> ## Documentation Index
> Fetch the complete documentation index at: https://docs.bettertoken.ai/llms.txt
> Use this file to discover all available pages before exploring further.

# Que signifient review_model et reasoning_effort dans Codex CLI ?

> Comprenez review_model, model_reasoning_effort, /review, /model et l’effet de ces paramètres sur le coût et la qualité dans Codex CLI.

## Réponse courte

`review_model` est le modèle que Codex utilise pour les flux de revue de code. `model_reasoning_effort` contrôle la puissance de raisonnement des modèles qui prennent en charge la Responses API.

Ces deux champs peuvent influer sur la qualité, la vitesse et le coût d’utilisation. Des paramètres de raisonnement plus élevés conviennent mieux aux tâches complexes, mais ils peuvent consommer davantage.

## Relations entre les champs

| Champ                    | Rôle                                                                       |
| ------------------------ | -------------------------------------------------------------------------- |
| `model`                  | Modèle par défaut pour le travail courant                                  |
| `review_model`           | Modèle utilisé par les flux de revue tels que `/review`                    |
| `model_reasoning_effort` | Puissance de raisonnement du modèle principal                              |
| `/model`                 | Point d’entrée dans la session pour modifier le modèle ou le raisonnement  |
| `/review`                | Point d’entrée pour demander à Codex de revoir les modifications actuelles |

## Configuration recommandée

```toml theme={null}
model = "gpt-5.5"
review_model = "gpt-5.4"
model_reasoning_effort = "high"
```

Pour de petites modifications rapides, vous pouvez réduire l’effort de raisonnement. Pour les refactorisations sur plusieurs fichiers, le débogage difficile ou les tâches à contexte long, un effort de raisonnement plus élevé est préférable.

## Erreurs fréquentes

* Penser que `review_model` remplace 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](/fr/faq/codex/config-toml)
* [Que sont model\_provider, base\_url et wire\_api ?](/fr/faq/codex/model-provider-base-url-wire-api)
* [Guide de configuration BetterToken pour Codex](/fr/ai-tools/codex)
* [Quels sont les modes sandbox et approbation de Codex CLI ?](/fr/faq/codex/sandbox-approval)

## Références

* [Référence de configuration Codex](https://developers.openai.com/codex/config-reference)
* [Exemple de configuration Codex](https://developers.openai.com/codex/config-sample)
* [Commandes slash de Codex CLI](https://developers.openai.com/codex/cli/slash-commands)