Codex モデル選択｜/model 切り替えと用途別の使い分け

Codex の「モデル選択」とは — model キーで土台を選ぶ

Codex はエージェント型のコーディングツールで、依頼を受けるとモデル自身が判断してファイルを読み書きし、コマンドを走らせ、長時間の作業を進めていく。その振る舞いの土台になっているのが、裏側で動く推論モデルだ。どのモデルを使うかは、設定上の model という一つのキーで指定する。Codex 製品では、この値を明示しなくても Codex 専用にチューニングされた最新世代——現時点では GPT-5.3-Codex——が標準のエージェントモデルとして自動的に割り当てられる仕組みになっている(出典: https://openai.com/index/introducing-gpt-5-3-codex/)。つまり、何も設定しなければ「いまの標準」が選ばれており、多くの作業はそのままで足りる。一方で、軽い定型処理を数多く回したい、あるいは特定のモデルで挙動を確かめたい、といった場面では、この model を意識的に切り替える価値が出てくる。モデル選択とは、賢いモデルへ無条件に上げる操作ではなく、いま手元のタスクに釣り合う土台を選ぶ操作だと捉えると扱いやすい。標準を基準に置き、必要なときだけ動かす、という構えが過不足のない使い方につながる。

推論強度(model_reasoning_effort)とは別の軸

押さえておきたいのは、モデルの選択と「どれだけ考えさせるか」は独立した二つの軸だということだ。model がどのモデルを使うかを決めるのに対し、model_reasoning_effort はそのモデルが答えを返す前にどれだけ内部で思考を巡らせるかを minimal から xhigh までの段階で決める。両者は重ねて指定でき、同じ GPT-5.3-Codex でも推論強度を上げれば込み入ったバグ調査に粘れるし、下げれば軽い作業を素早く返せる。だからモデルを上位に変えなくても、推論強度を一段動かすだけで作業への食いつきは調整できる。モデル選択に迷ったら、まず標準モデルのまま推論強度で寄せられないかを考えると、切り替えの判断がすっきりする(出典: https://developers.openai.com/codex/config-reference)。

選べるモデルの全体像 — Codex 専用系と汎用系、軽量系

Codex で選択肢になるモデルは、性格の違いで整理すると見通しが良い。一つ目は、リポジトリの中でコードを読み書きし、テストを走らせ、長時間の作業を自律的に進める用途へ追加でチューニングされた Codex 専用系列だ。標準の GPT-5.3-Codex がこの系列にあたり、前世代の GPT-5.2-Codex、さらにその前の GPT-5-Codex と連なる。二つ目は、ChatGPT などで使われる推論・知識に強い汎用の GPT-5.x 系列で、Codex を支える基盤モデルは GPT-5.5 世代へと更新されている(出典: https://openai.com/index/codex-for-almost-everything/)。三つ目が、素早く軽い処理に向く軽量モデルの codex-mini だ。日常のエージェント作業では Codex 専用系列の最新版を標準とし、速度や手数を優先したい局面で軽量モデルを併用する、という二択の感覚を持っておけば、選択肢の多さに振り回されずに済む。どの系列も model キーで同じように指定でき、切り替えの操作自体は共通している。

Codex 専用モデル系列 — GPT-5.3-Codex を標準に

Codex 専用系列は、エージェントとしてリポジトリ内で実作業を進めることに振り切った派生モデル群だ。標準の GPT-5.3-Codex は、2026 年 2 月 5 日に公開された Codex 専用のエージェント型コーディングモデルで、OpenAI は「GPT-5.2-Codex のコーディング性能と汎用 GPT-5.2 の推論・知識能力を一つにまとめ、25% 高速化したモデル」と説明している(出典: https://openai.com/index/introducing-gpt-5-3-codex/)。コードを書く力と仕様を読み解く力のどちらかに偏らないバランスが狙いで、設計判断や調査を伴う複合的なタスクでも破綻しにくいことを意図している。日々 Codex を使う場面では、意識せずとも触れている「今の標準」がこの系列だと理解しておけばよい。

軽量モデル codex-mini — 速さと手数を優先したいとき

codex-mini は、Codex 系列のなかで軽量・高速に振ったモデルだ。深い推論より素早い応答を優先する性格で、文字列の一括置換や決まった書式へのフォーマット、単純なファイル生成のように答えが一通りに定まる作業を数多くこなしたい場面で効く。逆に、前提が入り組んだ設計判断や難しいバグの原因特定をこの軽量モデルに任せると、検討が浅くなって取りこぼしが出やすい。あくまで「考えるまでもない作業を手早く片づける」ための選択肢と割り切るのが要点だ。API 単価や対応経路の最新仕様は版によって動くため、OpenAI のモデルページ(出典: https://platform.openai.com/docs/models)を起点に確認しておくと取り違えを防げる。

どこで切り替えるか — /model・config.toml・プロファイル

モデルの指定場所は一つではなく、変えたい範囲に応じて使い分ける。いまのセッションだけ一時的に試したいなら Codex CLI の /model コマンドで切り替えるのが手早い。常用する既定として固定したいなら ~/.codex/config.toml の model キーに書いておけば、起動時の既定がそのまま決まる。プロジェクトごとに使うモデルを変えたいなら、設定をプロファイルとしてまとめ、用途に応じて呼び出す形が向く。優先順位は、その場の指定が最も強く、次いでプロファイル、利用者設定の順になるため、土台を config.toml に置きつつ例外をその都度の切り替えで足す、という書き分けが基本になる(出典: https://developers.openai.com/codex/config-basic)。この層構造を知っておくと、「普段はこのモデル、今日のこの作業だけ別のモデル」といった調整を、設定ファイルを書き換えずに済ませられる。設定の最新キー仕様は openai/codex の公式ドキュメントとリポジトリ(出典: https://github.com/openai/codex)で確認できる。

CLI の /model で一時的に切り替える

その場限りでモデルを変えたいときは、Codex CLI のセッション内で /model を実行し、提示された候補から選ぶのが最短だ。標準では Codex 専用の最新モデルが割り当てられているので、たとえば軽い定型作業を連続でこなす前に軽量モデルへ寄せ、終わったら標準へ戻す、という使い方ができる(出典: https://openai.com/index/introducing-gpt-5-3-codex/)。設定ファイルを触らずに切り替えられるため、試しに別モデルの挙動を確かめたい場面にも向く。セッションを閉じれば既定に戻るので、恒久的な変更にはならない点も覚えておきたい。

config.toml の model キーで既定を固定する

毎回切り替えるのが煩わしい場合は、~/.codex/config.toml のトップレベルに model キーを書いて既定を固定する。ここで指定したモデルが、起動時にそのまま使われる土台になる。チームやプロジェクトで使うモデルを揃えたいとき、あるいは自分の作業の中心となるモデルが決まっているときに効く方法だ(出典: https://developers.openai.com/codex/config-reference)。固定したうえで、例外的に別モデルを使いたい回だけ /model で上書きすれば、土台はぶれさせずに柔軟さも保てる。

用途別の使い分け — タスクの性質でモデルを選ぶ

モデル選択の勘どころは、難しいモデルを常用することではなく、タスクの性質に土台を合わせることにある。判断の軸は「答えが一通りに定まるか」と「速さと手数を優先したいか」の二つだ。答えが定まる軽い作業——一括置換、フォーマット、定型のファイル生成など——は、深い推論より素早さが効くため軽量モデルが釣り合う。一方、複数ファイルにまたがる変更や、前提が入り組んだバグの原因特定、設計判断を伴う作業は、Codex 専用系列の最新モデルにバランスよく任せたほうが破綻しにくい(出典: https://openai.com/index/introducing-gpt-5-3-codex/)。そして、同じモデルのままでも足りないと感じたら、モデルを上げる前に推論強度を一段上げて粘らせる、という順序で考えると無駄が少ない。何でも最上位に振るのではなく、定型は軽く、難所は標準モデル＋高めの推論強度で、という二段構えが、速度・精度・消費のどれも極端に振らない現実的な落としどころになる(出典: https://developers.openai.com/codex/config-reference)。

速度重視・大量処理 — 軽量モデルへ寄せる

待たずに数をこなしたい作業では、軽量な codex-mini に寄せると効率が上がる。決まった変換を多数のファイルに適用する、機械的な整形を繰り返す、といった「考えるまでもない」処理は、深いモデルを使っても結果はほとんど変わらず、待ち時間と消費だけが増えてしまう。こうした場面では /model で軽量モデルへ切り替え、一連の作業が終わったら標準へ戻すのが扱いやすい。軽量モデルはあくまで定型処理の回転を上げるための選択肢で、判断を伴う変更には向かない点だけ意識しておけばよい。

設計判断・複合タスク — 標準の Codex 専用モデルに任せる

仕様を読み解きながら複数ファイルを横断する変更や、原因が一目で分からないバグの調査では、標準の Codex 専用モデルをそのまま使うのが堅い。GPT-5.3-Codex はコーディング性能と推論・知識能力を一つに束ねており、コードを書く力と前提を補う力のどちらか一方に寄らないため、込み入った作業でも筋を通しやすい(出典: https://openai.com/index/introducing-gpt-5-3-codex/)。それでも難所で粘りが足りないと感じたら、モデルを変えるより先に推論強度を上げて様子を見るのが、消費に見合った進め方になる。

迷ったときの選び方の手順

過不足のないモデル選択にたどり着くには、次の順序で一段ずつ判断すると整理しやすい。上から順にあてはめれば、標準を基準にしながら必要な分だけ動かせる。

1. まず標準のまま始める: 設定を変えず、自動で割り当てられる Codex 専用の最新モデル(現時点では GPT-5.3-Codex)で着手する。多くの作業はこれで足りる。
2. 作業の性質を見極める: 答えが一通りに定まる軽い定型処理か、判断を伴う複合的な作業かを区別する。前者なら速さ、後者なら粘り強さが効く。
3. 軽い定型処理は軽量モデルへ: 大量の機械的な処理をこなすときだけ /model で codex-mini に切り替え、終わったら標準へ戻す。
4. 難所はモデルより先に推論強度を上げる: 標準モデルで食いつきが足りないと感じたら、モデルを変える前に model_reasoning_effort を一段上げて粘らせる。
5. 常用する組み合わせは config.toml に固定する: 中心となるモデルが定まったら ~/.codex/config.toml の model キーに書き、例外だけ /model で上書きする。

この手順の利点は、「困ったら最上位のモデルに上げる」ではなく「タスクに釣り合う土台を選び、足りない分は推論強度で足す」という発想が自然に身につくことだ。どの作業のためにどのモデルへ切り替えたのかが明確になり、後から設定を読み返したときにも意図を追いやすくなる。

まとめ — 標準を基準に、用途で土台を選ぶ

Codex のモデル選択は、model キーで「どのモデルを土台にするか」を決める操作だ。Codex 製品では Codex 専用の最新モデル(現時点では GPT-5.3-Codex)が標準で自動割り当てされ、/model での一時的な切り替えと、config.toml の model キーでの既定固定、プロファイルでの用途別管理という三つの場所で調整できる。選び方の軸はタスクの性質で、答えが定まる軽い定型処理は軽量な codex-mini に寄せ、判断を伴う複合タスクは標準の Codex 専用モデルに任せる。そしてモデルの上げ下げと推論強度は別の軸だから、難所ではモデルを変える前に推論強度を一段上げて粘らせるのが、消費に見合った進め方になる。基盤モデルが GPT-5.5 世代へ、Codex 専用モデルが GPT-5.3-Codex へと進んだいまこそ、自分のモデル選択を一度見直しておきたい(出典: https://developers.openai.com/codex/config-reference)。