Модели, провайдеры и локальные модели

В курсе «Codex с нуля» вы переключали модель командой /model и разобрались, что такое уровень рассуждений (reasoning effort) — см. урок «Модели и уровень рассуждений». Здесь — как закрепить выбор в конфигурации, развести модели по задачам и подключить модель не от OpenAI или вообще без облака.

Ключи выбора модели

model = "gpt-6.1-sol"
model_reasoning_effort = "medium"     # low | medium | high | xhigh | max | ultra
plan_mode_reasoning_effort = "high"   # отдельный уровень для режима планирования
review_model = "gpt-6.1-sol"          # модель для /review и codex review
model_reasoning_summary = "auto"      # auto | concise | detailed | none
model_verbosity = "medium"            # low | medium | high

Что важно знать про каждый:

• model — слаг модели. Он должен быть доступен вашему аккаунту и способу входа: выбор модели не даёт к ней доступа.
• model_reasoning_effort — набор допустимых уровней зависит от модели и клиента. В интерфейсе уровни называются Light (в CLI — Low), Medium, High, Extra High, Max, Ultra. На уровне Ultra Codex проактивно делит работу между субагентами, поэтому расходует заметно больше токенов.
• plan_mode_reasoning_effort — если не задан, режим планирования использует свой встроенный пресет.
• review_model — по умолчанию ревью идёт той же моделью, что и сессия. Отдельная модель для ревью полезна, когда основную работу вы делаете быстрой моделью.
• model_verbosity и model_reasoning_summary — длина ответов и подробность сводок рассуждений. Для скриптов имеет смысл model_reasoning_summary = "none".

Какую модель выбрать: на октябрь 2026

Линейка меняется каждые несколько месяцев, поэтому запоминайте принцип, а не названия.

Модели семейства GPT-5.6 остаются доступны на время перехода. GPT-5.5 выведена из Codex для входа через ChatGPT с 14 октября 2026 года; при входе по API-ключу она по-прежнему работает — набор моделей там определяется вашей организацией в API. В Enterprise и Edu часть моделей сначала должен включить администратор.

Практичный подход из документации: начните с рекомендованной модели и уровня по умолчанию, а затем на одних и тех же задачах пробуйте более лёгкие настройки и оставьте самую лёгкую, которая проходит вашу планку качества. Частые автоматические прогоны съедают лимит быстрее редких — для них подбирайте модель особенно тщательно. Полный каталог моделей, который видит ваш клиент, выводит команда codex debug models (экспериментальная).

Скорость: Fast mode

Fast mode ускоряет поддерживаемые модели ценой более быстрого расхода лимита. В CLI он переключается командой /fast, по умолчанию включается так:

service_tier = "fast"

[features]
fast_mode = true

Работает только при входе через ChatGPT. Есть ещё Ultrafast — для отдельных моделей и тарифов; доступность смотрите на странице Speed.

Свой адрес для OpenAI: прокси и резидентность данных

Если запросы к моделям в компании идут через LLM-прокси или шлюз, не нужно описывать новый провайдер — достаточно сменить базовый адрес встроенного:

openai_base_url = "https://llm-proxy.company.internal/v1"

Создавать [model_providers.openai] нельзя: встроенные идентификаторы openai, ollama и lmstudio зарезервированы. Для рабочих пространств ChatGPT с резидентностью данных отдельная настройка не нужна — Codex учитывает её при входе через ChatGPT. Для корпоративных шлюзов у OpenAI есть отдельные руководства: вход через ChatGPT поверх шлюза и подключение с ключами провайдера.

Свои провайдеры

Провайдер описывает, куда и как Codex отправляет запросы: адрес, протокол, авторизацию, заголовки.

model_provider = "proxy"
model = "gpt-6.1-sol"

[model_providers.proxy]
name = "LLM-прокси компании"
base_url = "https://llm-proxy.company.internal/v1"
env_key = "COMPANY_LLM_KEY"          # имя переменной окружения с ключом
wire_api = "responses"
http_headers = { "X-Team" = "web" }
env_http_headers = { "X-Project" = "CODEX_PROJECT_ID" }
request_max_retries = 4
stream_max_retries = 10
stream_idle_timeout_ms = 300000

Главное ограничение 2026 года: провайдер должен поддерживать Responses API. wire_api = "responses" — единственное допустимое значение, а эндпоинты, которые умеют только Chat Completions, текущие версии Codex не поддерживают. Если вы находите в интернете конфиг с wire_api = "chat", он устарел.

Если ключ нужно не хранить в переменной, а получать у внешней утилиты (например, короткоживущий токен из корпоративного хранилища), используйте авторизацию через команду:

[model_providers.proxy.auth]
command = "/usr/local/bin/fetch-llm-token"
args = ["--audience", "codex"]
timeout_ms = 5000
refresh_interval_ms = 300000

Команда печатает токен в stdout, Codex обновляет его по таймеру. Такой блок нельзя сочетать с env_key.

Для Azure описание провайдера выглядит так же, плюс query_params = { api-version = "..." } с версией API из вашей подписки. Для Amazon Bedrock есть встроенный провайдер amazon-bedrock с вложенной таблицей aws (profile, region), подробности — на странице Amazon Bedrock.

Помните из урока про config.toml: model_provider, model_providers и openai_base_url в проектном .codex/config.toml игнорируются. Провайдеры — только в личном конфиге или в профиле.

Локальные модели: Ollama и LM Studio

Codex умеет работать с локальной моделью через Ollama или LM Studio. Это режим --oss:

codex --oss --local-provider ollama
codex --oss -m имя-модели           # провайдер возьмётся из oss_provider
codex exec --oss --local-provider lmstudio "Опиши структуру каталога src"

Провайдер по умолчанию задаётся в конфиге:

oss_provider = "ollama"   # или 1

Если ни флаг, ни ключ не заданы, интерактивный CLI спросит, а codex exec завершится с ошибкой — в скриптах указывайте провайдер явно. Локальный сервер тоже должен отвечать по Responses API, так что держите Ollama или LM Studio обновлёнными.

Когда это оправдано: эксперименты без отправки кода в облако, работа без интернета, разбор чувствительного фрагмента. Но учитывайте трезво: агентная работа требует уверенного вызова инструментов и длинного контекста, и небольшие локальные модели справляются с этим хуже облачных. Для реальных задач по проекту сравните результат на одной и той же задаче, прежде чем переводить на локальную модель что-то важное.