Codex

Codex CLI: o que são review_model e reasoning_effort?

Entenda review_model, model_reasoning_effort, /review, /model e como essas configurações afetam o custo e a qualidade no Codex CLI. Com configuração e exemplos.

Resposta curta

review_model escolhe o modelo de /review; quando não está definido, o Codex usa o modelo da sessão atual. model_reasoning_effort ajusta o esforço de raciocínio dos modelos que aceitam essa opção pela Responses API.

Mais esforço pode ajudar em tarefas difíceis, mas não garante uma resposta correta nem um custo total menor. Não é um ajuste de temperatura ou de comprimento da resposta.

Relação entre os campos

Campo	Função
`model`	Modelo padrão para tarefas comuns
`review_model`	Modelo usado em fluxos de revisão, como `/review`
`model_reasoning_effort`	Intensidade do raciocínio do modelo principal
`/model`	Comando da sessão para alterar o modelo ou o raciocínio
`/review`	Comando para pedir ao Codex que revise as alterações atuais

Escolha o esforço conforme a tarefa

Use estes níveis como ponto de partida e avalie o resultado pelos critérios de aceitação:

Tarefa	Ponto de partida	O que verificar
Alteração pequena e bem definida ou explicação breve	`low`, quando aceito	Correção e tempo de resposta.
Funcionalidade comum ou bug com reprodução clara	`medium`, quando aceito	Testes, completude e alterações desnecessárias.
Diagnóstico difícil, alteração entre módulos ou revisão detalhada	`high`; tente um nível superior compatível se necessário	Restrições esquecidas, falsos apontamentos e tempo total até um resultado útil.

Os níveis disponíveis dependem do modelo, da versão do Codex e do provedor. Confira /model e a referência do modelo antes de usar níveis como xhigh ou max. O suporte de um modelo não implica o de outro. Mais esforço pode aumentar os tokens de raciocínio e a latência; novas tentativas, contexto, chamadas de ferramentas e tarifas também afetam o custo total.

Exemplo de configuração

Defina padrões persistentes em config.toml dentro de CODEX_HOME, ou em ~/.codex/config.toml quando a variável não estiver definida. Coloque estas chaves no nível superior, antes das tabelas TOML, e mantenha as configurações do provedor e da autenticação:

model = "gpt-6-astra"
review_model = "gpt-6-astra"
model_reasoning_effort = "high"

Parâmetros de configuração

Parâmetro	Função e localização	Padrões e exemplos
`model`	Raiz; Model ID completo da praça de modelos.	Exemplo: `gpt-6-astra`; substitua conforme necessário.
`review_model`	Raiz; modelo usado por `/review`.	Opcional; usa o modelo da sessão atual por padrão.
`model_reasoning_effort`	Raiz; esforço de raciocínio do modelo.	Exemplo: `high`; níveis e padrões dependem do modelo.

Não coloque modelo ou raciocínio em [projects."<path>"]. O modelo de um projeto pode usar chaves raiz em .codex/config.toml de um projeto confiável; provider e autenticação ficam na configuração do usuário. Perfis atuais usam NAME.config.toml em CODEX_HOME, selecionado com codex --profile NAME, não tabelas antigas [profiles.NAME] nem o seletor raiz profile.

Padrões do arquivo e ajustes da sessão

Na inicialização, argumentos de CLI e opções -c têm prioridade sobre a configuração do projeto confiável, o perfil selecionado e os padrões do usuário. Nas versões atuais, --profile NAME carrega NAME.config.toml de CODEX_HOME. Versões antigas usavam outro formato de perfil.

Para alterar apenas o esforço em uma inicialização:

codex -c 'model_reasoning_effort="medium"'

Durante a sessão, use /model para selecionar o modelo ativo e um nível disponível. Editar o arquivo não garante que uma sessão em andamento mude imediatamente; abra uma nova sessão para conferir os padrões salvos. O modo Plan pode usar plan_mode_reasoning_effort ou sua própria predefinição, então verifique-o separadamente.

Verifique o ajuste efetivo

Execute codex --version e inicie uma nova sessão no diretório do projeto desejado.
Confira o esforço selecionado em /model e o modelo ativo e a configuração em /status. Se houver diferença em relação ao arquivo, verifique argumentos de inicialização, perfil, configuração do projeto e /debug-config, quando disponível.
Compare a mesma tarefa representativa em dois níveis compatíveis, em sessões separadas. Confira diff, testes, duração e registros de uso da BetterToken. Escolha o ajuste que atenda à qualidade necessária; menos esforço não garante menor custo total.

Erros comuns

Achar que review_model substitui o modelo principal em todas as tarefas.
Tratar o esforço de raciocínio como uma configuração de temperatura.
Usar um ID de modelo não aceito pelo provedor atual.
Usar o esforço máximo de raciocínio em todas as tarefas.
Considerar apenas os nomes dos modelos, sem conferir o uso real e a qualidade dos resultados.