Codexのモデルはどれを選ぶ？Sol・Astra・Lunaの使い分けと判断基準

Codexのモデル選びは、まず手元で利用できる推奨モデルから始め、作業の難しさに合わせて調整すると迷いにくくなります。小さく明確な作業と、複数のファイルや条件を考える作業では、必要な力が違うからです。

モデル選びで大切なのは、回答の速さだけでなく、確認と修正を含めて仕事が終わるかどうかです。

この記事では、2026年10月8日に確認した公式資料をもとにモデルの位置づけを整理し、編集部の提案として使い分けの例を紹介します。各モデルを同じ条件で測定した実測ランキングではありません。

この記事でわかることは、現在の主なモデルの役割、推論設定との違い、うまくいかなかったときに見直す順番です。

Sol・Astra・Lunaは、どう違う？

OpenAIの公式モデル案内では、複雑なコーディングやエージェント作業にGPT-6.1 Sol、範囲が明確で繰り返しやすい作業にLunaを案内しています。Astraは、複数の手順や道具を使い、判断が難しい作業を担うモデルとして紹介されています。

この表は、作業時間や成功率を保証するものではありません。モデルが強力でも、必要なファイルにアクセスできなかったり、依頼の条件が抜けていたりすれば、適切な結果にはつながりません。

利用できるモデルは、プラン、ログイン方法、アプリやCLIの提供状況、組織の設定によって変わります。まず自分の画面で選べるモデルを確認してください。APIのモデル一覧と、Codexで選べるモデルを同じものとして扱わないことも大切です。

小さな修正なら、作業範囲を先に狭める

たとえば、Webサイトのボタン名を変える、決まった項目を抽出する、既存の関数に小さな条件を追加する、といった作業です。こうした依頼では、どこを変更し、何ができれば完了なのかを具体的にできます。

編集部の提案としては、Lunaなど範囲の明確な作業に適したモデルを候補にし、まず一つの変更を依頼して結果を確認するとよいでしょう。

この例は入力の書き方を示すためのものです。変更対象のページやファイルが実際に見つかるかは、作業環境によります。

「サイトをいい感じにして」とだけ頼むと、簡単な文言変更のつもりでも、AIが広い範囲を調べる必要が生まれます。モデルを変える前に、目的と変更対象を一文追加するだけで依頼が整理されることがあります。

新しい機能を作るなら、完成条件を渡す

画面、データ、処理のつながりを考える必要がある機能開発では、Solを出発点にする使い方が考えられます。たとえば、申請一覧に検索機能を追加する場合、「検索欄が出る」だけでは完成とは言えません。該当する結果が出るか、結果がない場合に何を表示するかも決める必要があります。

依頼には、次の三つを含めてみてください。

1. 何を使えるようにしたいか。
2. どの画面やデータを対象にするか。
3. 何を確認できたら完成か。

依頼例：「申請一覧を申請者名で検索できるようにしてください。既存のデータ取得方法を確認し、該当なしの表示と検索解除も含めて実装してください。確認に使った条件を最後に示してください。」

「完成条件を渡す」とは、細かいコードまで指定することではありません。読者が欲しい動作を伝え、AIの出力を評価できるようにすることです。

原因が不明な不具合では、調査と修正を分けて考える

「一瞬だけ画面が出て、その後エラーになる」といった問題では、見えている症状と原因が一致するとは限りません。画面の処理、データの形式、アクセス条件など、複数の可能性を調べる必要があります。

このような場面は、Astraなど複雑な判断を担うモデルを検討する候補です。ただし、最初に調査材料を渡すことが重要です。

依頼例：「記事管理ページが一瞬表示された後にエラーになります。再現条件、ログ、直近の変更を確認して原因を絞り、根拠を示してください。原因が確認できたら修正し、同じ操作で再発しないか確認してください。」

同じ指示を何度も繰り返すより、「どの仮説を確かめ、何が否定されたか」を整理した方が次の判断に役立ちます。より強いモデルに切り替えても、ログや再現条件が欠けていれば原因は確認できないことがあります。

モデルと推論設定は、別の選択

モデルは使うAIの種類です。推論設定は、そのモデルが考える深さを調整する設定です。公式のモデル選択ガイドでは、作業に合わせて設定を調整する考え方を案内しています。

高い推論設定は複雑な分析に役立つ可能性がありますが、時間や利用量が増えます。まず既定の設定で結果を確認し、計画や判断が足りないと感じた作業で引き上げる、という順番が取り組みやすいでしょう。

一方、単純な文言変更に毎回最大の設定を使う必要があるとは限りません。設定名や選択肢はクライアントによって異なるため、画面に表示される説明を確認してください。

うまくいかないときに見直す四つのこと

最初に見直したいのは、モデルの名前よりも作業条件です。

1. 対象：正しいフォルダーやファイルを開いているか。
2. 情報：エラー全文、入力例、期待する結果があるか。
3. 権限：必要なファイルやサービスを確認できるか。
4. 範囲：一度に複数の目的を詰め込みすぎていないか。

たとえば、ネットワークに接続できず公式資料を取得できない状態は、推論設定を上げても解決しません。足りない条件を補った後に、同じ小さな課題でモデルや設定を変えると、何が効いたかを判断しやすくなります。

速さだけでなく、手戻りも記録する

自分に合うモデルを知るには、普段の作業で短い記録を残す方法が役立ちます。「待った時間」「追加の依頼回数」「結果の確認にかかった時間」「目的を達成できたか」を記録してください。

回答が早くても修正依頼が何度も必要なら、仕事全体では時間がかかります。反対に、最初は少し待っても確認しやすい結果が出れば、その作業には合っているかもしれません。

比較するときは同じ初期状態、同じ指示、同じ完成条件を使います。一回の成功や失敗を、モデル全体の優劣へ広げないようにしましょう。

次にすること：よくある作業を一つ試す

最初の一歩は、失敗しても戻せる小さな作業を一つ選ぶことです。手元で利用できる推奨モデルと既定の設定で依頼し、完成条件を満たしたか確認してください。

利用量の仕組みが気になる場合は、月額プランの制限とAPI料金の違いも参考になります。指示の書き方は、プロンプトの基本と改善例で紹介しています。

公式情報源と確認日

• OpenAI：Models
• OpenAI：Model selection

公式情報の確認日：2026年10月8日。作業別の選び方と依頼例は編集部の提案です。モデルの提供条件や選択肢は変更されるため、利用時に公式案内と自分の画面を確認してください。