Réponse courte
review_model choisit le modèle de /review ; sans ce paramètre, Codex utilise le modèle de la session active. model_reasoning_effort règle l’effort de raisonnement des modèles qui le prennent en charge via la Responses API.
Un effort plus élevé peut aider pour les tâches difficiles, mais ne garantit ni une réponse correcte ni un coût total inférieur. Ce n’est pas un réglage de température ou de longueur de réponse.
Relations entre les champs
Choisir l’effort selon la tâche
Utilisez ces niveaux comme point de départ, puis évaluez le résultat selon les critères d’acceptation :
Les niveaux disponibles dépendent du modèle, de la version de Codex et du fournisseur. Consultez
/model et la référence du modèle avant d’utiliser xhigh ou max. La prise en charge par un modèle ne vaut pas pour un autre. Un effort plus élevé peut augmenter les tokens de raisonnement et la latence ; les nouvelles tentatives, le contexte, les appels d’outils et les tarifs influencent aussi le coût total.
Exemple de configuration
Définissez les valeurs persistantes dansconfig.toml sous CODEX_HOME, ou dans ~/.codex/config.toml si la variable n’est pas définie. Placez ces clés au niveau supérieur, avant les tables TOML, et conservez la configuration du fournisseur et de l’authentification :
Valeurs du fichier et réglages de session
Au démarrage, les arguments CLI et les options-c priment sur la configuration du projet approuvé, le profil choisi et les valeurs utilisateur. Dans les versions actuelles, --profile NAME charge NAME.config.toml depuis CODEX_HOME. Les anciennes versions utilisaient un autre format de profil.
Pour modifier uniquement l’effort lors d’un lancement :
/model pour sélectionner le modèle actif et un niveau disponible. Modifier le fichier ne garantit pas la mise à jour immédiate d’une session en cours ; démarrez une nouvelle session pour vérifier les valeurs enregistrées. Le mode Plan peut utiliser plan_mode_reasoning_effort ou son propre préréglage : vérifiez-le séparément.
Vérifier le réglage effectif
- Exécutez
codex --version, puis démarrez une nouvelle session depuis le répertoire du projet visé. - Vérifiez l’effort sélectionné avec
/modelet le modèle actif ainsi que la configuration avec/status. En cas d’écart avec le fichier, examinez les arguments de lancement, le profil, la configuration du projet et/debug-configsi disponible. - Comparez une même tâche représentative à deux niveaux pris en charge, dans des sessions distinctes. Examinez le diff, les tests, la durée et les relevés d’utilisation BetterToken. Gardez le réglage qui atteint votre objectif de qualité ; un effort réduit ne garantit pas un coût total inférieur.
Erreurs fréquentes
- Penser que
review_modelremplace le modèle principal pour toutes les tâches. - Traiter l’effort de raisonnement comme un réglage de température.
- Utiliser un Model ID non pris en charge par le fournisseur actuel.
- Utiliser l’effort de raisonnement maximal pour chaque tâche.
- Ne regarder que les noms de modèles sans vérifier l’utilisation réelle ni la qualité du résultat.
À propos de BetterToken
Différents modèles et paramètres de raisonnement influent sur l’utilisation. Les enregistrements d’utilisation BetterToken vous aident à comparer les entrées, les sorties et le coût de tâches réelles. Copiez les Model ID depuis le fournisseur GPT afin que le fournisseur actuel puisse les reconnaître.Documentation associée
- Comment configurer config.toml de Codex CLI
- Que sont model_provider, base_url et wire_api ?
- Guide de configuration BetterToken pour Codex
- Quels sont les modes sandbox et approbation de Codex CLI ?