Os modelos usados pelo Codex
O modelo do Codex é o serviço que interpreta a tarefa e escolhe as ferramentas usadas pelo agente. Ele recebe as instruções e os resultados dos comandos do seu projeto para produzir a próxima ação, por isso a escolha muda a condução do trabalho no app.
Ficha e sumário da página
- Referência técnica
- Codex CLI 0.169.0
- Revisão
- 13 de novembro de 2026
- Conteúdo
- Documentação oficial consultada
O modelo recebe o retorno das ferramentas
O Codex reúne a conversa, as instruções carregadas e os resultados das ferramentas para enviar ao modelo. Uma leitura de arquivo acrescenta código disponível para análise. A execução de um teste acrescenta a saída do processo. Com essas informações, o modelo pode solicitar outra ferramenta ou responder com o resultado da tarefa. O cliente executa as chamadas permitidas no ambiente local.
Essa separação explica por que trocar o modelo não instala um compilador nem concede acesso a outra pasta. O ambiente continua com os mesmos programas e as permissões configuradas. A troca altera o serviço que interpreta as informações recebidas. Se o teste precisa de um banco que está desligado, outro modelo também encontra a ausência do banco ao tentar executar o comando.
Instruções
A tarefa e as orientações carregadas delimitam o trabalho.
Modelo
O serviço interpreta os resultados e propõe a próxima ação.
Ferramenta
O cliente executa a chamada permitida no ambiente.
Retorno
A saída volta à conversa para nova análise.
Os nomes publicados pela OpenAI
A documentação consultada em 13 de novembro de 2026 apresenta GPT-6 Astra, GPT-6.1 Sol, GPT-6.1 Terra e GPT-6 Luna entre os modelos recomendados para Work e Codex. A OpenAI associa Astra a trabalhos complexos que atravessam código, apps e pesquisa. Sol aparece como opção para trabalho recorrente e prolongado com código e documentos. Essas descrições são do fornecedor e não substituem uma comparação com as tarefas do seu repositório.
Terra é apresentado para escrita, compreensão visual e uso do computador. Luna aparece para tarefas delimitadas e repetidas, como extração, classificação e transformação. Você pode reconhecer essas atividades dentro de um projeto: interpretar uma captura, transformar um arquivo CSV ou investigar uma falha que atravessa vários arquivos. O nome do modelo, sozinho, não informa se a tarefa recebeu os arquivos e as ferramentas necessários.
Os identificadores documentados são gpt-6-astra, gpt-6.1-sol, gpt-6.1-terra e gpt-6-luna. A disponibilidade efetiva depende do workspace, da autenticação e das configurações administradas. A lista que aparece numa sessão pode ser diferente da lista de outro workspace. Este registro descreve a consulta datada, sem prometer que todos os identificadores aparecem em qualquer instalação.
A escolha na sessão e na configuração
Na CLI interativa, /model abre a seleção do modelo e do esforço de raciocínio. A opção --model, também chamada por -m, informa o modelo ao iniciar uma execução. O mesmo parâmetro existe para codex exec. Esses pontos de entrada permitem relacionar a tarefa ao modelo escolhido sem alterar os arquivos da aplicação para fazer essa seleção.
A configuração persistente guarda o modelo usado como padrão. O Codex lê a configuração pessoal e, para projetos confiáveis, a configuração do próprio projeto. Argumentos de execução podem substituir valores definidos nesses arquivos. Quando duas sessões mostram modelos diferentes, a conferência envolve o comando usado, os arquivos de configuração e as restrições administradas, além do nome visível no seletor.
O Codex CLI tem código aberto mantido pela OpenAI sob Apache 2.0. Os modelos oferecidos pelo serviço seguem condições próprias de acesso. A versão 0.169.0 identifica o cliente usado como referência deste portal. Ela não fixa a permanência da lista devolvida pelo serviço, porque a disponibilidade dos modelos pode mudar sem uma alteração no código do seu app.
O esforço de raciocínio
O esforço de raciocínio ajusta quanto trabalho o modelo dedica à análise da tarefa. Segundo a documentação, esforços maiores podem contribuir para a análise de problemas complexos, com maior tempo de resposta e consumo de tokens. Os níveis disponíveis dependem do modelo. Você confere as opções oferecidas pela sessão, sem presumir que um nível tem o mesmo comportamento entre gerações.
Um teste conhecido permite comparar o resultado produzido por cada modelo. Se a tarefa exige corrigir uma condição de validação, o resultado pode ser conferido pela alteração feita e pelos casos exercitados. Se envolve vários serviços, a comparação também precisa observar se o agente identifica dependências e mantém o escopo solicitado. A avaliação usa o resultado do seu projeto, sem transformar a descrição comercial do modelo numa garantia de acerto.
A autenticação também altera a lista
O login pelo ChatGPT e a chave de API consultam formas diferentes de acesso. O GPT-5.5, por exemplo, foi retirado do Codex com login pelo ChatGPT em 14 de outubro de 2026. A OpenAI manteve esse modelo na API e nas sessões do Codex autenticadas por chave. Uma configuração antiga pode, portanto, funcionar com uma credencial e ser recusada com outra. O identificador do modelo e a forma de autenticação ajudam você a localizar a origem dessa falha.
Essa diferença aparece completa em ChatGPT e API. Para acompanhar alterações do cliente, há o feed do Codex. O Conselheiro de Tecnologia da Dev Side Studio oferece acompanhamento técnico recorrente para você comparar o trabalho do agente com os testes e a arquitetura do app.