Kurzantwort
review_model legt das Modell für /review fest; ohne diesen Wert verwendet Codex das aktuelle Sitzungsmodell. model_reasoning_effort steuert den Denkaufwand bei Modellen, die diese Einstellung über die Responses API unterstützen.
Mehr Aufwand kann bei schwierigen Aufgaben helfen, garantiert aber weder korrekte Antworten noch niedrigere Gesamtkosten. Die Einstellung regelt weder Temperatur noch Antwortlänge.
Beziehungen der Felder
Denkaufwand nach Aufgabe wählen
Verwende diese Werte als Ausgangspunkt und prüfe das Ergebnis anhand der Abnahmekriterien:
Verfügbare Stufen hängen vom Modell, der Codex-Version und dem Provider ab. Prüfe die Auswahl unter
/model und die Modellreferenz, bevor du etwa xhigh oder max verwendest. Die Unterstützung durch ein Modell gilt nicht automatisch für andere. Höherer Aufwand kann mehr Reasoning-Tokens und längere Wartezeiten verursachen; Wiederholungen, Kontextgröße, Werkzeugaufrufe und Tarife beeinflussen ebenfalls die Gesamtkosten.
Konfigurationsbeispiel
Lege dauerhafte Standardwerte inconfig.toml unter CODEX_HOME fest, oder in ~/.codex/config.toml, wenn die Variable nicht gesetzt ist. Platziere diese Schlüssel auf der obersten Ebene vor allen TOML-Tabellen und behalte Provider- und Authentifizierungseinstellungen bei:
Dateivorgaben und Sitzungseinstellungen
Beim Start haben CLI-Argumente und-c-Überschreibungen Vorrang vor der Konfiguration vertrauenswürdiger Projekte, dem ausgewählten Profil und Benutzervorgaben. Aktuelle Codex-Versionen laden mit --profile NAME die Datei NAME.config.toml aus CODEX_HOME. Ältere Versionen verwendeten ein anderes Profilformat.
Überschreibe für einen einzelnen Start nur den Denkaufwand:
/model das aktive Modell und eine verfügbare Stufe. Eine Dateiänderung aktualisiert eine laufende Sitzung nicht unbedingt sofort; prüfe gespeicherte Vorgaben in einer neuen Sitzung. Der Plan-Modus kann plan_mode_reasoning_effort oder eine eigene Voreinstellung verwenden und sollte separat geprüft werden.
Wirksame Einstellung prüfen
- Führe
codex --versionaus und starte dann eine neue Sitzung im gewünschten Projektverzeichnis. - Prüfe die ausgewählte Stufe mit
/modelund das aktive Modell sowie die Sitzungskonfiguration mit/status. Bei Abweichungen prüfe Startargumente, Profil, Projektkonfiguration und, sofern verfügbar,/debug-config. - Vergleiche dieselbe repräsentative Aufgabe in getrennten Sitzungen auf zwei unterstützten Stufen. Prüfe Diff, Tests, Dauer und BetterToken-Nutzungsdaten. Wähle die Einstellung, die dein Qualitätsziel erfüllt; weniger Denkaufwand garantiert keine niedrigeren Gesamtkosten.
Häufige Fehler
- Denken, dass
review_modeldas Hauptmodell für alle Aufgaben ersetzt. - Reasoning-Aufwand als Temperatureinstellung behandeln.
- Eine vom aktuellen Provider nicht unterstützte Model ID verwenden.
- Den höchsten Reasoning-Aufwand für jede Aufgabe verwenden.
- Nur Modellnamen betrachten, ohne tatsächliche Nutzung und Ergebnisqualität zu prüfen.
Über BetterToken
Unterschiedliche Modelle und Reasoning-Einstellungen beeinflussen die Nutzung. BetterToken-Nutzungsaufzeichnungen helfen dir, Eingabe, Ausgabe und Kosten bei realen Aufgaben zu vergleichen. Kopiere Model IDs vom GPT-Provider, damit der aktuelle Provider sie erkennen kann.Verwandte Dokumentation
- Codex CLI config.toml konfigurieren
- Was sind model_provider, base_url und wire_api?
- Codex mit BetterToken einrichten
- Was sind Sandbox- und Freigabemodi in Codex CLI?