Model Selection: Choosing the Right Model
📚 Навигация по серии: Предыдущая статья 〔29 Интеграция со Slack, Linear и SDK〕 описала продвинутые способы вызова Codex в мессенджерах и встраивания его функций в собственные ИТ-продукты. В этой главе мы вернемся к повседневному локальному выбору: какая именно модель ИИ и с каким уровнем усилий будет выполнять вашу задачу в тот момент, когда вы нажимаете Enter. В следующей статье 〔31 Продвинутые техники и оптимизация скорости〕 мы разберем способы ускорения и снижения затрат на выполнение процессов.
Долгое время я верил в утверждение, что выбор самой мощной модели — это всегда лучшее решение.
Одно время я жестко прописал в настройках по умолчанию использование модели gpt-5.5 с максимальной интенсивностью рассуждений xhigh, надеясь раз и навсегда решить проблему качества ответов. Но однажды мне понадобилось переименовать переменную с data на payload — простая рутинная задача на полминуты. ИИ «задумался» почти на минуту перед тем, как внести изменения. Глядя на крутящийся индикатор выполнения, я впервые подумал, что использование «максимальных настроек» для простых задач выглядит нелепо.
Дело в том, что лучшая модель — это не самая мощная, а наиболее подходящая для конкретной задачи. Использование флагманской модели с глубокими рассуждениями для исправления опечатки похоже на попытку выкопать сорняк экскаватором: медленно, дорого и неэффективно. И наоборот, если вам нужно провести рефакторинг сложного модуля, а вы из экономии выбрали легкую модель, она может выдать неработающий код с багами, на исправление которых уйдет больше времени, чем на пять запусков флагманской версии.
В этой главе мы подробно разберем правила подбора инструментов: какие модели доступны в Codex, как использовать важнейший параметр интенсивности рассуждений (reasoning effort) и как применять готовую матрицу соответствия задач и конфигураций. Это поможет вам осознанно выбирать параметры при работе с панелью /model.
Прочитав эту статью, вы получите:
- Понятную систему оценки: сопоставление сложности задачи и объема выделяемых вычислительных ресурсов
- Список актуальных моделей Codex, назначение каждой из них и список устаревших версий
- Описание скрытого, но крайне важного параметра — интенсивности рассуждений (reasoning effort)
- Готовую таблицу соответствия типов задач, моделей и интенсивности рассуждений
- Четыре способа переключения моделей: в конфигурации по умолчанию, при запуске, внутри сессии и в настройках под-агентов
- Инструкцию для практического сравнения скорости и качества работы моделей на разных настройках
⚠️ Доступность моделей и их названия зависят от вашего тарифного плана и обновлений системы. Описываемые методы выбора и переключения универсальны, но конкретный список доступных моделей всегда проверяйте в панели
/modelвашего приложения.
01 Главное правило: соответствие сложности задачи и мощности модели
Сформулируем базовый принцип: выбор модели — это сопоставление сложности задачи и объема затрачиваемых ресурсов. Избыточность приводит к лишним тратам времени и денег, а недостаток мощности — к некачественному коду.
Многие разработчики считают: «Буду использовать самую мощную модель, так надежнее». Но при этом они не учитывают два важных фактора: время ожидания ответа и стоимость вычислений. В реальной работе это критично:
- Если вы совершаете десятки запросов в день и каждый раз ждете ответ лишние 30 секунд, за день набегает до получаса потерянного времени.
- В рамках тарифов действуют лимиты токенов, а при работе через API-ключи каждый запрос стоит реальных денег. Стоимость токенов флагманской модели в разы выше стоимости легких версий.
Перед выбором модели ответьте на три вопроса:
Насколько сложна задача? Сколько времени я готов ждать ответа? Важна ли для меня стоимость запроса? Это поможет быстро определиться с выбором.
Матрица выбора:
| Ваша ситуация | Рекомендуемый подход |
|---|---|
| Сложная задача (архитектура, рефакторинг модулей, поиск скрытых багов) | Флагманская модель, высокая интенсивность рассуждений. Главное — точность. |
| Простая задача (переименование, написание комментариев, простые функции) | Легкая модель, низкая интенсивность рассуждений. Главное — скорость и экономия. |
| Интерактивный диалог (быстрые вопросы, парное программирование) | Модели с быстрой реакцией (real-time), без долгого «обдумывания». |
💡 Резюме в одном предложении: Выбор модели — это подбор оптимальной вычислительной мощности под сложность текущей задачи, а не слепое использование самого дорогого варианта.
02 Доступные модели в Codex
Открыв меню /model, вы увидите список доступных моделей. Разберем их назначение без углубления в технические параметры.
Аналогия: распределение задач среди сотрудников. Для проектирования архитектуры вы привлекаете старшего разработчика с большим опытом (флагманская модель). Для рутинной замены строк или написания тестов достаточно стажера (легкая модель). А для быстрого мозгового штурма на совещании нужен специалист с мгновенной реакцией (быстрая модель). Правильное распределение ролей экономит время и ресурсы.
Актуальные модели Codex и их назначение:
| Модель | Назначение | Оптимальные задачи | Скорость / Стоимость |
|---|---|---|---|
gpt-5.5 | Флагман, выбор по умолчанию | Сложное программирование, системный анализ, проектирование архитектур | Низкая / Высокая |
gpt-5.4-mini | Легкая и экономичная модель | Простые задачи, генерация тестов, работа под-агентов (subagents) | Высокая / Низкая |
gpt-5.3-codex-spark | Экспериментальная быстрая модель | Интерактивный диалог, быстрое прототипирование кода | Максимальная / Низкая |
Важные нюансы использования:
- Автоматический выбор. Если модель не указана явно в настройках, Codex использует рекомендуемый флагман, чего достаточно для большинства повседневных задач.
- Ограничения версий. Модель
gpt-5.3-codex-sparkявляется экспериментальной (research preview) и доступна только для пользователей тарифа ChatGPT Pro. - Устаревшие версии. Модели
gpt-5.2иgpt-5.3-codexпризнаны устаревшими (deprecated) для авторизации через ChatGPT. Если они прописаны в ваших скриптах или файлахconfig.toml, замените их на актуальные версии.
Мой рабочий процесс: основной диалог я веду с флагманской моделью, а рутинную пакетную обработку файлов делегирую под-агентам на базе gpt-5.4-mini. Недавно мне нужно было удалить неиспользуемые импорты в 20 файлах проекта. Я поручил головному агенту составить план, а выполнение раздал под-агентам на легкой модели. Задача была решена параллельно за пару минут с минимальными затратами.
💡 Резюме в одном предложении: Используйте флагманскую модель для сложных задач, легкую версию
mini— для рутины и под-агентов, аspark— для быстрого интерактивного общения. Не используйте устаревшие версии моделей в настройках.
Схема выбора моделей:
Схема показывает баланс между сложностью задачи и характеристиками моделей: от простых и быстрых (spark, mini) до сложных, но требующих больше времени и затрат ресурсов (gpt-5.5).
03 Скрытый параметр: интенсивность рассуждений (reasoning effort)
Помимо выбора самой модели, разработчики могут настраивать параметр интенсивности рассуждений (reasoning effort), который напрямую влияет на глубину анализа задачи.
Аналогия: время на обдумывание ответа. Если вы задаете вопрос отличнику (модели), вы можете попросить его ответить мгновенно (низкая интенсивность) или дать время подумать, написать черновик и перепроверить решение (высокая интенсивность). Второй вариант даст более точный ответ, но потребует времени. Параметр интенсивности рассуждений как раз и регулирует это время «обдумывания».
Доступные уровни интенсивности рассуждений:
| Уровень | Описание | Применение |
|---|---|---|
minimal | Быстрый ответ без глубокого анализа | Простые вопросы, автодополнение строк |
low | Базовый экспресс-анализ | Простые исправления кода, быстрая отладка |
medium | Сбалансированный режим (по умолчанию) | Большинство повседневных задач написания кода |
high | Глубокий детальный анализ | Рефакторинг, поиск сложных логических багов |
xhigh | Максимальная глубина рассуждений | Сложная архитектурная отладка, криптография |
Обратите внимание: уровень medium является стандартным для большинства задач. Максимальный уровень xhigh поддерживается не всеми моделями — возможность его активации проверяйте в меню выбора /model.
Именно неверная настройка этого параметра привела к задержке при простом переименовании переменной в моем примере: модель gpt-5.5 тратила ресурсы на «глубокий анализ» задачи, которая этого не требовала. Но когда мне нужно было локализовать сложный баг с состоянием гонки (race condition) при параллельных запросах, переключение интенсивности в режим high помогло ИИ досконально проанализировать логику и предложить верное решение.
Совет: если ИИ выдает слишком поверхностное решение, попробуйте сначала повысить интенсивность рассуждений для текущей модели, вместо того чтобы сразу переключаться на более дорогую версию. И наоборот, для ускорения простых операций снижайте уровень рассуждений.
💡 Резюме в одном предложении: Интенсивность рассуждений (reasoning effort) регулирует глубину анализа задачи ИИ: повышайте её для решения сложных багов и снижайте для ускорения рутинных операций.
04 Таблица соответствия задач и конфигураций моделей
Используйте готовую матрицу настроек для выбора параметров под ваши задачи:
| Тип задачи | Модель | Уровень рассуждений |
|---|---|---|
| Проектирование архитектуры, выбор библиотек | gpt-5.5 | high / xhigh |
| Глубокий рефакторинг кода, миграция модулей | gpt-5.5 | high |
| Поиск и исправление сложных скрытых багов | gpt-5.5 | high |
| Написание стандартного функционала, создание классов | gpt-5.5 | medium |
| Исправление простых багов, форматирование, тесты | gpt-5.4-mini | low |
| Массовая обработка файлов под-агентами | gpt-5.4-mini | low / medium |
| Интерактивный диалог в чате, ответы на вопросы | gpt-5.3-codex-spark | minimal |
Рекомендуемый подход: оставьте в качестве глобальных настроек конфигурацию «gpt-5.5 + medium» — она подходит для 90% задач. Переключайте параметры вручную только при переходе к сложным архитектурным задачам или массовой рутинной обработке файлов.
💡 Резюме в одном предложении: Держите настройки по умолчанию в режиме «gpt-5.5 + medium», меняя параметры на
highдля сложных задач и переходя наminiдля экономии ресурсов при массовой обработке.
05 Четыре способа переключения моделей
Вы можете настраивать используемые модели на разных уровнях конфигурации:
Способ 1: Настройка по умолчанию (глобально). Пропишите параметры в файле ~/.codex/config.toml для применения ко всем новым сессиям:
# ~/.codex/config.toml
model = "gpt-5.5"
model_reasoning_effort = "medium"Способ 2: Запуск с указанием модели (на одну сессию). Используйте флаг -m / --model при запуске утилиты в консоли:
# Запуск интерактивной сессии с выбранной моделью
codex -m gpt-5.5
# Запуск неинтерактивной команды с моделью mini
codex exec -m gpt-5.4-mini "Clean unused imports in this file"Способ 3: Переключение внутри сессии (интерактивно). Введите команду /model в чате для вызова меню выбора конфигурации:
/modelВ появившемся меню можно выбрать модель и уровень интенсивности рассуждений.
Способ 4: Индивидуальная настройка под-агентов (subagents). Вы можете назначить под-агенту легкую модель mini для выполнения рутинных задач, оставив флагманскую модель для главного координирующего агента (подробнее в 21-й статье).
Сравнение способов настройки:
| Метод | Команда / Файл | Область действия | Сценарий использования |
|---|---|---|---|
| Глобально | config.toml | Все новые сессии | Фиксация основного рабочего окружения |
| При запуске | codex -m <модель> | Текущая сессия | Разовый запуск с другими параметрами |
| В чате | Команда /model | Шаги после переключения | Смена модели в процессе диалога |
| Для под-агентов | Конфигурация subagent | Только запущенный под-агент | Делегирование рутины на дешевую модель |
⚠️ Исключение: В облачных задачах (Codex Cloud) переопределение модели по умолчанию в данный момент не поддерживается.
💡 Резюме в одном предложении: Переключайте модели глобально через
config.toml, разово при старте через флаг-m, в чате через команду/modelили настраивайте индивидуально в параметрах под-агентов.
06 Дополнительные параметры оптимизации
Вы можете настроить отображение логов и приоритеты выполнения запросов с помощью двух дополнительных ключей в конфигурационном файле:
1. Отображение хода рассуждений (model_reasoning_summary). Принимает значения auto (автоматически), concise (кратко), detailed (подробно) и none (скрыть). Если вас отвлекает вывод мыслей ИИ в консоль, отключите его параметром none:
# ~/.codex/config.toml
model_reasoning_summary = "concise"2. Класс обслуживания (service_tier). Позволяет управлять приоритетом обработки ваших запросов на серверах. Доступны значения flex (эластичный режим, оптимизация стоимости за счет скорости) и fast (максимальный приоритет скорости выполнения). Быстрый режим требует активации соответствующего флага:
# ~/.codex/config.toml
# Стандартный сбалансированный режим
service_tier = "flex"
# Режим максимальной скорости (требуется флаг в секции features)
service_tier = "fast"
[features]
fast_mode = trueДля повседневной работы рекомендуется использовать настройки по умолчанию.
💡 Резюме в одном предложении: Дополнительные параметры позволяют скрыть лог рассуждений ИИ (
model_reasoning_summary) и повысить скорость обработки запросов на серверах за счет приоритета (service_tier).
07 Практика: сравнение работы моделей
Проведем простой тест, чтобы наглядно увидеть разницу в поведении моделей при разных уровнях интенсивности рассуждений.
Шаг 1: Проверка доступных моделей
Запустите интерактивную сессию Codex и введите команду:
/modelОжидаемый результат: На экране появится список моделей, доступных для вашей учетной записи. Ознакомьтесь с перечнем.
Шаг 2: Настройка конфигурации по умолчанию
Откройте файл ~/.codex/config.toml (создайте его при отсутствии) и пропишите базовые параметры:
model = "gpt-5.5"
model_reasoning_effort = "medium"Перезапустите сессию Codex и проверьте через /model, что настройки применились.
Шаг 3: Сравнение уровней интенсивности рассуждений
Поставьте ИИ сложную задачу, например: «Спроектируй структуру базы данных для интернет-магазина с учетом поддержки скидок, промокодов и возвратов. Объясни выбор связей таблиц».
- Запустите запрос с интенсивностью по умолчанию (
medium). Обратите внимание на время ожидания и детальность предложенной структуры. - Измените в файле
config.tomlпараметрmodel_reasoning_effortнаhighи повторите запрос в новой сессии.
Ожидаемый результат: При уровне рассуждений high подготовка ответа займет больше времени, но предложенная схема базы данных будет содержать больше деталей, учтет граничные случаи (например, частичные возвраты товаров) и будет снабжена подробными комментариями по архитектуре связей.
Этот тест поможет вам почувствовать разницу между скоростью ответа и качеством проработки сложных задач.
💡 Резюме в одном предложении: Практическое сравнение включает шаги: просмотр списка моделей через
/model→ фиксация настроек вconfig.toml→ отправка сложного запроса на разных уровнях рассуждений → анализ разницы в скорости и качестве ответов.
Итоги
Мы разобрали принципы выбора моделей и настройки интенсивности их рассуждений под разные типы задач.
Ключевые моменты главы:
| Параметр | Описание | Важное правило |
|---|---|---|
| Суть выбора модели | Соответствие мощности ИИ сложности задачи | Избегайте избыточности для экономии токенов и времени |
| Флагманская модель | gpt-5.5 | Используется для сложной логики и проектирования |
| Легкая модель | gpt-5.4-mini | Применяется для рутины, тестов и под-агентов |
| Интенсивность рассуждений | Параметр reasoning effort | Регулирует время обдумывания ответа моделью |
| Настройки по умолчанию | Конфигурация «gpt-5.5 + medium» | Базовый выбор для 90% повседневных задач |
| Способы переключения | В файле config.toml, флагом -m или командой /model | Позволяют гибко управлять моделями на разных уровнях |
Теперь вы умеете:
- Подбирать оптимальные модели и интенсивность рассуждений под специфику ваших задач.
- Ориентироваться в актуальном списке моделей Codex и переключать их четырьмя разными способами.
- Использовать параметры
model_reasoning_summaryиservice_tierдля тонкой настройки вывода и скорости работы. - Оценивать разницу в качестве ответов при изменении интенсивности рассуждений ИИ.
Правильный выбор вычислительной мощности делает вашу разработку с Codex быстрой и экономичной.
В следующей статье 31 · Продвинутые техники и оптимизация скорости мы поговорим о способах ускорения работы. Мы разберем, как правильная подготовка контекста и файлов проекта позволяет сократить время ответа ИИ, избежать лишних циклов рассуждений и снизить расход токенов.