Cómo elegir el modelo: ante la misma instrucción, qué modelo delegar para su ejecución
📚 Navegación de la serie: El artículo anterior 〔29 Integración con Slack, Linear y SDK〕 detalló el uso de integraciones para invocar a Codex de forma remota y su integración en el desarrollo de software. Este artículo vuelve al entorno de desarrollo local para analizar una decisión cotidiana: al presionar Enter en su terminal, qué modelo de lenguaje y con qué intensidad de razonamiento procesará su requerimiento. El siguiente artículo 〔31 Técnicas avanzadas y optimización de velocidad〕 abordará cómo acelerar la ejecución y optimizar el consumo de recursos.
Suele decirse que "elegir el modelo más potente es siempre la decisión correcta"; yo mismo creí en esa afirmación durante bastante tiempo.
Hubo una época en la que configuré gpt-5.5 como el modelo predeterminado y elevé el esfuerzo de razonamiento al máximo nivel xhigh, pensando que así resolvería cualquier tarea en un solo intento. Hasta que un día le solicité renombrar una variable de data a payload —una tarea sencilla de edición de texto que toma unos segundos—. El sistema se detuvo a "razonar profundamente" durante casi un minuto antes de aplicar el cambio. Mientras observaba la animación del progreso de razonamiento en la pantalla, comprendí por primera vez que utilizar el modelo más potente para todo no era una decisión inteligente.
En el desarrollo real, el mejor modelo no es el más potente, sino el más adecuado para la tarea. Utilizar el modelo insignia con el máximo esfuerzo de razonamiento para corregir un error tipográfico es equivalente a usar una excavadora para arrancar una hierba: es un proceso lento, costoso e ineficiente. A la inversa, si se enfrenta a la refactorización de un módulo de software complejo e implementa un modelo ligero por rapidez, obtendrá una propuesta que parece funcional pero que introduce fallos ocultos en el código, requiriendo repetir el proceso varias veces.
Este artículo detalla los criterios de selección de modelos: qué modelos se encuentran disponibles en Codex, cómo configurar el esfuerzo de razonamiento (un parámetro con impacto directo en el rendimiento) y la tabla de referencia de modelos por tipo de tarea que utilizo en mi día a día. Con esta información, la selección de opciones en el menú /model resultará sencilla.
Al terminar de leer este artículo, obtendrás:
- Un criterio de decisión sencillo: la selección del modelo consiste en emparejar la complejidad de la tarea con los recursos de cómputo requeridos.
- Los modelos disponibles en Codex, su enfoque de uso, cuál es el predeterminado y qué versiones se encuentran obsoletas.
- Explicación de un parámetro clave que suele omitirse: el esfuerzo de razonamiento (reasoning effort).
- Una tabla de referencia rápida de modelos y niveles de esfuerzo recomendados según el escenario de desarrollo.
- Los cuatro métodos para cambiar de modelo: configuración global, modificador de arranque, comandos en la sesión e integración en subagentes.
- Un ejercicio práctico para comparar la velocidad y el comportamiento de las respuestas según las configuraciones del modelo.
⚠️ Los nombres de los modelos y su disponibilidad varían según las actualizaciones y su plan de suscripción. Este artículo se enfoca en la metodología de análisis y selección; las opciones de modelos activas en su entorno se despliegan directamente en la terminal mediante el menú
/model. Los comandos y variables de configuración se contrastan con la documentación oficial de Codex.
01 Evaluar la complejidad, el tiempo y el costo
La selección del modelo consiste en equilibrar la complejidad del requerimiento con la capacidad de procesamiento del modelo: asignar recursos en exceso genera costos innecesarios y tiempos de espera altos, mientras que usar recursos insuficientes compromete la calidad del resultado.
Configurar el modelo insignia para todas las tareas bajo el supuesto de evitar errores pasa por alto factores del desarrollo diario como el tiempo de espera y el consumo de recursos de la API:
- Si realiza decenas de interacciones con Codex a lo largo de la jornada y cada respuesta tarda 30 segundos adicionales en procesarse debido al razonamiento, acumulará demoras significativas al final del día.
- El uso de la API consume recursos de su plan o de su API key de forma directa; el costo por token del modelo insignia es considerablemente superior al de los modelos ligeros.
Antes de seleccionar el modelo, evalúe estas tres variables en su tarea:
¿Cuál es la complejidad del código? ¿Qué tiempo de espera es aceptable? ¿Qué nivel de costo es razonable?
| Características de la tarea | Enfoque de selección |
|---|---|
| Complejidad alta (arquitectura de software, refactorizaciones, depuración de fallos lógicos) | Use el modelo insignia con esfuerzo de razonamiento alto; priorice la precisión. |
| Complejidad baja (renombrar variables, agregar documentación o estructurar funciones simples) | Use un modelo ligero con esfuerzo de razonamiento bajo; priorice la velocidad y el bajo costo. |
| Alta interactividad (sesión interactiva rápida, consultas rápidas tipo chat) | Use modelos optimizados para respuestas rápidas sin tiempos de razonamiento prolongados. |
💡 Resumen en una frase: La selección óptima de modelos consiste en emparejar la capacidad del modelo con el nivel de complejidad del código a desarrollar.
02 Modelos disponibles en Codex
Al abrir la opción /model en la terminal, se desplegará el listado de opciones de modelos disponibles para su cuenta.
Analogía: Asignar tareas al perfil profesional adecuado. Para diseñar la arquitectura de un módulo de software, delega el trabajo al perfil más experimentado y analítico (modelo insignia); para tareas rutinarias de edición de código, un desarrollador en formación es suficiente (modelo ligero); para consultas rápidas cara a cara durante la codificación, necesita al perfil con las respuestas más ágiles (modelo en tiempo real). Asignar la tarea al perfil correcto optimiza los tiempos y los costos del proyecto.
La clasificación general de los modelos de Codex se estructura de la siguiente manera:
| Modelo | Enfoque de uso | Caso recomendado | Rendimiento / Costo |
|---|---|---|---|
gpt-5.5 | Modelo insignia (predeterminado) | Diseño de software complejo, control del sistema, investigación y desarrollo | Moderado / Alto |
gpt-5.4-mini | Modelo ligero y ágil | Edición de código simple, tareas rutinarias y subagentes | Rápido / Bajo |
gpt-5.3-codex-spark | En tiempo real (versión de pruebas) | Programación iterativa de alta velocidad sin procesos de razonamiento complejos | Muy rápido / Bajo |
Puntos importantes sobre la disponibilidad de los modelos:
- Configuración predeterminada: si no se especifica el modelo en las opciones del CLI o de la App de escritorio, el sistema utilizará el modelo insignia
gpt-5.5para garantizar la precisión de las respuestas. gpt-5.3-codex-sparkse encuentra en fase de pruebas (research preview) y su acceso está limitado temporalmente a perfiles suscritos a planes específicos.- Modelos obsoletos: los modelos
gpt-5.2ygpt-5.3-codexhan sido marcados como obsoletos (deprecated) para inicios de sesión en ChatGPT. Si los tiene configurados en scripts, en el archivoconfig.tomlo en ejecuciones concodex exec --model, actualícelos a las versiones recomendadas. En accesos mediante API key directos, consulte la disponibilidad de modelos en la documentación de la API de OpenAI.
Un patrón de uso común en desarrollo: usar el modelo insignia para la conversación principal y delegar tareas de procesamiento por lotes a subagentes equipados con gpt-5.4-mini. Si requiere limpiar las importaciones obsoletas en múltiples archivos, el agente principal puede coordinar la tarea distribuyendo la ejecución entre varios subagentes que utilicen la versión mini, optimizando el tiempo total y el costo de la API.
💡 Resumen en una frase: Seleccione
gpt-5.5para tareas complejas que requieran análisis,gpt-5.4-minipara ejecuciones por lotes de bajo costo ygpt-5.3-codex-sparkpara interacciones rápidas; evite el uso de los modelos marcados como obsoletos.
Al contrastar los modelos en una escala de "complejidad de la tarea frente a costo y tiempo de espera", observará que el modelo insignia gpt-5.5 se ubica en el cuadrante de alta complejidad con mayor costo, mientras que mini y spark se posicionan como opciones rápidas para tareas directas.
03 Esfuerzo de razonamiento: optimizar el tiempo de respuesta
Además de seleccionar el modelo de lenguaje, Codex permite configurar el parámetro de esfuerzo de razonamiento (reasoning effort), el cual determina el tiempo que el modelo dedicará a analizar internamente el requerimiento antes de emitir la respuesta final.
Analogía: El tiempo de análisis concedido a un profesional. Si le solicita a un desarrollador experimentado resolver un problema de forma inmediata, responderá con la primera solución viable que identifique; si le permite documentarse y realizar pruebas en borrador, desarrollará una solución optimizada y robusta. El esfuerzo de razonamiento calibra este tiempo de preparación del modelo.
Niveles de esfuerzo de razonamiento disponibles para modelos compatibles en la API:
| Nivel | Descripción | Caso de uso recomendado |
|---|---|---|
minimal | Sin razonamiento interno; respuesta casi inmediata | Tareas simples, consultas directas y formato de textos |
low | Análisis básico de la solicitud | Correcciones rápidas en el código local |
medium | Equilibrio entre tiempo de respuesta y análisis (predeterminado) | Tareas de desarrollo cotidianas y adición de lógica estándar |
high | Razonamiento profundo de la estructura del código | Refactorizaciones complejas e investigación de fallos de lógica concurrentes |
xhigh | Máximo esfuerzo de razonamiento (según disponibilidad del modelo) | Diseño de arquitectura y depuración de fallos de seguridad complejos |
Aspectos a considerar:
- El nivel
mediumes el valor de inicio estándar configurado en el sistema. - El nivel máximo
xhighrequiere soporte explícito del modelo seleccionado; la interfaz/modelle indicará si la combinación elegida es compatible.
Este parámetro explica por qué tareas triviales como renombrar variables pueden tardar si se mantiene el esfuerzo en xhigh: el modelo consume el tiempo de cómputo buscando implicaciones profundas para una tarea directa. Por el contrario, ante un error concurrente de base de datos de difícil diagnóstico, elevar el esfuerzo a high le permite al modelo trazar el árbol de llamadas y detectar la condición de carrera con precisión.
Si el modelo no resuelve una tarea de lógica de forma correcta, intente elevar el esfuerzo de razonamiento un nivel antes de cambiar a un modelo superior; si percibe demoras en tareas sencillas, reduzca el nivel de esfuerzo.
💡 Resumen en una frase: Modifique el esfuerzo de razonamiento para balancear la velocidad y el análisis: auméntelo para depurar lógica compleja y redúzcalo para acelerar la generación de respuestas en tareas cotidianas.
04 Tabla de referencia rápida de configuración de modelos
Se detalla la configuración recomendada de modelo y esfuerzo de razonamiento para los escenarios de desarrollo más comunes:
| Escenario de desarrollo | Modelo recomendado | Esfuerzo de razonamiento |
|---|---|---|
| Diseño de arquitectura y especificaciones técnicas | gpt-5.5 | high / xhigh |
| Refactorizaciones complejas que alteran múltiples módulos | gpt-5.5 | high |
| Diagnóstico de fallos concurrentes o problemas de rendimiento | gpt-5.5 | high |
| Implementación de funciones y lógica del día a día | gpt-5.5 | medium |
| Modificaciones menores, formato de código y documentación | gpt-5.4-mini | low |
| Procesamiento por lotes y tareas de subagentes | gpt-5.4-mini | low / medium |
| Conversación interactiva fluida y consultas de documentación | gpt-5.3-codex-spark | minimal |
Se aconseja mantener el entorno en la configuración estándar (gpt-5.5 con esfuerzo medium) y modificar los parámetros únicamente cuando deba abordar refactorizaciones lógicas profundas o procesos por lotes con subagentes.
💡 Resumen en una frase: Use la combinación estándar insignia con esfuerzo medio para el desarrollo diario, reservando el esfuerzo alto para arquitectura y depuración, y los modelos ligeros para tareas repetitivas.
05 Métodos para cambiar la configuración del modelo
Codex permite modificar el modelo y el esfuerzo de razonamiento mediante cuatro métodos según el ámbito de la sesión:
1. Configuración predeterminada global (Permanente)
Declare las variables correspondientes en su archivo de configuración global ~/.codex/config.toml:
# Archivo: ~/.codex/config.toml
model = "gpt-5.5"
model_reasoning_effort = "medium"2. Modificador al iniciar la terminal (Sesión actual)
Use el parámetro -m o --model al abrir la sesión:
# Iniciar una sesión interactiva con el modelo insignia
codex -m gpt-5.5
# Ejecutar una tarea no interactiva con el modelo mini
codex exec -m gpt-5.4-mini "Elimina las dependencias no utilizadas en package.json"3. Comandos durante la sesión activa (Cambio dinámico)
Escriba el siguiente comando en la terminal interactiva de Codex para desplegar el selector de modelos y niveles en pantalla:
/model4. Configuración en la definición de subagentes (Delegación)
Configure al subagente especificando el modelo mini para tareas de procesamiento rutinarias, manteniendo el modelo insignia en su sesión principal (ver detalles de configuración en el artículo [21 Subagentes]).
Resumen de métodos de configuración:
| Método | Declaración | Ámbito de aplicación | Caso de uso ideal |
|---|---|---|---|
| Archivo de configuración | Configuración de model en config.toml | Todas las sesiones futuras | Fijar su modelo insignia estable |
| Parámetro en consola | Parámetro -m al arrancar | Sesión o ejecución actual | Pruebas puntuales o tareas específicas de CI |
| Comando de chat | Comando /model en la sesión | Desde el cambio en adelante | Ajustar la intensidad tras recibir una respuesta simple |
| Definición de subagente | Campo model en configuración del subagente | Tareas del subagente asignado | Tareas rutinarias delegadas en paralelo |
⚠️ Los entornos de Codex Cloud no admiten la modificación de su modelo predeterminado en la versión actual.
💡 Resumen en una frase: Modifique la configuración global en
config.toml, asigne el modelo en llamadas de consola con-m, cambie dinámicamente en el chat mediante/modely asigne el modelo mini en la definición de subagentes para optimizar costos.
06 Parámetros avanzados de razonamiento y servicio
Para afinar el rendimiento del modelo, Codex expone dos variables de configuración avanzadas en el archivo de preferencias:
1. Nivel de visualización del pensamiento (model_reasoning_summary)
Define cuánta información del proceso de razonamiento del modelo se muestra en pantalla; los valores admitidos son auto, concise (resumido), detailed (detallado) o none (ocultar razonamiento):
# Archivo: ~/.codex/config.toml
model_reasoning_summary = "concise"2. Nivel de velocidad del servicio (service_tier)
Establece la prioridad de procesamiento de sus consultas; los valores admitidos son flex (ajusta la velocidad para balancear costos) y fast (máxima prioridad de velocidad de procesamiento). El uso de fast requiere activar el modificador de características correspondiente:
# Archivo: ~/.codex/config.toml
# Modo flexible predeterminado
service_tier = "flex"
# Modo rápido (requiere activar el flag de características en la configuración)
service_tier = "fast"
[features]
fast_mode = trueSe aconseja a los desarrolladores noveles mantener los valores por defecto de estas variables y experimentar con ellas una vez familiarizados con el flujo estándar de la herramienta.
💡 Resumen en una frase: Configure
model_reasoning_summarypara controlar la visualización de los pasos de razonamiento en consola yservice_tierpara gestionar la prioridad de velocidad de procesamiento de las peticiones.
07 Ejercicio práctico: Comparación de respuestas según el esfuerzo de razonamiento
Realizaremos un ejercicio para comprobar la velocidad de respuesta y el nivel de detalle de las sugerencias variando la configuración de esfuerzo de razonamiento.
Requisitos: contar con Codex instalado y configurado en su máquina de desarrollo.
Paso 1: Identificar los modelos disponibles
Inicie una sesión en Codex y ejecute:
/modelResultado esperado: se despliega la interfaz con los modelos y niveles de esfuerzo configurables en su cuenta. Identifique el modelo predeterminado y cierre el selector.
Paso 2: Configurar la sesión con esfuerzo medio
Abra o modifique su archivo ~/.codex/config.toml declarando la siguiente configuración:
model = "gpt-5.5"
model_reasoning_effort = "medium"Inicie una nueva sesión y envíe la siguiente consulta analizando el tiempo y detalle de la respuesta:
Propón una refactorización para estructurar un módulo de conexión a base de datos de forma que sea fácil de simular (mockear) en pruebas unitarias, describiendo los criterios de diseño aplicados.Resultado esperado: Codex procesa la respuesta en un tiempo estándar y devuelve la propuesta de código junto con una explicación general del diseño.
Paso 3: Elevar el esfuerzo de razonamiento a nivel alto
Modifique la propiedad en su archivo de configuración ~/.codex/config.toml:
model_reasoning_effort = "high"Inicie una nueva sesión para limpiar el contexto anterior y envíe exactamente la misma consulta de base de datos del paso 2.
Resultado esperado: notará que el procesamiento requiere un tiempo de espera superior antes de comenzar a escribir en pantalla. Sin embargo, la propuesta resultante incluirá un análisis más detallado de casos extremos, interfaces de desacoplamiento más robustas y una descripción exhaustiva de los criterios de diseño.
Experimentar con esta diferencia le ayudará a identificar en qué escenarios de desarrollo es conveniente elevar el esfuerzo de razonamiento y en cuáles es preferible priorizar la rapidez de la respuesta.
💡 Resumen en una frase: La validación práctica requiere: verificar los modelos con
/model→ ejecutar una consulta con esfuerzo medio (medium) → repetir la consulta en una sesión limpia con esfuerzo alto (high) para evaluar la diferencia en el tiempo de procesamiento y el nivel de detalle técnico de la respuesta.
Resumen
En este artículo hemos analizado la selección de modelos de lenguaje en Codex y la configuración de sus parámetros de rendimiento:
- Elegir según complejidad: asigne la capacidad de procesamiento de los modelos de forma proporcional a la complejidad técnica de la tarea para optimizar costos y tiempos.
- Modelos disponibles: use
gpt-5.5para desarrollo complejo,gpt-5.4-minipara tareas rutinarias o subagentes, ygpt-5.3-codex-sparkpara respuestas rápidas de chat. - Ajustar el razonamiento: incremente el nivel de esfuerzo de razonamiento para resolver problemas complejos y redúzcalo para acelerar la velocidad de respuesta.
- Vías de configuración: implemente cambios definitivos en
config.tomlo aplique cambios en tiempo de ejecución en la consola de comandos mediante-mo la llamada/model.
Seleccionar el modelo y el esfuerzo de razonamiento adecuados le permite optimizar su entorno de desarrollo local, logrando un balance entre velocidad de respuesta y precisión técnica.
El siguiente artículo 31 · Técnicas avanzadas y optimización de velocidad: abordaremos estrategias para acelerar los tiempos de procesamiento de sus solicitudes en Codex, optimizando la estructura de la información contextual que provee al agente para evitar demoras innecesarias.