Melhor modelo GPT-5.6 para Codex

O melhor modelo GPT-5.6 para Codex não é definido pelo maior nome de modelo, mas pela incerteza da tarefa, pelo custo de errar e pelo caminho de aceitação. Escolha GPT-5.6 Sol para causas ambíguas e erros caros, GPT-5.6 Terra para features, bugs e testes bem definidos, e GPT-5.6 Luna para trabalho repetível com entrada e definição de pronto objetivas.

Se ainda houver dúvida e a qualidade importar mais que latência ou custo por token, gere primeiro uma baseline com Sol em uma tarefa representativa. Não mantenha toda tarefa em Sol por hábito. Desça para o modelo e o effort mais baratos que ainda passam pelo mesmo teste de aceitação do repositório.

Se Luna parecer a tier adequada, a comparação entre Claude Haiku 4.5 e GPT-5.6 Luna complementa o cálculo direto de baixo custo, cache e teste reproduzível.

Sol, Terra e Luna em uma visão rápida

A regra curta é: Sol para profundidade, Terra para o dia a dia, Luna para throughput. São papéis por tipo de tarefa, não rótulos de qualidade válidos para qualquer prompt.

Codex é o agente; GPT-5.6 é a família de modelos

Codex reúne contexto do repositório, chama ferramentas, aplica patches, pede aprovações e executa checks. Sol, Terra e Luna são modelos que podem alimentar surfaces aplicáveis do Codex. Não confunda essa decisão de modelo com a comparação de produto Claude Code vs Codex.

O harness altera o resultado. Uma execução com AGENTS.md, shell, sandbox gravável e teste determinístico não é equivalente a uma que recebe apenas um trecho de código colado. Compare no mesmo cliente Codex e com o mesmo perfil de permissões.

A OpenAI documenta gpt-5.6 como alias de gpt-5.6-sol. Em avaliações e automações, prefira IDs exatos:

gpt-5.6-sol
gpt-5.6-terra
gpt-5.6-luna

Especificações e preços diretos da OpenAI

Os valores são preços padrão diretos da OpenAI em USD por milhão de tokens de contexto curto. Não são preços da OmniaKey. Antes de definir orçamento de produção, confira as três páginas de modelo e o catálogo de modelos ao vivo para disponibilidade e preço atuais na OmniaKey.

Os três modelos listam entrada de texto e imagem, saída de texto, streaming, structured outputs, function calling, prompt caching e Responses API. Ferramentas nativas do provedor ou recursos do ChatGPT não aparecem automaticamente em qualquer custom provider, cliente ou gateway. Valide a rota exata que será usada.

Acima de 272K tokens de entrada, a regra atual da OpenAI cobra o dobro da entrada de contexto curto e 1,5 vez a saída para toda a solicitação. Cache writes custam 1,25 vez a entrada sem cache. Ter uma janela de 1,05M não significa que preenchê-la seja sempre econômico ou útil.

Escolha Sol para trabalho difícil e aberto

Sol é o primeiro candidato forte quando o modelo precisa descobrir o caminho em vez de seguir um procedimento conhecido. Comece com Sol quando:

• a causa raiz atravessa serviços, filas, bancos de dados ou limites de permissão;
• requisitos entram em conflito ou restrições importantes não foram declaradas;
• uma migração afeta cobrança, autenticação, segurança ou dados duráveis;
• os testes são fracos e o modelo precisa coletar evidências antes de editar;
• a qualidade do review importa mais que a velocidade de resposta;
• uma resposta plausível, mas errada, seria cara de reverter.

A documentação da OpenAI posiciona Sol para trabalho complexo, aberto e de alto valor que precisa de análise, julgamento ou acabamento adicionais. Quando Codex cloud é um requisito rígido, Sol é a tier GPT-5.6 indicada como suportada na tabela atual.

Um repositório grande não exige Sol por si só. Uma alteração bem delimitada em um monorepo grande pode ser trabalho de Terra, enquanto um bug de autorização de dez linhas em um serviço pequeno pode justificar Sol.

Escolha Terra para desenvolvimento cotidiano

Quando a tarefa já é compreendida, Terra é o padrão pragmático. Comece com Terra para:

• implementar uma feature com critérios de aceitação claros;
• corrigir um bug reproduzível com teste focado;
• escrever ou atualizar testes unitários e de integração;
• fazer refactor em call sites conhecidos;
• revisar uma pull request normal;
• manter tipos, configuração e documentação junto com o código.

No contexto curto direto, a entrada de Terra custa metade da de Sol e sua saída custa 60%. Para equipes que executam muitas tarefas comuns, a diferença já é razão suficiente para testar Terra primeiro.

Escale a partir de Terra se ele repete a mesma abordagem falha, perde uma restrição entre sistemas, não explica a causa raiz ou cria um patch que passa em testes estreitos mas não atende ao requisito real. A escalada deve seguir evidências, não a quantidade de arquivos no diff.

Para Terra contra a tier diária de Claude, e não Terra contra Sol, leia Claude Sonnet 5 vs GPT-5.6 Terra.

Escolha Luna para trabalho claro e repetível

Luna é a tier rápida e sensível a custo. Ela se encaixa quando entrada e definição de pronto são precisas:

• classificar issues ou encaminhar tickets com schema fixo;
• extrair campos de logs, relatórios ou arquivos fonte;
• transformar configuração ou documentação repetitiva;
• fazer alterações mecânicas isoladas com testes determinísticos;
• resumir resultados de busca limitados para uma tarefa superior;
• executar verificações em alto volume com falsos positivos e perdas medidos.

Luna não é o padrão para arquitetura ambígua, security review sutil ou incidente de produção sem explicação. Várias execuções baratas que falham, seguidas de Terra ou Sol, podem custar mais que começar na tier adequada.

Forneça a Luna entradas explícitas, schema de saída, condições de parada e check de aceitação determinístico. Tarefas reversíveis e fáceis de verificar transformam com mais segurança sua vantagem de preço em economia real.

Custo de uma tarefa representativa

Considere uma execução sem cache com 100,000 tokens de entrada e 20,000 de saída. Ela fica abaixo do limite de 272K para contexto longo.

Essa conta não é um benchmark de tarefa concluída. Ela exclui cache writes, cobranças de ferramentas, retries, uso variável de reasoning e tempo humano de correção. A unidade útil é:

custo da tarefa concluída = execução bem-sucedida
                          + tentativas com falha
                          + retries e cobranças de ferramentas
                          + tempo de correção humana

Luna só vence quando ainda produz um resultado aceito. Sol pode ser mais barato numa tarefa difícil se evita várias tentativas inferiores que falham.

Ajuste o effort antes de trocar tudo

Tier de modelo e reasoning effort são controles separados. Comece pelo menor effort que dá o resultado necessário e aumente somente quando a tarefa exigir mais planejamento, análise ou verificação.

1. Execute uma tarefa conhecida em configuração normal ou medium.
2. Se a direção estiver certa, mas a investigação superficial, aumente o effort no mesmo modelo.
3. Se o modelo não resolve o problema ou perde o julgamento necessário, suba a tier.
4. Se passar com folga, repita com effort menor ou tier mais barata.
5. Mude uma variável por vez para manter a comparação interpretável.

Não suponha que Luna com effort alto equivale a Sol ou que Sol com effort baixo equivale a Terra. Meça resultado aceito, latência, tokens e tempo de correção por configuração.

Codex local e Codex cloud são surfaces diferentes

A OpenAI lista os três modelos GPT-5.6 para Codex CLI e extensão IDE. Sol também é listado para Codex cloud; Terra e Luna não. Ainda assim, a disponibilidade depende de rollout, forma de login e cliente.

Com cobrança por API key, o uso segue tarifas de API, e não créditos incluídos no plano ChatGPT. Um custom provider compatível com Responses pode expor modelos suportados ao Codex local, mas não libera recursos exclusivos de ChatGPT ou cloud.

Para configuração suportada, use o guia OmniaKey Codex CLI (em inglês). Se o modelo aparecer mas stream ou tool call falhar, use o kit de compatibilidade GPT-5.6. Este artigo trata de seleção; o kit, de setup e troubleshooting.

Política de roteamento prática

Guarde com o resultado o model ID, effort, classe de tarefa e comando de aceitação. Sem esses campos, não há como separar uma regressão futura entre modelo, prompt, harness e repositório.

Trocar modelos no Codex

Em uma sessão interativa do Codex CLI, use /model. Em uma nova execução, passe o modelo exato:

codex --model gpt-5.6-sol
codex --model gpt-5.6-terra
codex --model gpt-5.6-luna

O mesmo seletor funciona em modo não interativo:

codex exec -m gpt-5.6-terra "Execute as verificações do repositório e explique cada falha"

Esses comandos selecionam o modelo; não configuram autenticação nem provider. Complete primeiro o setup suportado. Use IDs exatos em tarefas salvas e avaliações; use o alias gpt-5.6 somente quando aceitar um default móvel da família.

Avalie em mudanças aceitas

Monte um pequeno conjunto de tarefas a partir do trabalho real da equipe:

1. Uma implementação rotineira com testes determinísticos.
2. Um bug reproduzível cuja causa atravesse pelo menos dois módulos.
3. Uma transformação mecânica em muitos arquivos.
4. Uma tarefa de review com defeitos conhecidos inseridos.
5. Uma decisão de arquitetura ou migração de risco.

Execute cada tarefa do mesmo commit, com as mesmas instruções, ferramentas, permissões e checks. Repita os runs porque resultados de agentes variam. Registre pass rate, tempo decorrido, tokens de entrada e saída, tool calls, retries e minutos de correção humana.

Promova Terra ou Luna apenas nas classes em que entregam o mesmo resultado aceito de Sol. Mantenha Sol onde o julgamento extra altera o resultado. Assim a política nasce do seu repositório, e não de um leaderboard genérico.

Para uma decisão mais ampla entre provedores, consulte o guia de famílias de modelos para coding.

Veredito final

Para uma tarefa Codex desconhecida, difícil, aberta ou que exige cloud, GPT-5.6 Sol é o melhor ponto de partida. Para trabalho de software cotidiano e bem definido, GPT-5.6 Terra é o melhor default. Para trabalho rápido, repetível e objetivamente verificável, GPT-5.6 Luna é o melhor encaixe.

Comece pelo risco e pela ambiguidade da tarefa, não pelo maior nome de modelo. Depois use seus próprios dados de aceitação para deslocar trabalho repetitivo à tier confiável mais barata e ao menor effort.

Perguntas frequentes

Qual é o melhor modelo GPT-5.6 para Codex?

Escolha Sol para trabalho desconhecido ou complexo e aberto, Terra para features, debugging, testes e refactors cotidianos, e Luna para trabalho claro, repetível, de alto volume e com checks objetivos.

Codex usa GPT-5.6 Sol por padrão?

O alias de API gpt-5.6 aponta para Sol. Mas o picker do Codex e o Power padrão variam por conta, plano, login, cliente e rollout. Se reprodução importa, selecione explicitamente gpt-5.6-sol.

Terra tem melhor valor que Sol para coding?

Em trabalho diário bem especificado, Terra costuma ser o melhor começo graças à menor tarifa direta de API. Se julgamento mais profundo evita falhas, dívida de review ou uma implementação errada cara, Sol pode gerar mais valor.

Qual GPT-5.6 é o mais barato?

Em 10 de setembro de 2026, Luna: $0.20 de entrada, $0.02 de cache input e $1.20 de saída por milhão de tokens de contexto curto.

Os três têm a mesma janela de contexto?

Sim. Todos listam 1,050,000 tokens de contexto, 922,000 de entrada máxima e 128,000 de saída máxima. Capacidade igual não implica a mesma profundidade de reasoning, velocidade ou confiabilidade.

Todos os três funcionam no Codex cloud?

Na tabela oficial atual, Sol é listado para Codex cloud; Terra e Luna são listados para CLI e extensão IDE locais. Verifique novamente a disponibilidade na sua conta antes de padronizar um fluxo.

Fontes primárias

• OpenAI: modelos Codex e seleção (em inglês)
• OpenAI: GPT-5.6 Sol (em inglês)
• OpenAI: GPT-5.6 Terra (em inglês)
• OpenAI: GPT-5.6 Luna (em inglês)
• OpenAI: preços da API (em inglês)
• OpenAI: model guidance GPT-5.6 (em inglês)
• OpenAI: autenticação Codex (em inglês)

Fatos e cálculos foram verificados em 10 de setembro de 2026. Não houve benchmark independente dos três modelos, teste de velocidade ou teste de confiabilidade em produção. Confira novamente model ID, preços e disponibilidade do cliente nas OpenAI Docs e no catálogo ao vivo antes do deploy.