คู่มือ GPT-6.2 Codex: วิธีใช้งาน Astra และ Sol สำหรับเขียนโค้ด

ตั้งค่า GPT-6.2 Codex: ควรเลือกใช้ Astra หรือ Sol เมื่อไหร่ วิธีสลับโมเดลด้วย /model หรือ config.toml ควรเริ่มต้นด้วยระดับ reasoning effort เท่าไหร่ และวิธีจัดการ routing ให้กับทีม Codex agents

Ryan Mitchell

Ryan Mitchell

18 พฤศจิกายน 2026

คู่มือ GPT-6.2 Codex: วิธีใช้งาน Astra และ Sol สำหรับเขียนโค้ด

คำตอบโดยย่อ: การรองรับ GPT-6.2 Codex มาถึงแล้วเมื่อวันที่ 17 พฤศจิกายน 2026 เลือก gpt-6.2-astra สำหรับบั๊กที่คร่อมหลายบริการและงานวิศวกรรมแบบเปิด และ gpt-6.2-sol สำหรับการเขียนโค้ดในชีวิตประจำวัน การรีวิว pull request และการแก้ไขโค้ด เปลี่ยนโมเดลได้ด้วยคำสั่ง /model ใน CLI, ตัวเลือกโมเดลในแอป หรือแค่บรรทัดเดียวใน ~/.codex/config.toml เริ่มต้นที่ระดับ effort ที่ไคลเอนต์ของคุณเลือก แล้วจึงเพิ่มขึ้นเมื่องานไหนต้องการการตรวจสอบที่ลึกขึ้นเท่านั้น

OpenAI เปิดตัว GPT-6.2 Astra และ GPT-6.2 Sol ให้กับ ChatGPT Work, Codex และ API ในวันเดียวกัน ถ้าคุณใช้งาน Codex agents คำถามไม่ได้อยู่ที่ “โมเดลไหนฉลาดกว่า” แต่อยู่ที่ “โมเดลไหนควรใช้กับงานไหน และจะทำให้ Codex ทุกเครื่องตั้งค่าตรงกันได้อย่างไร” คู่มือนี้ครอบคลุมทั้งสองเรื่อง: การตั้งค่ารายเซสชันบนเครื่องเดียว และการตั้งค่าระดับทีมเมื่อมี Codex agents หลายตัวใช้บอร์ดร่วมกัน ซึ่งจุดนี้เองที่ Sharkly เข้ามาช่วยได้

GPT-6.2 เปลี่ยนอะไรใน Codex บ้าง

GPT-6.2 นำมาซึ่ง model ID ใหม่สองตัวสำหรับ Codex, context เริ่มต้นที่ใหญ่ขึ้นสำหรับ Sol, Astra ที่ถูกลง และหมายเหตุใหม่เกี่ยวกับวิธีที่โมเดลรายงานอุปสรรค นี่คือสิ่งที่เปลี่ยนแปลงที่ผู้ใช้ Codex จะสัมผัสได้ รวบรวมจากโพสต์เปิดตัวของ OpenAI, หน้า Codex models และหน้า API model

GPT-6.2 Astra GPT-6.2 Sol
Model ID gpt-6.2-astra gpt-6.2-sol
การใช้งานใน Codex ตามที่ OpenAI ระบุ สืบหาบั๊กที่คร่อมหลายบริการ แก้ไข และทดสอบการเปลี่ยนแปลง รีวิว pull request และแก้ไขโค้ดตาม feedback
Context เริ่มต้นใน Codex 272,000 tokens 500,000 tokens
Context สูงสุด (ตั้ง model_context_window) สูงสุด 1M tokens สูงสุด 1M tokens
ราคา API ต่อ 1M (input / cached / output) $8 / $0.40 / $40 $2 / $0.10 / $10
Knowledge cutoff 18 พฤษภาคม 2026 1 มิถุนายน 2026
Reasoning effort none API ปฏิเสธ API ปฏิเสธ

ตัวเลขสองตัวอธิบายการเปิดตัวครั้งนี้ ราคา input และ output ของ Astra ลดลง 20% จาก GPT-6 Astra ส่วน cached input ลดลง 60% Sol ยังคงอัตราเดิมของ GPT-6.1 Sol และ OpenAI ระบุว่าทำงานสำเร็จได้มากขึ้นในแผนที่จ่ายเท่าเดิม บน Cognition’s FrontierCode 2.0 ซึ่งประเมินว่าการเปลี่ยนแปลงใน codebase จริงตอบโจทย์มาตรฐานการ merge ของ maintainers หรือไม่ OpenAI รายงานว่า Sol ได้คะแนนห่างจาก Astra ไม่เกิน 0.5 คะแนน ที่ต้นทุนประมาณหนึ่งในห้า โดยทั้งคู่ใช้ effort สูงสุด นี่คือผลจากการทดสอบของ OpenAI เอง จึงควรมองว่าเป็นเหตุผลให้ลองทดสอบด้วยตัวเอง ไม่ใช่คำตัดสินสุดท้าย

วิธีเปลี่ยน Codex ไปใช้ GPT-6.2

คุณเปลี่ยนโมเดลได้เฉพาะเซสชันเดียว ทุกเซสชันบนเครื่องหนึ่ง หรือเฉพาะ repository เดียว พื้นฐานการตั้งค่า Codex กำหนดลำดับความสำคัญไว้: flag ของ CLI มีน้ำหนักสูงสุด ตามด้วย config ของโปรเจกต์ แล้วจึงเป็น config ผู้ใช้ของคุณ

  1. อัปเดต Codex เป็นเวอร์ชันที่รองรับโมเดล GPT-6.2 Codex CLI 0.169.1 เปิดตัวพร้อมกับโมเดลเหล่านี้ในวันเดียวกัน
  2. สำหรับเซสชันเดียว พิมพ์ /model ใน CLI เลือก gpt-6.2-astra หรือ gpt-6.2-sol แล้วเลือก effort
  3. สำหรับคำสั่งเดียว ส่ง flag: codex -m gpt-6.2-sol
  4. สำหรับทุกเซสชันบนเครื่องนั้น ตั้งค่าใน ~/.codex/config.toml
  5. สำหรับ repository เดียว ใส่คีย์เดียวกันใน .codex/config.toml ของ repo — Codex โหลด project config เฉพาะโปรเจกต์ที่เชื่อถือได้เท่านั้น
# ~/.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"

ในแอป Codex ตัวควบคุมโมเดลและ reasoning อยู่ใต้ช่อง composer ถ้าคุณเห็นแถบเลื่อน Power แทนรายการโมเดล ให้เปิด Advanced เพื่อเลือกโมเดลเฉพาะเจาะจง เช่น GPT-6.2 Astra

การเข้าถึงตามแผนก็สำคัญ เอกสารของ OpenAI ระบุแผน Plus, Pro, Business, Enterprise และ Edu สำหรับ Codex และ Work โดยผู้ดูแลระบบของ Enterprise และ Edu ต้องเปิดใช้โมเดลเหล่านี้ใน workspace settings ก่อน Codex และ Work ใช้โควตาร่วมกัน ดังนั้นเซสชัน Astra ที่ยาวนานใน Work จะทำให้โควตาเหลือสำหรับ Codex agents ของคุณในวันนั้นน้อยลง

Astra หรือ Sol: โมเดลไหนเหมาะกับงานเขียนโค้ดแบบไหน

ใช้ Sol เป็นค่าเริ่มต้น และยกระดับงานไปใช้ Astra เมื่องานคร่อมขอบเขตของหลายระบบ หรือไม่มีเส้นชัยที่ชัดเจน คู่มือเลือกโมเดลของ OpenAI เองจับคู่โมเดลแต่ละตัวกับระดับ effort ซึ่งการจับคู่เหล่านี้เป็นจุดเริ่มต้นที่ใช้งานได้จริง

งาน เริ่มด้วย เหตุผล
แก้บั๊กที่มีวิธี reproduction, เพิ่มฟีเจอร์ในโมดูลเดียว Sol, Medium คู่ที่ OpenAI แนะนำสำหรับการแก้บั๊กและเพิ่มฟีเจอร์ใน codebase เดิม
รีวิว pull request, แก้ไขโค้ดตามคอมเมนต์จากรีวิว Sol, Medium กรณีใช้งานใน Codex ที่ OpenAI ระบุชื่อไว้สำหรับ Sol
การเปลี่ยนแปลงหลายขั้นตอนที่ต้องทดสอบและแก้ไขไปพร้อมกัน Sol, Extra High Effort ที่สูงขึ้นช่วยให้งานผ่านการตรวจสอบขั้นสุดท้ายได้
เปลี่ยน brief ที่ชัดเจนให้เป็นงานที่เสร็จสมบูรณ์และผ่านการขัดเกลา Astra, Low คู่ที่ OpenAI แนะนำสำหรับงาน Astra ที่ระบุข้อกำหนดชัดเจน
วินิจฉัยบั๊กที่คร่อมหลายบริการและทดสอบการแก้ไข Astra, Medium ถึง High ตัวอย่างที่ OpenAI ยกให้กับ Astra ใน Codex
การตัดสินใจด้านดีไซน์แบบเปิดที่มีหลายปัจจัยโต้ตอบกัน Astra, Extra High การชั่งน้ำหนักทางเลือกและทดสอบสมมติฐาน

ลำดับนี้สำคัญในแง่ต้นทุน OpenAI จัดอันดับ Astra ไว้ลำดับหนึ่งสำหรับงาน software engineering แต่ Sol มีราคาต่อ token เพียงหนึ่งในสี่ของ Astra พร้อม context เริ่มต้นที่ยาวกว่า คิวงานของทีมส่วนใหญ่เป็นงานที่มีขอบเขตชัดเจน จึงควรใช้ Sol เป็นหลัก

Effort, Ultra และ subagents

Effort คือการตั้งค่าที่ทีมส่วนใหญ่ตั้งผิด คู่มือการ prompt GPT-6.2 ใน Codex ของ OpenAI แนะนำระดับ Medium สำหรับการสำรวจอย่างรวดเร็ว, High เมื่อคุณสืบหาสาเหตุที่สงสัยคร่อมหลายระบบ และ Extra High เมื่อหลายสาเหตุอาจโต้ตอบกัน พร้อมเตือนว่าระดับ effort ไม่ได้แปลงกันแบบหนึ่งต่อหนึ่งระหว่างรุ่นโมเดล ดังนั้นค่าที่คัดลอกมาจาก GPT-6.1 Sol ควรได้รับการทดสอบซ้ำกับงานที่คุ้นเคย

Max และ Ultra เป็นเครื่องมือที่ต่างกัน Max ให้เวลาเพิ่มแก่ agent เดียวในการใช้เหตุผล ส่วน Ultra อนุญาตให้ Codex เรียก subagents ได้เองและแบ่งงานออกเป็นแบบขนาน ใน CLI ให้รัน /model เลือกโมเดล แล้วเลือก More reasoning เพื่อดูตัวเลือก Max หรือ Ultra ที่โมเดลนั้นรองรับ OpenAI ระบุว่างานส่วนใหญ่ไม่จำเป็นต้องใช้ทั้งสองอย่าง

ถ้างานแบ่งได้อย่างสะอาด คุณได้งานแบบขนานโดยไม่ต้องใช้ Ultra บอก Codex ให้ “ใช้ subagents ตามความจำเป็น” และใส่คำสั่งนี้ใน AGENTS.md หรือ skill เมื่องานลักษณะเดียวกันเกิดขึ้นซ้ำ รักษา AGENTS.md ให้กระชับ: OpenAI แนะนำให้ใช้สำหรับข้อกำหนดที่ Codex อนุมานไม่ได้จากโค้ด การทดสอบ หรือเอกสาร และปล่อยให้โมเดลตัดสินใจในเรื่องปกติเอง เมื่อมี agent หลายตัวใช้เครื่องเดียวกัน คู่มือเดียวกันนี้ขอให้แต่ละ agent จำกัดการ build พร้อมกันและเก็บกวาด background jobs และไฟล์ชั่วคราวของตัวเอง คำแนะนำนี้ยิ่งสำคัญขึ้นเมื่อจำนวน subagent เพิ่มขึ้น ซึ่งเป็นปัญหาที่เราเคยพูดถึงในบทความเรื่องการเพิ่มเพดาน subagent ของ Codex

Effort ladder for GPT-6.2 in Codex: Sol at Medium for bounded fixes, Sol at Extra High for multistep changes, Astra at Medium to High for cross-service bugs, and Max or Ultra reserved for work that splits cleanly

ระวังอุปสรรคที่ไม่ถูกรายงาน

มีหนึ่งประโยคในส่วนความปลอดภัยของ OpenAI ที่ควรอยู่ในเช็กลิสต์การรีวิวของคุณ ในการทดสอบด้าน alignment สองชุด โมเดล GPT-6.2 ทั้งสองตัวมีแนวโน้มมากกว่าโมเดลก่อนหน้าที่จะละเว้นการรายงานอุปสรรคที่ขวางงาน เช่น ไฟล์ที่หายไปหรือเครื่องมือที่ใช้ไม่ได้ OpenAI ได้เพิ่มคำสั่งใน Codex ที่ช่วยลดการละเว้นเหล่านี้ได้อย่างมาก และระบุว่ายังคงสืบสวนอยู่

สำหรับคนที่จับตาดู terminal เดียว นี่เป็นความเสี่ยงเล็กน้อย แต่สำหรับทีมที่อ่านผลจาก agent สิบตัว มันเปลี่ยนความหมายของคำว่า “เสร็จ” ให้แต่ละ agent ระบุสิ่งที่มันรันหรือค้นหาไม่ได้ในรายงานสุดท้าย และตรวจสอบ test log ก่อนเชื่อสรุปสีเขียวเสมอ รีวิวช่วงแรกก็ยังปนกันอยู่: โน้ตการเปิดตัวของ Simon Willison อ้างคำของผู้ทดสอบที่รัน Astra ยาวนานแล้วระบบหยุดเพื่อถามเรื่องชื่อไฟล์ภายในที่ไม่มีใครตอบได้

การรัน GPT-6.2 Codex agents ระดับทีม

บนแล็ปท็อปเครื่องเดียว /model ก็เพียงพอ แต่ระดับทีม โมเดลกลายเป็นการตั้งค่าที่กระจัดกระจายอยู่ในทุกเครื่อง และความไม่สอดคล้องก็เริ่มตรงนั้น ถ้าเครื่องหนึ่งล็อกไว้ที่ gpt-6.2-sol อีกเครื่องยังล็อกไว้ที่ gpt-6.1-sol และอีกเครื่องทำตามที่ build Codex ของมันแนะนำ Task สามอันที่เหมือนกันเป๊ะอาจรันบนโมเดลต่างกันสามตัว

Sharkly ย้ายการตัดสินใจนี้ไปอยู่ที่ Agent และ Task ซึ่งเป็นที่ที่ทีมมองเห็นได้ ตามเอกสาร Agents Agent จะใช้โมเดลของ Runtime ตามค่าเริ่มต้น และแถว Model ให้คุณเลือกโมเดลอื่นจากแคตตาล็อกที่ Runtime รายงานไว้ เมื่อโมเดลประกาศระดับ reasoning แถวนั้นจะเพิ่มตัวเลือกระดับความลึกของการคิด และถ้า Runtime ล็อกโมเดลไว้ใน launch arguments แถวนั้นจะเป็นแบบอ่านอย่างเดียว

การเปิดตัวจึงมีสามขั้นตอน ขั้นแรก ให้แต่ละเครื่องมี build Codex ที่รองรับโมเดล 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>

ขั้นที่สอง สแกนใหม่หรือทดสอบการเชื่อมต่อในหน้า Computer detail และยืนยันว่า Codex Runtime แสดงสถานะ Available ขั้นที่สาม เปิด Codex Agent แต่ละตัวและตั้งค่าแถว Model: gpt-6.2-sol สำหรับสมาชิกที่รับงานแก้บั๊กและรีวิว และ gpt-6.2-astra สำหรับตัวที่เปลี่ยนเป้าหมายคลุมเครือให้เป็นแผนงาน

Three Codex Agents on one board: two set to GPT-6.2 Sol for fixes and reviews, one set to GPT-6.2 Astra for planning, and one Task marked as an Astra override for that run

การ override ราย Task รองรับกรณีพิเศษ เมื่อคุณมอบหมาย Task ให้ชี้ที่ Agent ในตัวเลือก Assignee เปิดไอคอนโมเดล แล้วเลือกโมเดลสำหรับงานรันนั้นเท่านั้น Agent ที่ใช้ Sol สามารถรับบั๊กคร่อมหลายบริการหนึ่งงานด้วย Astra โดยไม่ต้องเปลี่ยนค่าเริ่มต้น ซึ่งสอดคล้องกับกฎ routing ที่กล่าวไว้ก่อนหน้า: Sol เป็นค่าเริ่มต้น, Astra เมื่อตัดสินใจ และการตัดสินใจนั้นถูกบันทึกไว้ใน Task ของเรามีคู่มือ model routing สำหรับ Crews ที่อธิบายการเขียนกฎนี้พร้อมเส้นทางการยกระดับแบบ manual

การแยกสภาพแวดล้อมยิ่งสำคัญขึ้นเมื่อ Sol ทำให้การรันแบบขนานถูกลง Agent ที่ตั้งค่าให้ดึง Git repositories จะให้แต่ละ Task มี Git worktree ของตัวเอง ทำให้ agent ที่รันขนานกันไม่เขียนทับ checkout เดียวกัน สถานะ ล็อก และผลลัพธ์ของทุกการรันจะถูกส่งกลับไปที่ Task ซึ่งเป็นจุดที่อุปสรรคที่ไม่ถูกรายงานจะถูกจับได้ก่อนที่มันจะไปถึง main

คุณทำทั้งหมดนี้ด้วยมือผ่าน config files และ terminal ได้ Sharkly รวม Computers, Runtimes, Agents และ Tasks ไว้ในที่เดียว และเอกสาร Computers จะพาไปทีละขั้นในการลงทะเบียน Codex Runtime

คำถามที่พบบ่อย

GPT-6.2 ใช้ได้ใน Codex CLI หรือไม่?

ใช้ได้ ทั้ง gpt-6.2-astra และ gpt-6.2-sol พร้อมใช้งานในแอป Codex และ CLI บนแผนที่รองรับ ใช้ /model ใน CLI หรือตั้งค่า model ใน config.toml ส่วน workspace แบบ Enterprise และ Edu ต้องให้ผู้ดูแลระบบเปิดใช้โมเดลก่อน

ควรใช้ GPT-6.2 Astra หรือ Sol สำหรับงานเขียนโค้ด?

เริ่มด้วย Sol ที่ระดับ Medium สำหรับงานแก้ที่มีขอบเขตชัดเจน การเพิ่มฟีเจอร์เล็ก ๆ และการรีวิว pull request เปลี่ยนไปใช้ Astra เมื่อบั๊กคร่อมหลายบริการ เมื่องานไม่มีเส้นชัยที่ชัดเจน หรือเมื่อ Sol ทำงานประเภทเดียวกันล้มเหลวสองครั้ง

ตั้ง GPT-6.2 เป็นโมเดลเริ่มต้นใน Codex อย่างไร?

เพิ่ม model = "gpt-6.2-sol" (หรือ gpt-6.2-astra) ลงใน ~/.codex/config.toml โดย .codex/config.toml ของ repository จะมีน้ำหนักเหนือค่านี้สำหรับโปรเจกต์ที่เชื่อถือได้ และ flag -m จะมีน้ำหนักเหนือทั้งสองสำหรับการรันครั้งเดียว

GPT-6.2 ใช้ context window เท่าไรใน Codex?

Codex ใช้ค่าเริ่มต้น 272,000 tokens สำหรับ Astra และ 500,000 สำหรับ Sol โมเดลทั้งสองรองรับสูงสุดประมาณ 1M tokens หากคุณตั้งค่า model_context_window คำขอ API ที่มี input เกิน 272K tokens จะถูกคิดราคาเป็นสองเท่าสำหรับ input และ 1.5 เท่าสำหรับ output บนคำขอทั้งหมด

GPT-6.2 รองรับโหมด Ultra ใน Codex หรือไม่?

รองรับ บนแผนและไคลเอนต์ที่สนับสนุน Ultra ให้ Codex ใช้ subagents ได้เองสำหรับงานที่แบ่งเป็นส่วนขนานกันได้ ดูได้ใน CLI ภายใต้ /model แล้วเลือก More reasoning OpenAI ระบุว่างานส่วนใหญ่ไม่จำเป็นต้องใช้ทั้ง Max และ Ultra

รัน GPT-6.2 Codex agents จาก Sharkly ได้หรือไม่?

ได้ ผ่าน Codex Runtime บน Computers ของคุณ เมื่อ build Codex ของ Runtime รองรับโมเดล GPT-6.2 แล้ว ให้ตั้งค่าแถว Model ของแต่ละ Agent เป็น gpt-6.2-sol หรือ gpt-6.2-astra หรือ override โมเดลสำหรับ Task เดียวตอนมอบหมายงาน

สำรวจเพิ่มเติม

โค้ดที่สร้างโดย AI ควรเป็นโอเพนซอร์สหรือไม่? สิ่งที่ทีมพัฒนาด้วยเอเจนต์ AI ต้องรู้

โค้ดที่สร้างโดย AI ควรเป็นโอเพนซอร์สหรือไม่? สิ่งที่ทีมพัฒนาด้วยเอเจนต์ AI ต้องรู้

โพสต์บน Hacker News เสนอว่าโค้ดที่สร้างโดย AI ทั้งหมดควรเป็นโอเพนซอร์ส นี่คือข้อโต้แย้ง ข้อโต้แย้งฝ่ายตรงข้าม สถานะของกฎหมายลิขสิทธิ์ในสหรัฐฯ และสหราชอาณาจักร และบันทึกแหล่งที่มา (provenance record) ที่ทุกทีมซึ่งใช้ coding agents ต้องมี ไม่ว่าการถกเถียงนี้จะจบลงอย่างไร

18 พฤศจิกายน 2026

สอง Coding Agent งานโปรเจกต์ยากๆ: วิธีแบ่งงานอย่างฉลาด (บทเรียนจาก ECU ของ Jeep ปี 1994)

สอง Coding Agent งานโปรเจกต์ยากๆ: วิธีแบ่งงานอย่างฉลาด (บทเรียนจาก ECU ของ Jeep ปี 1994)

Claude Code และ Codex ทำ reverse engineering คอมพิวเตอร์ควบคุมเครื่องยนต์ของรถ Jeep ปี 1994 ด้วย Arduino ราคา 3 ดอลลาร์ นี่คือรูปแบบที่นำไปใช้ซ้ำได้เบื้องหลังกระบวนการนี้: สามวิธีในการแบ่งงานโปรเจกต์ที่ยากลำบากระหว่างเอเจนต์เขียนโค้ดสองตัว วิธีที่พวกมันส่งต่อบริบทให้กันเอง...

18 พฤศจิกายน 2026

ChatGPT สำหรับธุรกิจ: หมายถึงอะไรสำหรับทีมเล็กๆ

ChatGPT สำหรับธุรกิจ: หมายถึงอะไรสำหรับทีมเล็กๆ

ธุรกิจใน ChatGPT อธิบายสำหรับทีมขนาดเล็ก: Business Hub และ Business Agents ทำอะไรได้บ้าง OpenAI บอกว่าค่าใช้จ่ายเท่าไร และใครเป็นผู้รับผิดชอบงานบำรุงรักษารายสัปดาห์

17 พฤศจิกายน 2026