Codex性能を比べる｜速度・品質・料金を実務で測る方法

Codex性能は「速さ」だけではない

性能という言葉には、応答が戻るまでの時間、要求に沿った変更の正しさ、やり直しの少なさ、利用にかかる消費量が含まれます。コードの一部を短時間で返しても、テストが落ちたり、対象外のファイルまで変更したりすれば、開発全体の性能は高いとは言えません。反対に、少し時間がかかっても一回で確認可能な差分が出れば、担当者の手戻りは小さくなります。

同じCodexでも、課題の大きさ、読み込ませた範囲、選んだモデル、推論にかける量で結果は変わります。したがって「このモデルは速い」「この設定は賢い」と一般化するより、仕事を代表する小さな課題を決め、同じ条件で複数回測る方が現実に近い判断になります。測定の目的はランキングを作ることではなく、自分の作業に合う条件を見つけることです。

品質は完了条件で測る

品質を測るときは、出力文の自然さより、依頼した契約を満たしたかを見ます。たとえば、対象ファイルだけを変更したか、既存の公開インターフェースを壊していないか、指定したテストを通したか、失敗した場合に理由を説明できるかを確認します。コードがきれいに見えることは大切ですが、それだけでは完了とは判定しません。

完了条件は課題を渡す前に一文で書きます。「検索結果の表示を変える」だけではなく、「空の結果を表示し、既存のテストを維持し、変更ファイルを三つ以内に収める」のように判断可能な形へします。条件が具体的なら、異なるモデルでも同じ基準で結果を読めます。

速さは待ち時間を分けて見る

表示された最初の応答までの時間と、コードを読み、変更を作り、テストを終えるまでの時間は別の数字です。最初の返事が速くても、その後に確認の往復が多ければ、作業全体は短くなりません。測定表には開始時刻、最初の応答、最終差分、テスト終了を別の欄へ記録します。

待ち時間には、モデルの推論だけでなく、ファイルの読み込み、コマンドの実行、テスト、利用者の確認も含まれます。Codexの性能を比べるときは、モデル由来の時間と手元の環境由来の時間を分けると、設定を変えるべきか、課題の範囲を絞るべきかが判断しやすくなります。

料金は結果と一緒に見る

消費量が少ないことは、それだけで得ではありません。安い設定で何度も修正を頼むより、少し多く使って一回で完了する方が、総時間と人の確認コストを含めて有利な場合があります。逆に、定型的な名前変更や小さな説明追加なら、軽い設定で十分なこともあります。

モデル一覧の価格は目安として役立ちますが、Codexの実際の利用枠や契約条件と同じ意味ではありません。画面に表示される利用量、課題の成功率、手直し回数を同じ測定表に置き、「一件を完了するためにどれだけ使ったか」で比べるのが安全です。

2026年8月に測定をやり直す理由

2026年8月のOpenAI公式モデル案内では、GPT-5.6をSol、Terra、Lunaという用途の異なるモデルとして紹介しています。Solは複雑な推論とコーディング、Terraは知能と費用の均衡、Lunaは費用を抑えた大量処理向けという整理です。これは名前を見て一つを選ぶための宣伝文句ではなく、代表タスクで設定を確かめるための出発点として読むべき情報です。詳細はOpenAI公式モデル一覧で確認できます。

モデルが更新されると、同じ依頼でも返る手順、使用量、修正の細かさが変わることがあります。過去に測った平均時間だけを残していると、何が変わったのか分かりません。モデルID、推論レベル、取得日、課題の版を一緒に残せば、更新後の差を追いやすくなります。

Sol・Terra・Lunaの役割を混ぜない

Solを使うときは、複数のファイルにまたがる修正、原因の調査、テスト失敗の読み解きなど、判断の難しい課題を代表例にします。Terraでは同じ課題の品質を保ちながら消費量が下がるかを見ます。Lunaでは、短い説明、単純な変換、狭い範囲の確認のように、失敗の影響が小さい課題で時間と費用を測ります。

ここで重要なのは、三つのモデルを同じ順位表に置くことではありません。難しい課題にLunaを使って失敗した結果だけで「性能が低い」と判定したり、簡単な課題にSolを使って余分に消費したりすると、測定の問いがずれます。まず仕事を分類し、その仕事に対して最も良い組み合わせを比べます。

入口の更新とモデル性能を切り分ける

OpenAIのリリースノートには、2026年8月24日付でcodex mcp-serverを非推奨とし、Codex app serverを使う案内があります。これは接続方法に関する変更であり、モデルの速度や品質を直接示す発表ではありません。接続先を変えた後に結果が変わった場合は、モデル性能の差、通信経路の差、作業場所の差を別々に記録します。

変更の前後で入口、モデル、推論レベル、課題、確認方法が一度に変わると、原因を一つに決められません。OpenAI公式リリースノートで変更日と対象を確認し、比較表には「入口の版」という欄も置きます。新しい経路を試すことと、性能を証明することは別の作業です。

更新前の数値を基準値として保存する

更新前の記録は、良し悪しを決めるためだけでなく、変化を見つける基準になります。依頼文、対象ファイル、テスト結果、時間、利用量、手直し内容を残しておけば、新しいモデルが速くなったのか、説明が変わったのか、単に課題が小さかったのかを振り返れます。記録を残さずに感覚だけで比較すると、直近の印象に引っ張られます。

先に固定する三つの測定軸

測定前に、何をもって良い結果とするかを決めます。おすすめは、成功した割合、利用者が直した量、完了までの時間と消費量を分けて記録することです。すべてを一つの点数にまとめると、速いが壊れやすい結果や、丁寧だが過剰に重い結果が隠れます。下の表を最初の記録欄として使い、後から自分の業務に合わせて増やします。

成功率は「テストが通ったか」だけにしない

テストが通っても、対象外のファイルを変更していれば成功とは言えません。逆に、テストのない小さな資料修正では、リンク切れや表記の不統一が主な失敗になります。課題ごとに、機械的に確認できる条件と人が読む条件を一つずつ置くと、成功率の数字に意味が出ます。

失敗した回を捨てず、「範囲を広げた」「前提を読み違えた」「テストの準備に失敗した」のように理由を分類します。失敗の種類が分かれば、モデルを替える前に依頼文や対象範囲を直すべきかが見えてきます。

手直し量は差分の行数だけで決めない

変更行数が少なくても、重要な分岐を見落としていれば修正負担は大きくなります。手直し量は、追加した行と削除した行に加え、確認にかかった時間、戻した変更、追加で書いたテストも含めて記録します。小さな差分を出すことと、確認しやすい差分を出すことを分けて考えます。

人の修正が必要だった場合は、どの部分を直したかを短く残します。命名、仕様の理解、例外処理、テスト不足などの分類を続けると、次回の課題設計へ反映できます。性能を上げる方法は、モデルを上位へ替えることだけではありません。

時間と消費量は一件単位で見る

一回の応答に使った量ではなく、課題が確認済みになるまでの合計を見ます。最初の回答、追加質問、修正依頼、テストのやり直しを合算すると、見かけの速さとは違う結果になることがあります。利用量が画面で確認できる場合は、その時点の表示を記録し、取得できない場合は回数と所要時間を代替欄にします。

比較用の課題を作る手順

Codex性能を比べるための課題は、実際の仕事から選びます。ただし、いきなり大きな機能追加を使うと、仕様の曖昧さ、環境の待ち時間、既存の不具合が混ざります。最初は一つの目的に絞り、変更範囲と確認方法が読める小さな課題にします。次の順番で準備すると、モデルを替えたときの差を追いやすくなります。

測定対象は、誰が読んでも同じ結果を期待できる課題にします。課題文を途中で言い換えたり、試行ごとに別の資料を追加したりすると、性能の差ではなく入力の差を測ることになります。開始前に課題文と確認項目を保存し、結果を並べる期間は条件を変えないようにします。

Step 1: 代表課題を一つ選ぶ

直近の作業から、頻度が高く、完了条件を文章にできるものを一つ選びます。たとえば既存画面の入力検証を追加する、失敗するテストの原因を直す、複数の説明文を同じ表記へそろえる、といった課題です。成果物が明確で、完了したかを別の人も判定できるものが向いています。

Step 2: 入力と境界を固定する

対象のリポジトリ、作業場所、参照してよいファイル、変更してよい範囲を記録します。未コミットの差分や既知の失敗がある場合は、開始前に残しておきます。モデルごとに違う資料を渡すと比較にならないため、入力の文章、ファイルの版、テストの命令をそろえます。

Step 3: 同じ条件で複数回試す

モデル、推論レベル、課題文、作業範囲を変えずに、同じ課題を複数回試します。一回だけの結果は偶然の影響を受けやすいため、最低でも三回を目安にします。失敗した回をやり直して消すのではなく、再試行に入った時点と理由を記録し、成功率へ反映させます。

Step 4: 出力と確認結果を残す

差分、テストの出力、最初に返った時刻、完了時刻、人が直した箇所を同じ記録へ置きます。コードを採用したかどうかだけでなく、採用までに必要だった確認も残すことが大切です。スクリーンショットだけに頼らず、後から読める文章と数値にしておくと、更新後の比較に使えます。

Step 5: 一つの条件だけを変える

次の比較では、モデルだけを変え、ほかの条件を維持します。その後に推論レベルを一段だけ変え、最後に課題の範囲や入力の量を見直します。複数の条件を同時に変えると、速さが改善した理由、失敗が減った理由、消費量が増えた理由を説明できなくなります。

GPT-5.6のモデル別に見るCodex性能

OpenAI公式モデル一覧では、GPT-5.6 Sol、Terra、Lunaのコンテキスト量や価格、利用できる機能が確認できます。Codexの画面や契約で選べるモデルは入口によって異なる可能性があるため、一覧に載っていることと、手元の選択欄に出ることを同じ意味にしません。まず表示されるモデルIDを記録し、そのモデルを使える課題で比較します。

モデルの選び方は「最も大きいものを常に使う」ではありません。複雑な原因調査、日常的な修正、短い変換を同じ負荷で扱わず、失敗の影響と確認にかけられる時間から基準を決めます。OpenAIの公式モデル案内も、代表的な作業で設定を比較し、品質と待ち時間の釣り合いを見る考え方を示しています。

Solは難しい変更の基準にする

Solを測るなら、複数の関連ファイルを読み、原因を説明し、テストまで終える課題を選びます。単純な文字列の置換だけでは、Solの強みや消費量の差を判断しにくいからです。ただし、難しい課題で高い結果が出ても、すべての作業に同じ設定が必要だとは限りません。成功率と手直し量を中心に見ます。

Terraは品質と費用の均衡を見る

Terraは、難しい修正の品質を保ちながら、時間や消費量をどこまで抑えられるかを見る基準に向きます。Solで成功した課題をそのまま使い、テスト結果、確認にかかった時間、必要な追加指示を比べます。少し遅くても追加の修正が少なければ、実務全体の負担は小さいかもしれません。

Lunaは短い課題の回転を見る

Lunaを評価するときは、対象範囲が狭く、完了条件が明確で、失敗時の影響を小さくできる課題を使います。説明文の整形や小さなテスト追加などで、返答までの時間、確認のしやすさ、再試行の割合を見ます。難しい設計判断を無理に任せると、モデルの用途と測定課題が合わなくなります。

推論レベルは一段ずつ比べる

推論レベルを上げるほど必ず良くなるとは限りません。簡単な課題では待ち時間や消費量だけが増え、成果物の差が出ないことがあります。現在の設定を基準にし、まず一段下、必要なら一段上を同じ課題で比べます。OpenAIの案内にあるreasoning.effortの説明と、実際にCodexで表示される選択肢を分けて記録してください。

性能を下げる依頼の特徴と直し方

モデルを替えても結果が安定しない場合、原因はモデルの能力ではなく、課題文の不足にあることがあります。対象、目的、変更してよい範囲、確認方法が曖昧なままだと、Codexは余分なファイルを読み、前提を推測し、終わり方を決めにくくなります。性能を測る前に、依頼文が比較可能な入力になっているかを確認します。

測定では、良い依頼文を一度作って終わりにせず、どの情報が結果へ効いたかを確かめます。対象を示した場合と示さない場合、テスト条件を書いた場合と書かない場合を分けて比べると、改善の理由を説明できます。入力を整える作業もCodex性能を引き出す重要な条件です。

対象範囲を一文で指定する

「この機能を直して」ではなく、対象の画面、関連するファイル、触れてはいけない場所を示します。範囲を狭くすれば、読む量と変更の候補が減り、結果の差分も確認しやすくなります。広い調査が必要な場合も、最初に調査範囲を区切り、次の依頼で変更へ進むと測定の単位が保てます。

完了条件を先に書く

完了条件には、期待する挙動、失敗時の扱い、テスト、差分の範囲を含めます。条件が後から追加されると、最初の応答時間と最終完了時間を比べられません。依頼の最後に「終わったと判断する条件」を置くと、複数のモデルで同じ判定ができます。

出力を検査できる形にする

変更したファイル、実行した確認、未解決の点を最後に短く報告させると、結果を同じ表へ転記できます。説明が長いことを性能の高さと見なさず、必要な根拠がそろっているかを読みます。失敗を隠さず、テストを実行できなかった理由まで残せる形式が実務向きです。

大きな課題を小さく分ける

設計、実装、テスト、文書更新を一つの依頼に詰め込むと、どこで時間がかかったか分かりません。まず調査、次に小さな変更、その後に確認という単位へ分けます。分割すると各段階の成功率と待ち時間を測れ、どの部分に高い推論レベルが必要なのかも見えます。

記録表でCodex性能の差を読む

測定結果は、数字だけを並べるより、課題と失敗理由を隣に置いた方が役立ちます。最低限、日付、モデルID、推論レベル、課題名、試行番号、完了したか、テスト結果、最終までの時間、利用量、手直し内容を記録します。対象の版も残せば、同じ課題を後日やり直すときに条件を合わせられます。

一行を一試行にすると、平均の裏側が読めます。たとえば三回のうち二回は速く、一回だけ大きく失敗した場合、平均時間だけでは危険が見えません。中央値、最大時間、失敗割合を並べ、失敗した回の原因を文章で残すと、採用判断の説明がしやすくなります。

平均値だけで採用を決めない

平均は全体の傾向を見るのに便利ですが、重要な失敗を薄めます。最長の待ち時間、再試行が必要になった割合、テスト後に見つかった不具合を別に確認します。とくに本番に近いコードでは、十回速く終わることより、一回の重大な見落としを減らすことが価値になる場合があります。

数値と人の判断を分けて残す

成功率や時間は数値で比較できますが、差分が読みやすいか、説明が十分か、将来の修正を邪魔しないかは人の判断が必要です。記録表では、機械的な結果の欄と、確認者の短いコメントの欄を分けます。数値が良くても採用しなかった理由を残せば、次の課題設計へつながります。

三回の測定から次の回数を決める

最初から大量の試行を行う必要はありません。三回で大きな差が見えなければ、課題が簡単すぎるか、条件の揺れが大きい可能性があります。代表課題をもう一つ加え、難易度の違う結果を比べます。差が小さい場合に無理な順位をつけず、同等として扱う判断も残します。

公式情報から確認できることと限界

公式ページは、モデルの位置づけ、公開されている仕様、価格の表示、版や接続方法の変更を確認する基準になります。一方、特定の会社のリポジトリで何秒短縮できるか、どの課題で何回成功するかまでは保証しません。公開情報と手元の測定結果を同じ事実として書かず、出典と実測を分けて記録します。

出典を参照するときは、ページに書かれた事実、そこから導いた判断、手元で再現した結果を分けます。公開ページの価格やモデル名は更新される可能性があるため、取得日も一緒に残します。これにより、記事や社内の比較表を更新するとき、古い説明を現在の性能として扱わずに済みます。

モデル一覧は選択の入口として使う

OpenAI公式のモデル比較ページでは、モデルごとの推論、速度、料金、コンテキストなどを同じ画面で確認できます。表示された項目は選択候補を絞る材料であり、自分のコードでの成功率を代用する数字ではありません。実際のCodex画面で選べるモデルと、モデルIDが一致するかも確認します。

安全な境界と性能を別の軸にする

OpenAIのCodex安全運用に関する公式記事は、サンドボックス、確認の仕組み、ネットワーク方針、活動記録を安全な利用の要素として説明しています。これらは性能測定と無関係ではありませんが、制限を弱めて速くなった結果を、そのまま良い性能とは判定できません。品質、時間、消費量、安全な範囲を別の欄に置きます。

公式の変更日は比較表に残す

モデル更新や接続方法の変更があった日は、測定表に記録します。更新後に数値が変わっても、それがモデルの差なのか、入口や設定の差なのかを後から確認できるからです。公式リリースノートに書かれていない細かな挙動は、未確認として残し、手元で再現できた事実と混ぜないようにします。

まとめ：Codex性能は代表課題で決める

Codex性能を正しく比べるには、応答の速さ、コードの品質、手直し量、完了までの時間、消費量を一つの視点に押し込めないことが大切です。まず代表課題と完了条件を決め、同じ入力、モデル、推論レベル、作業範囲で三回ほど測ります。そのうえで、失敗した回と人の修正も含めて結果を読みます。

GPT-5.6 Sol、Terra、Lunaのように用途を分けたモデルが並ぶと、最上位の名前を選びたくなります。しかし、難しい調査と短い整形では必要な性能が違います。OpenAI公式の説明を選択の起点にし、手元の課題で品質と負担を確かめることが、更新後も通用する判断になります。

参照した公式URLは、OpenAI公式モデル一覧、OpenAI公式モデル案内、OpenAI公式リリースノート、Codex公式リポジトリのリリース一覧です。価格や提供条件は変わるため、公開後に比較をやり直すときも最新ページを確認してください。