Codex 可以使用不同模型處理程式開發工作。
實際可以選到哪些模型，會依：
Codex 版本
帳號方案
OpenAI 當下提供的模型
而有所不同。
如果只是想先快速理解，目前可以大致分成：
| 模型 | 可以先理解成 | 適合情境 |
|---|---|---|
| GPT-5.6 Luna | 快速、輕量 | 搜尋、小修改、簡單整理 |
| GPT-5.6 Terra | 日常平衡 | 一般功能開發、日常 Coding |
| GPT-5.6 Sol | 高能力模型 | 複雜 Debug、架構分析、大型修改 |
| GPT-6 Astra | 最高階選擇 | 大型 Codebase、複雜端到端任務 |
OpenAI 目前將 Terra 定位為能力與成本之間的平衡選擇，Luna 則是 GPT-5.6 系列中速度最快、成本最低的模型；Sol 是處理複雜專業工作的旗艦模型。GPT-6 Astra 則定位在最困難的端到端工作。
GPT-5.6 Luna
Luna 可以先理解成：
快速
+
輕量
比較適合範圍明確的小工作。
例如：
幫我找出某個 function 在哪裡使用
修改一小段 CSS
整理 README
修改幾個簡單命名
這類任務通常不一定需要直接使用高階模型。
OpenAI 將 Luna 定位為適合高頻率、成本敏感工作，而且是 GPT-5.6 系列中速度最快的模型。
GPT-5.6 Terra
Terra 比較像：
日常開發時，能力與使用成本之間的平衡選擇。
例如：
實作一般功能
修改 Component
建立 API
一般 Debug
補測試
都可以先考慮 Terra。
OpenAI 對 Terra 的官方定位就是：
balance intelligence and cost
也就是能力與成本之間取得平衡。
GPT-5.6 Sol
如果任務開始變得比較複雜，例如：
很難追的 Bug
大型 Refactor
架構分析
跨很多檔案的修改
需要比較多推理的工作
就可以考慮 Sol。
OpenAI 將 GPT-5.6 Sol 定位為：
複雜專業工作的旗艦模型。
而且它本身也特別強調 Coding、Research、Science、Cybersecurity 與 Computer Use 等複雜工作。
GPT-6 Astra
如果工作規模再更大，例如：
大型 Codebase
複雜跨系統問題
長時間多步驟任務
需要大量工具操作
從分析一路做到修改與驗證
就可以考慮 GPT-6 Astra。
OpenAI 目前將 Astra 定位為：
最有能力、用來處理最困難端到端工作的模型。
例如：
分析整個專案
↓
找出問題
↓
規劃修改
↓
實際修改
↓
執行測試
↓
修正失敗
↓
重新驗證
這類工作才比較符合 Astra 的使用情境。
但一般的小修改不一定需要直接使用最高階模型。
那 GPT-5.3-Codex 呢？
之前 Codex 還有一個很常看到的模型：
GPT-5.3-Codex
它是 OpenAI 特別針對：
Agentic Coding
長流程程式開發
Tool Use
Terminal 操作
複雜執行
最佳化的 Coding 模型。
不過模型更新很快。
現在 Codex 的主要選擇已經可以看到：
GPT-5.6 Luna
GPT-5.6 Terra
GPT-5.6 Sol
GPT-6 Astra
所以如果只是剛開始使用 Codex，不需要特別去背不同世代的 Codex 模型。
知道：
GPT-5.3-Codex是前一階段偏 Agentic Coding 的專用模型。
就已經足夠。
不一定永遠使用最強模型
我目前會先簡單理解成：
小修改、搜尋
↓
Luna
一般日常開發
↓
Terra
複雜 Coding / Debug
↓
Sol
大型、高難度、端到端工作
↓
Astra
但這不是硬性規則。
例如一個看似很小的 Bug，也可能需要很多推理；反過來，大量檔案修改如果規則很明確，也不一定非得使用最高階模型。
所以比起死背：
這個工作 = 一定使用某個模型
我覺得比較實際的是：
先看工作複雜度
↓
需要多少推理？
↓
範圍有多大？
↓
再決定模型
模型本身也會持續更新，所以實際使用 Codex 時，還是以當下提供的模型清單為準。