Respuesta breve
review_model selecciona el modelo para /review; si no se configura, Codex usa el modelo de la sesión actual. model_reasoning_effort ajusta el esfuerzo de razonamiento de los modelos que lo admiten mediante la Responses API.
Un mayor esfuerzo puede ayudar con tareas difíciles, pero no garantiza una respuesta correcta ni un menor coste total. No es un ajuste de temperatura ni de longitud de respuesta.
Relación entre los campos
Elige el esfuerzo según la tarea
Usa estos niveles como punto de partida y evalúa el resultado según los criterios de aceptación:
Los niveles disponibles dependen del modelo, la versión de Codex y el proveedor. Consulta
/model y la referencia del modelo antes de usar niveles como xhigh o max. Que un modelo admita un nivel no implica que otro lo admita. Más esfuerzo puede aumentar los tokens de razonamiento y la latencia; los reintentos, el contexto, las llamadas a herramientas y las tarifas también afectan al coste total.
Ejemplo de configuración
Define valores predeterminados persistentes enconfig.toml dentro de CODEX_HOME, o en ~/.codex/config.toml si no está definido. Coloca estas claves en el nivel superior, antes de las tablas TOML, y conserva la configuración del proveedor y la autenticación:
Valores del archivo y ajustes de sesión
Al iniciar, los argumentos de CLI y las opciones-c tienen prioridad sobre la configuración del proyecto de confianza, el perfil seleccionado y los valores del usuario. En las versiones actuales, --profile NAME carga NAME.config.toml desde CODEX_HOME. Las versiones antiguas usaban otro formato de perfil.
Para cambiar solo el esfuerzo en un inicio:
/model para seleccionar el modelo activo y un nivel disponible. Editar el archivo no garantiza que una sesión abierta cambie de inmediato; inicia otra sesión para comprobar los valores guardados. El modo Plan puede usar plan_mode_reasoning_effort o su propio ajuste preestablecido, así que compruébalo por separado.
Comprueba el ajuste efectivo
- Ejecuta
codex --versione inicia una sesión nueva desde el directorio del proyecto previsto. - Usa
/modelpara comprobar el esfuerzo seleccionado y/statuspara confirmar el modelo y la configuración de la sesión. Si difieren del archivo, revisa los argumentos de inicio, el perfil, la configuración del proyecto y/debug-config, si está disponible. - Compara la misma tarea representativa con dos niveles compatibles en sesiones separadas. Revisa el diff, las pruebas, el tiempo y los registros de uso de BetterToken. Elige el ajuste que cumpla tu objetivo de calidad; menos esfuerzo no garantiza un menor coste total.
Errores habituales
- Pensar que
review_modelsustituye al modelo principal en todas las tareas. - Tratar el nivel de razonamiento como una configuración de temperatura.
- Utilizar un Model ID que no admite el proveedor actual.
- Utilizar el nivel de razonamiento más alto para todas las tareas.
- Revisar solo los nombres de los modelos sin comprobar el uso real y la calidad de los resultados.
Cómo interviene BetterToken
Los distintos modelos y niveles de razonamiento afectan al uso. Los registros de BetterToken permiten comparar la entrada, la salida y el coste entre tareas reales. Copia los Model ID del proveedor GPT para que el proveedor actual pueda reconocerlos.Documentación relacionada
- Cómo configurar config.toml en Codex CLI
- Qué son model_provider, base_url y wire_api
- Guía para configurar Codex con BetterToken
- Qué son el sandbox y los modos de aprobación de Codex CLI