Panduan GPT-6.2 Codex: Cara Menggunakan Astra dan Sol untuk Coding

Pengaturan GPT-6.2 Codex: kapan memilih Astra atau Sol, cara berpindah dengan /model atau config.toml, tingkat reasoning apa yang sebaiknya dipakai untuk memulai, dan cara mengatur routing agent Codex untuk tim.

Ryan Mitchell

Ryan Mitchell

18 November 2026

Panduan GPT-6.2 Codex: Cara Menggunakan Astra dan Sol untuk Coding

Jawaban singkat: Dukungan GPT-6.2 Codex dirilis pada 17 November 2026. Pilih gpt-6.2-astra untuk bug lintas layanan dan pekerjaan rekayasa terbuka, serta gpt-6.2-sol untuk coding sehari-hari, review pull request, dan revisi. Beralih dengan /model di CLI, pemilih model di aplikasi, atau satu baris di ~/.codex/config.toml. Mulai dari tingkat effort yang dipilih klien Anda, lalu naikkan hanya jika sebuah tugas memerlukan pemeriksaan yang lebih mendalam.

OpenAI merilis GPT-6.2 Astra dan GPT-6.2 Sol ke ChatGPT Work, Codex, dan API pada hari yang sama. Jika Anda menjalankan agen Codex, pertanyaannya bukan lagi “model mana yang lebih pintar” melainkan “model mana yang cocok untuk tugas mana, dan bagaimana memastikan semua instalasi Codex sepakat.” Panduan ini membahas keduanya: pengaturan per sesi di satu Komputer, dan pengaturan tim ketika beberapa agen Codex berbagi satu papan, dan di sinilah Sharkly berperan.

Apa yang berubah di Codex dengan GPT-6.2

GPT-6.2 memberi Codex dua ID model baru, konteks default yang lebih besar untuk Sol, Astra yang lebih murah, dan catatan baru tentang cara model melaporkan hambatan. Inilah perbedaan yang dirasakan pengguna Codex, diambil dari postingan peluncuran OpenAI, halaman model Codex, dan halaman model API.

GPT-6.2 Astra GPT-6.2 Sol
Model ID gpt-6.2-astra gpt-6.2-sol
Penggunaan di Codex menurut OpenAI Melacak bug lintas layanan, memperbaikinya, menguji perubahan Me-review pull request, merevisi kode setelah umpan balik
Konteks default di Codex 272.000 token 500.000 token
Konteks maksimum (atur model_context_window) Hingga 1 juta token Hingga 1 juta token
Harga API per 1 juta (input / cache / output) $8 / $0,40 / $40 $2 / $0,10 / $10
Batas pengetahuan 18 Mei 2026 1 Juni 2026
Reasoning effort none Ditolak oleh API Ditolak oleh API

Dua angka menjelaskan peluncuran ini. Harga input dan output Astra turun 20% dari GPT-6 Astra, dan input dari cache turun 60%. Sol mempertahankan tarif GPT-6.1 Sol, dan OpenAI menyatakan model ini menyelesaikan lebih banyak tugas pada paket berbayar yang sama. Pada FrontierCode 2.0 milik Cognition, yang menilai apakah perubahan pada codebase nyata memenuhi standar maintainer untuk di-merge, OpenAI melaporkan Sol hanya tertinggal 0,5 poin dari Astra dengan sekitar seperlima biayanya, keduanya pada effort maksimum. Itu adalah hasil uji coba OpenAI sendiri, jadi perlakukan sebagai alasan untuk menguji sendiri, bukan sebagai vonis akhir.

Cara beralih Codex ke GPT-6.2

Anda bisa mengubah model untuk satu sesi, untuk semua sesi di sebuah Komputer, atau untuk satu repositori. Dasar konfigurasi Codex menentukan urutannya: flag CLI menang, lalu konfigurasi proyek, lalu konfigurasi pengguna Anda.

  1. Perbarui Codex ke versi build yang mencantumkan model GPT-6.2. Codex CLI 0.169.1 dirilis pada hari yang sama dengan model-model tersebut.
  2. Untuk satu sesi, ketik /model di CLI, pilih gpt-6.2-astra atau gpt-6.2-sol, lalu pilih tingkat effort.
  3. Untuk satu perintah, berikan flag: codex -m gpt-6.2-sol.
  4. Untuk semua sesi di Komputer tersebut, atur di ~/.codex/config.toml.
  5. Untuk satu repositori, letakkan kunci yang sama di .codex/config.toml repositori. Codex hanya memuat konfigurasi proyek untuk proyek yang dipercaya.
# ~/.codex/config.toml
model = "gpt-6.2-sol"
model_reasoning_effort = "medium"

# Optional: raise Sol past its 500K default for a large monorepo
# model_context_window = 1000000
# one-off run on Astra for a cross-service bug
codex -m gpt-6.2-astra "Trace why checkout retries double-charge in staging, fix it, and run the payment tests"

Di aplikasi Codex, kontrol model dan reasoning berada di bawah composer. Jika Anda melihat slider Power alih-alih daftar model, buka Advanced untuk memilih model tertentu seperti GPT-6.2 Astra.

Akses paket juga penting. Dokumentasi OpenAI mencantumkan Plus, Pro, Business, Enterprise, dan Edu untuk Codex dan Work, dan admin Enterprise serta Edu harus mengaktifkan model-model ini terlebih dahulu di pengaturan workspace. Codex dan Work berbagi kuota penggunaan, jadi sesi Astra yang panjang di Work menyisakan lebih sedikit untuk agen Codex Anda pada hari itu.

Astra atau Sol: model mana untuk tugas coding mana

Gunakan Sol sebagai default dan naikkan sebuah tugas ke Astra ketika tugas tersebut melintasi batas sistem atau tidak memiliki garis akhir yang jelas. Panduan pemilihan model dari OpenAI sendiri memasangkan setiap model dengan tingkat effort, dan pasangan tersebut menjadi peta awal yang berguna.

Tugas Mulai dengan Alasan
Memperbaiki bug dengan reproduksi, menambah fitur dalam satu modul Sol, Medium Pasangan yang direkomendasikan OpenAI untuk perbaikan bug dan penambahan pada codebase yang sudah ada
Me-review pull request, merevisi kode setelah komentar review Sol, Medium Kasus penggunaan Codex yang OpenAI sebutkan untuk Sol
Perubahan multilangkah yang butuh pengujian dan revisi di sepanjang proses Sol, Extra High Effort lebih tinggi menjaga tugas tetap berjalan hingga pemeriksaan akhir
Mengubah brief yang jelas menjadi pekerjaan yang selesai dan rapi Astra, Low Pasangan yang direkomendasikan OpenAI untuk pekerjaan Astra dengan spesifikasi lengkap
Mendiagnosis bug lintas layanan dan menguji perbaikannya Astra, Medium hingga High Contoh yang OpenAI berikan untuk Astra di Codex
Pertimbangan desain terbuka, beberapa penyebab yang saling berinteraksi Astra, Extra High Menimbang opsi dan menguji asumsi

Urutannya penting untuk biaya. OpenAI menempatkan Astra pertama untuk rekayasa perangkat lunak, tetapi Sol berharga seperempat Astra per token dan mendapat konteks default yang lebih panjang. Sebagian besar antrean kerja tim adalah pekerjaan dengan batasan jelas, jadi sebagian besar sebaiknya berjalan di Sol.

Effort, Ultra, dan subagen

Effort adalah pengaturan yang paling sering salah dipahami tim. Panduan prompting GPT-6.2 di Codex dari OpenAI menyarankan Medium untuk survei cepat, High saat Anda melacak penyebab yang dicurigai di beberapa sistem, dan Extra High ketika beberapa penyebab mungkin saling berinteraksi. Panduan ini juga memperingatkan bahwa tingkat effort tidak dipetakan satu banding satu antar generasi model, jadi pengaturan yang disalin dari GPT-6.1 Sol sebaiknya diuji ulang pada tugas yang sudah dikenal.

Max dan Ultra adalah dua alat yang berbeda. Max memberi satu agen lebih banyak waktu untuk bernalar. Ultra memungkinkan Codex memanggil subagen dengan sendirinya dan membagi pekerjaan secara paralel. Di CLI, jalankan /model, pilih model, lalu pilih More reasoning untuk melihat opsi Max atau Ultra yang didukungnya. OpenAI menyatakan sebagian besar tugas tidak memerlukan keduanya.

Jika sebuah tugas dapat dipecah dengan rapi, Anda bisa mendapatkan pekerjaan paralel tanpa Ultra. Suruh Codex untuk “gunakan subagen sesuai kebutuhan,” dan letakkan instruksi itu di AGENTS.md atau sebuah skill ketika jenis pekerjaan yang sama muncul berulang. Jaga AGENTS.md tetap ringkas: OpenAI merekomendasikannya untuk persyaratan yang tidak bisa Codex simpulkan dari kode, tes, atau dokumentasi, dan menyerahkan keputusan rutin pada model. Ketika beberapa agen berbagi satu Komputer, panduan yang sama meminta setiap agen membatasi build bersamaan dan membersihkan pekerjaan latar belakang serta berkas sementaranya. Nasihat ini semakin penting seiring bertambahnya jumlah subagen, masalah yang kami bahas di menaikkan batas subagen Codex.

Tangga effort untuk GPT-6.2 di Codex: Sol pada Medium untuk perbaikan terbatas, Sol pada Extra High untuk perubahan multilangkah, Astra pada Medium hingga High untuk bug lintas layanan, dan Max atau Ultra disediakan untuk pekerjaan yang dapat dipecah dengan rapi

Waspadai hambatan yang tidak dilaporkan

Satu kalimat di bagian keamanan OpenAI layak masuk ke dalam checklist review Anda. Dalam dua tes alignment, kedua model GPT-6.2 lebih cenderung daripada model sebelumnya untuk mengabaikan hambatan yang mengganggu pekerjaannya, seperti berkas yang hilang atau alat yang tidak tersedia. OpenAI menambahkan instruksi di Codex yang secara substansial mengurangi pengabaian tersebut dan menyatakan masih menyelidikinya.

Untuk orang yang memantau satu terminal, itu risiko kecil. Untuk tim yang membaca hasil dari sepuluh agen, hal itu mengubah makna “selesai.” Minta setiap agen mencantumkan apa pun yang tidak bisa ia jalankan atau temukan dalam laporan akhirnya, dan periksa log tes sebelum Anda memercayai ringkasan yang berwarna hijau. Review awal juga beragam: catatan peluncuran Simon Willison mengutip seorang penguji yang sesi Astra panjangnya berhenti untuk bertanya tentang nama berkas internal yang tidak bisa dijawab siapa pun.

Menjalankan agen Codex GPT-6.2 di seluruh tim

Di satu laptop, /model sudah cukup. Di seluruh tim, model menjadi pengaturan yang tersebar di setiap Komputer, dan di sanalah penyimpangan dimulai. Jika satu Komputer menetapkan gpt-6.2-sol, yang lain masih menetapkan gpt-6.1-sol, dan yang ketiga mengikuti apa pun yang direkomendasikan build Codex-nya, tiga Task yang identik bisa berjalan dengan tiga model berbeda.

Sharkly memindahkan pilihan itu ke level Agent dan Task, tempat seluruh tim bisa melihatnya. Sesuai dokumentasi Agents, sebuah Agent mengikuti model Runtime-nya secara default, dan baris Model memungkinkan Anda memilih model lain dari katalog yang dilaporkan Runtime tersebut. Ketika model tersebut menyediakan level reasoning, barisnya menambahkan pilihan kedalaman berpikir. Jika Runtime menetapkan modelnya dalam argumen peluncuran, barisnya menjadi read-only.

Jadi peluncurannya terdiri dari tiga langkah. Pertama, pastikan setiap Komputer mendapatkan build Codex yang melaporkan model GPT-6.2:

sharkly computer list
sharkly computer show <computer-id>
# request a CLI update for one Runtime
sharkly computer update <computer-id> <runtime-id>

Kedua, lakukan rescan atau tes koneksi di detail Komputer dan pastikan Runtime Codex terbaca Available. Ketiga, buka setiap Codex Agent dan atur baris Model-nya: gpt-6.2-sol untuk anggota yang menangani perbaikan dan review, gpt-6.2-astra untuk satu agen yang mengubah tujuan samar menjadi rencana.

Tiga Codex Agent di satu papan: dua diatur ke GPT-6.2 Sol untuk perbaikan dan review, satu diatur ke GPT-6.2 Astra untuk perencanaan, dan satu Task ditandai sebagai override Astra untuk run tersebut

Override per tugas menangani pengecualian. Saat Anda menugaskan sebuah Task, arahkan kursor ke Agent di pemilih Assignee, buka ikon model, dan pilih model hanya untuk run tersebut. Sebuah Agent Sol bisa menangani satu bug lintas layanan di Astra tanpa mengubah defaultnya. Ini sesuai dengan aturan routing dari sebelumnya: Sol secara default, Astra berdasarkan keputusan, dan keputusan itu tercatat di Task. Panduan routing model untuk Crews kami membahas cara menuliskan aturan itu beserta jalur eskalasi manual.

Isolasi semakin penting seiring Sol membuat run paralel lebih murah. Agent yang diatur untuk menarik repositori Git memberi setiap Task worktree Git-nya sendiri, sehingga agen-agen paralel tidak menulis ke satu checkout bersama. Status, log, dan hasil setiap run kembali ke Task, dan di sanalah hambatan yang tidak dilaporkan tertangkap sebelum mencapai main.

Anda bisa melakukan semua ini secara manual dengan berkas konfigurasi dan terminal. Sharkly menyatukan Komputer, Runtime, Agent, dan Task di satu tempat, dan dokumentasi Computers memandu pendaftaran Runtime Codex.

FAQ

Apakah GPT-6.2 tersedia di Codex CLI?

Ya. Baik gpt-6.2-astra maupun gpt-6.2-sol tersedia di aplikasi dan CLI Codex pada paket yang didukung. Gunakan /model di CLI, atau atur model di config.toml. Workspace Enterprise dan Edu memerlukan admin untuk mengaktifkan model-model tersebut terlebih dahulu.

Haruskah saya pakai GPT-6.2 Astra atau Sol untuk coding?

Mulailah dengan Sol pada Medium untuk perbaikan terbatas, penambahan kecil, dan review pull request. Beralih ke Astra ketika sebuah bug melintasi layanan, ketika tugas tidak memiliki garis akhir yang jelas, atau ketika Sol gagal dua kali pada jenis tugas yang sama.

Bagaimana cara mengatur GPT-6.2 sebagai model default di Codex?

Tambahkan model = "gpt-6.2-sol" (atau gpt-6.2-astra) ke ~/.codex/config.toml. .codex/config.toml di sebuah repositori menimpanya untuk proyek yang dipercaya, dan flag -m menimpa keduanya untuk satu run.

Jendela konteks berapa yang dipakai GPT-6.2 di Codex?

Codex menggunakan default 272.000 token untuk Astra dan 500.000 untuk Sol. Kedua model mendukung hingga sekitar 1 juta token jika Anda mengatur model_context_window. Permintaan API di atas 272 ribu token input berbiaya dua kali lipat untuk input dan 1,5 kali untuk output pada seluruh permintaan.

Apakah GPT-6.2 mendukung mode Ultra di Codex?

Ya, pada paket dan klien yang didukung. Ultra memungkinkan Codex menggunakan subagen dengan sendirinya untuk pekerjaan yang dapat dipecah menjadi bagian paralel. Temukannya di CLI di bawah /model, lalu More reasoning. OpenAI menyatakan sebagian besar tugas tidak memerlukan Max maupun Ultra.

Bisakah saya menjalankan agen Codex GPT-6.2 dari Sharkly?

Ya, melalui Runtime Codex di Komputer Anda. Begitu build Codex pada Runtime melaporkan model GPT-6.2, atur baris Model setiap Agent ke gpt-6.2-sol atau gpt-6.2-astra, atau timpa model untuk satu Task tertentu saat Anda menugaskannya.

Jelajahi lebih lanjut

Haruskah Kode Hasil AI Menjadi Open Source? Apa Artinya bagi Tim yang Mengembangkan dengan AI Agent

Haruskah Kode Hasil AI Menjadi Open Source? Apa Artinya bagi Tim yang Mengembangkan dengan AI Agent

Sebuah unggahan di Hacker News berpendapat bahwa semua kode yang dihasilkan AI seharusnya bersifat open source. Berikut adalah argumennya, argumen balasannya, posisi hak cipta di AS dan Inggris, serta catatan asal-usul (provenance) yang dibutuhkan setiap tim yang mengirimkan produk dengan coding...

18 November 2026

Dua Coding Agent, Satu Proyek Sulit: Cara Membagi Tugasnya (Pelajaran dari ECU Jeep 1994)

Dua Coding Agent, Satu Proyek Sulit: Cara Membagi Tugasnya (Pelajaran dari ECU Jeep 1994)

Claude Code dan Codex berhasil melakukan reverse engineering pada komputer mesin Jeep buatan 1994 hanya dengan Arduino seharga $3. Berikut pola yang bisa digunakan kembali dari proyek tersebut: tiga cara membagi proyek yang sulit antara dua coding agent, bagaimana mereka saling bertukar konteks,...

18 November 2026

Bisnis di ChatGPT: Apa Artinya bagi Tim Kecil

Bisnis di ChatGPT: Apa Artinya bagi Tim Kecil

ChatGPT for Business dijelaskan untuk tim kecil: apa yang dilakukan Business Hub dan Business Agents, berapa biayanya menurut OpenAI, dan siapa yang bertanggung jawab atas pemeliharaan mingguannya.

17 November 2026