模型选择先看任务会在哪一步吃力。改一处文案、追一个跨模块故障、设计一轮数据库迁移，需要的速度和推理深度不同。先用默认设置跑一个可检查的小步骤，再决定是否升级模型或推理强度。
先从当前选择器确认可用项
截至 2026 年 8 月，官方模型页把 gpt-5.6-sol 定位为复杂编码、计算机操作、研究和安全任务的旗舰选择。gpt-5.6-terra 面向日常工作的能力与成本平衡，gpt-5.6-luna 更快，适合边界清楚、可以快速验证的任务。
模型清单和各使用入口的可用范围会继续变化。桌面端、Web、CLI、IDE 与云端的可用项可能不同，实际结果还受 ChatGPT 计划、工作区设置、地区和客户端版本影响。文章里的名称只代表本次核验时点，操作时以编辑框下方的选择器和官方模型页为准。
推理强度按难点上调
官方建议从默认推理强度开始。更高强度可能改善复杂规划与分析，也会增加耗时和 token 使用。文件范围小、验收命令明确的修改，默认或较低强度通常更合适。跨仓库依赖、并发故障、安全审计和多阶段迁移需要更长的推理链，可以逐级上调。
Ultra 会使用子代理并行处理可拆分的大任务。它的可用性同样受计划、客户端和工作区设置影响。任务彼此依赖很强，或多个代理会碰同一批文件时，增加并行度反而会带来冲突。先把子任务边界、共享输入和最终验收写清，再选择 Ultra。
用验证结果决定是否切换
先让模型完成一个诊断或最小改动，检查它是否找到正确文件、保住范围并给出可复现证据。若它反复遗漏跨模块关系，可以提高推理强度或换到能力更强的模型。若结果稳定，任务又包含大量机械修改，换到更快的模型会更省时间。
CLI 交互会话可以用 /model 切换模型和推理强度，也可以在启动时使用 --model 或 -m。非交互执行同样支持模型参数。固定模型的脚本要定期复查，因为模型退役和工作区策略会让旧名称失效。
做一次小型对照就够了
选一个边界清楚的真实子任务，固定提示、仓库状态和验收命令。分别记录模型、推理强度、耗时、用量、修改文件和测试结果。结果第一次通过，还要看差异是否简洁，是否遵守项目规则，是否留下多余代码。
不要用两次不同任务的体感比较模型。输入和验证不同，速度与质量也无法对照。对照测试也不用覆盖整个仓库，挑一项经常出现、结果容易判定的工作更有用，例如解释一次失败测试，或修改一个有现成回归测试的函数。
团队可以把选择写成轻量规则。日常小改从平衡模型和默认强度开始，跨模块或高风险任务再升级。模型列表变化时复查规则，避免旧名称长期留在脚本和自动化里。
好的选择标准落在结果上。任务是否按范围完成，测试是否通过，审查是否容易，耗时和用量是否可接受。模型名只是这个判断的一部分。