先说结论：日常任务从 Astra Low 开始用，完全合理。但不用把它锁死。先用 Low，漏了再升到 Medium，High 和 xhigh 只留给真正需要的少数任务。
看到模型选择里写着 Low，大多数人会以为是“省钱档”“只能干简单活”“没认真想”。
GPT-6 Astra 的 Low 偏偏不是这样。
在 Artificial Analysis 的同一套第三方评测里，Astra Low 的综合分（Intelligence Index）比 GPT-5.6 Sol xhigh 高。在几项考察 AI 自己写代码、做任务的评测上，差距更大。而且按这套评测的任务算，每个任务的花费反而更低。[1]
那就免不了要问：
“那我是不是一直用 Astra Low 就行了？”
名字叫 Low，干起活来可一点都不低调。
1. 先看数字：Sol xhigh 和 Astra Low/Medium/High/xhigh
截至 2026 年 9 月 12 日，Artificial Analysis 的对比数据如下。[1][2][3][4]
| 设置 | Intelligence Index | AutomationBench-AA | Terminal-Bench v4.0 | SciCode | AA 每任务成本 | 输出token/任务 | 推理token/任务 |
|---|---|---|---|---|---|---|---|
| GPT-5.6 Sol xhigh | 44 | 55% | 25% | 57% | $1.18 | 约20k | 约10k |
| GPT-6 Astra Low | 46 | 59% | 42% | 54% | $0.82 | 约4k | 约938 |
| GPT-6 Astra Medium | 50 | 65% | 49% | 54% | $1.54 | 约10k | 约3k |
| GPT-6 Astra High | 51 | 67% | 54% | 55% | $1.72 | 约12k | 约5k |
| GPT-6 Astra xhigh | 53 | 67% | 60% | 56% | $2.31 | 约17k | 约9k |
别把 46 和 44 理解成“聪明了 4.5%”。Intelligence Index 是把多项评测合在一起的综合分，不像价格或距离，可以直接拿来算比例。
准确的说法是：同一套评测里，Astra Low 得 46，Sol xhigh 得 44。在考察 AI 自己动手完成终端任务的 Terminal-Bench v4.0 上，是 42% 对 25%。[1]
不过 SciCode 上，Sol xhigh 是 57%，Astra Low 是 54%。所以 Astra Low 并不是样样都比 Sol 强。[1]
2. 最奇怪的地方：单价贵 2.5 倍，Low 的任务花费却更低
| 模型 | 输入 / 100万 token | 缓存输入 / 100万 token | 输出 / 100万 token |
|---|---|---|---|
| GPT-5.6 Sol | $4 | $0.40 | $20 |
| GPT-6 Astra | $10 | $1 | $50 |
用同样多的 token，Astra 是 Sol 的 2.5 倍。
Work/Codex 的官方 credit 比例也一样：Astra 每 100 万 token 是 250 / 25 / 1,250，Sol 是 100 / 10 / 500。[7]
可 Artificial Analysis 测出来，每个任务 Astra Low 是 $0.82，Sol xhigh 是 $1.18。[1]
原因很简单：单价贵的模型，只要用的 token 少得多，一个任务的总花费照样可能更低。
在这套评测里，Sol xhigh 每个任务大约用了 20k 输出 token 和 10k 推理 token，Astra Low 只用了约 4k 和 938。[1]
就像一辆贵的出租车直奔目的地，一辆便宜的出租车却先绕着小区转了三圈。
不过要注意，$0.82 和 $1.18 是 Artificial Analysis 用自己的评测任务算出的加权平均，不代表你自己的 Codex 项目一定会花这么多。[1]
3. OpenAI 自己也建议从 Low 或 Medium 开始
OpenAI 面向 Work/Codex 的 Astra 使用指南说明：选哪个模型，和让模型想多深（推理强度），是分开调的。[8]
想得少的档位，适合要快、或想让额度用得久的时候。Medium 在速度和深入思考之间取平衡。想得多的档位，留给真正难的问题。[8]
官方还明说，Astra Low 有时能胜过 Sol High；如果你用 Sol High 效果不错，建议先试试 Astra Low 或 Medium。[8]
还有一句更重要的：让模型想得更多，不一定带来更好的结果。[8]
这可不是“商店里最贵的剑，打哪场都最强”的游戏。
4. 哪些活适合长期交给 Low？
目标、文件和验收标准都清楚的活，最适合把 Low 当默认。
比如：
- 需求明确的功能实现
- 只改现有代码的一小部分
- 重构（不改变功能，只整理代码）
- 补充测试
- 常规的代码审查
- 排查已知的报错
- 做摘要、做对比表
- 按固定规则反复做的任务
这类活不是想得越久越好。想得短、做得准、早点进入下一步，整体反而更快。
OpenAI 也建议，在把推理调高之前，先检查指令是否清楚，需要的文件、连接的应用和权限是否都给到了。想得再多，也变不出缺少的信息和权限。[8]
文件都没给，再开 xhigh 也看不到内容，它又没有透视眼。
5. 什么时候从 Low 升到 Medium？
Low 漏掉了一次说得很清楚的要求，不用立刻跳到 xhigh。先升一档到 Medium 就好。
Medium 适合下面这些情况：
- 依赖关系跨好几个文件
- 需求含糊
- 一个 bug 有好几种可能的原因
- 要在几种设计之间取舍
- 较长的实施计划
- 一边看失败的测试一边修
Astra Medium 的 Intelligence Index 是 50，Terminal-Bench v4.0 是 49%，每个任务 $1.54。[2]
比 Low 的 46 / 42% / $0.82 明显更强，但还不是最重的一档。
可以把 Medium 当作“Low 有点草率，但也没必要出动坦克”时的 Boss 战装备。
6. High 和 xhigh 什么时候值得用？
如果 Medium 还是抓不到核心问题，或者设计改动的副作用很大，或者像同时处理多件事、速度、安全、数据迁移这类，一旦判断错了返工代价很高，就可以上 High。
Astra High 的 Index 是 51，Terminal-Bench 是 54%，每个任务 $1.72。[3]
比 Medium 好一些，但还没好到值得把所有任务都固定在 High。
xhigh 更适合最难的根因排查、放手让它长时间自己做的任务、牵涉多个限制条件的大改造，以及一旦失败代价很高的一锤子买卖。它的 Index 是 53，Terminal-Bench 是 60%，是这五档里最高的，每个任务 $2.31，也是最贵的。[4]
每次都用 xhigh，就像去便利店也要坐直升机。
能去，也很强，大概率到得了。可是油钱得算一算。
7. 那 Sol xhigh 已经没用了吗？还不能这么说
Astra Low 再有吸引力，说“Sol 已经完了”也为时过早。
第一，不同评测的赢家不一样。SciCode 上 Sol xhigh 是 57%，Astra 的 Low 和 Medium 是 54%，High 是 55%，xhigh 是 56%。[1][2][3][4]
第二，同样的 token 数，Sol 的官方单价比 Astra 低 60%。Astra Low 在评测里每个任务更便宜，是因为那套任务里它用的 token 少得多，换成你自己的实际工作，不一定还是这样。[5][6][1]
第三，真实项目里有评测里没有的东西：特殊的构建方式、团队内部的规矩、各种工具、权限，还有很长的历史。
基准测试是一张地图，量不出你家门口那级台阶有多高。
8. 实用规则：从 Low 开始，有需要再升级
| 情况 | 建议 |
|---|---|
| 开始一个普通的新任务 | Astra Low |
| 指令和权限都齐了，但核心要求漏了一次 | Astra Medium |
| Medium 还是抓不到核心 / 难度高的设计 | Astra High |
| High 也搞不定 / 失败代价很高 / 最难的根因 | Astra xhigh |
| 难点解决了，回到日常工作 | 改回 Low |
这样既不会一上来就把额度烧在最高档，也不会死守 Low、一遍遍重复同一个失败。
把推理强度当成挡位，别当成性格。
9. 结论：“一直用 Astra Low？”默认可以，固定不行
按 2026 年 9 月 12 日的公开数据，日常的 Codex 工作从 Astra Low 开始，是很强的做法。
在 Artificial Analysis 的评测里，它的综合分比 Sol xhigh 高，Terminal-Bench 上领先很多，每个任务的花费也更低。[1]
OpenAI 自己也推荐把 Low 或 Medium 当起点，并说明调高推理强度不保证答案更好。[8]
用法很简单：
平时用 Low。遇到含糊、复杂或者真的漏了的时候升到 Medium。Medium 还搞不定再上 High。只有最难的任务才用 xhigh。解决了就回到 Low。
别被 Low 这个名字骗了。
Astra Low 顶着省电模式的脸，其实是主力首发。
参考资料（8条）
- Artificial Analysis — GPT-6 Astra (low) vs GPT-5.6 Sol (xhigh) artificialanalysis.ai
- Artificial Analysis — GPT-6 Astra (medium) vs GPT-5.6 Sol (xhigh) artificialanalysis.ai
- Artificial Analysis — GPT-6 Astra (high) vs GPT-5.6 Sol (xhigh) artificialanalysis.ai
- Artificial Analysis — GPT-6 Astra (xhigh) vs GPT-5.6 Sol (xhigh) artificialanalysis.ai
- OpenAI API — GPT-6 Astra Model developers.openai.com
- OpenAI API — GPT-5.6 Sol Model developers.openai.com
- OpenAI Help Center — ChatGPT Rate Card (Business, Enterprise/Edu credit-based pricing) help.openai.com
- OpenAI Help Center — Managing usage with GPT-6 Astra in Work and Codex help.openai.com
