互動等待時再開。Max與Ultra也留給有明確理由的工作，不把最高設定當成品質保證。
最後，評估模型時，不妨記錄三件事：第一次驗收有沒有通過、自己花了多少時間修改，以及整項工作用了多少額度。
最值得追求的，不是每一次呼叫都最便宜，而是每一件完成並通過驗收的工作，總成本最低。