Codex 新会话默认用 GPT-6 Astra，额度掉太快怎么办
Codex 新建会话时默认选中的往往是消耗最大的强档模型，多人反馈几个会话并行跑下来，5 小时额度很快就见底。这篇梳理额度异常消耗的常见原因，给出一套新建会话的检查清单、按任务分级选模型的做法，以及上下文与并行会话的控制技巧，并说明哪些说法只是体感、需要自己验证。
用 Codex 写代码，最容易踩的坑往往不是提示词写得好不好，而是新建会话时没留意模型选择那一栏。默认选中的模型越来越强，消耗也跟着水涨船高，一次不小心的「默认」，就能让 5 小时窗口的额度在几十分钟里见底。
典型场景是这样的：连续开了几个新会话，改导航栏、调 UI、改文案、修小 bug，全程没切模型，等发现时额度已经快没了——这几个会话跑的都是最强档的 GPT-6 Astra。讨论里类似的反馈不少，有人「两句话吃掉 10%」，也有人觉得只要不并行太多项目就还好。分歧主要来自订阅档位、任务类型和并行程度，而不是工具本身有问题。
额度为什么掉得莫名其妙
先把可能的原因列清楚，再谈怎么省：
- 新建会话继承了强档模型。不少工具会记住上次选择，或者默认指向当前最强的模型，界面上不显眼，很容易一路回车点下去。
- 强档模型单价本来就高。讨论里有人认为 Astra 大约是日常档模型的 1.5～2 倍，也有人觉得远不止。这些是主观体感，不同任务差异很大，不能当官方计费口径。
- 并行会话叠加。同时开三四个会话，每个都在独立消耗，总量是相加的。
- 推理强度设置偏高。light / medium / ultra / fast 这类档位对消耗影响明显，ultra 加 fast 基本是最贵的组合。
- 任务本身很费 token。改 UI、涉及界面操作的任务、把整个仓库塞进上下文，都会显著拉高单轮消耗，与选哪个模型无关。
先按任务把模型分好档
与其每次纠结，不如提前定一张对照表，新建会话时照着选：
| 任务类型 | 建议档位 | 理由 |
|---|---|---|
| 改文案、调样式、改导航栏 | 日常中低档 | 改动局部，上下文小，强模型收益有限 |
| 修简单 bug、小范围重构 | 中档 | 需要一点推理，但不需要长链思考 |
| 跨模块排查、架构调整、大范围代码分析 | 强档 | 复杂推理的收益才明显 |
| 批量替换、格式化、写脚本 | 最低档或本地脚本 | 不需要模型推理 |
推理强度同理：日常任务用 medium 甚至更低就够了，只在真正卡住时临时升档，用完切回去。
可操作的省额度习惯
1. 新建会话三步检查
每开一个新会话，花五秒钟确认三件事：
- 模型是不是你这次想用的那个；
- 推理强度是不是被默认拉到了高档；
- 是否误开了加速、联网、界面操作之类的额外开关。
同时开多个会话时尤其要做这一步，最贵的组合往往就藏在第三个标签页里。
2. 一条会话只做一件事
把「改导航栏」和「重构接口」混在一个会话里，上下文越滚越大，后面每一轮都在为前面的历史付费。拆成独立会话，做完就关，比任何省额度技巧都直接。
3. 控制上下文体积
- 只贴相关的文件片段，不要整仓投喂；
- 长会话及时新开，把已经完成的结论写成几行摘要带过去；
- 有上下文压缩类实验功能可以试，但要在小任务上先对比效果，不要一上来就用在重要会话里。
4. 少并行，串行也快
并行会话省的是你的等待时间，花的是额度。如果不是真的在等编译、等结果，串行做完再开下一个，用量曲线会平缓很多。
5. 记录消耗，别靠感觉
每次做完任务顺手看一眼用量变化，连续几天就能算出自己常用任务的「单位成本」。有对照组之后，你才知道某个模型到底值不值。
争议：强模型当「验收员」到底划不划算
一种流行做法是：让强档模型负责拆解和验收，具体执行交给便宜的中低档模型。支持者认为这样能把贵的那部分用在刀刃上，总体开销可控；反对者则认为来回切换、重新交代背景的成本很高，而且中低档模型返工一次，省下的额度又赔回去了。
两种做法没有绝对优劣，取决于任务性质：
- 任务边界清晰、可拆分，适合「强模型定方案 + 弱模型执行」；
- 任务模糊、需要反复探索，一个强模型从头跟到尾反而更快；
- 如果只是想省额度却频繁返工，通常得不偿失。
还有一种分歧是 medium 档到底够不够用。有人觉得 medium 的表现已经接近旧版高档模型，性价比很高；也有人认为 medium 在真实项目里反而不如老模型稳定。这类对比高度依赖具体任务，建议用自己的两三个真实需求做小样本对照，别看别人的结论就换。
注意事项与需要自行验证的地方
- 模型名称、档位划分和计费方式变化很快，讨论里出现的具体型号和倍率只能作为参考，请以官方最新文档和账单页面为准。
- 额度重置、补偿之类的政策因套餐和时间而异，不要把它当成稳定的额度来源写进工作习惯。
- 第三方模型排行榜只能提供大致位置，测不出你的项目上下文有多费 token。
- 不要碰账号共享、代充、代登录这类服务。除了违反平台条款、随时可能封号之外，把账号交给第三方本身就有凭据泄露风险；额度不够时，正规做法是调整用法或更换套餐。
- 如果长任务经常因为本地机器休眠、网络中断而中断重跑，这部分额外消耗比模型选择更隐蔽。可以考虑把任务放到长期在线的远程环境里跑，例如整台放在新加坡机房的独享 Mac mini，按月租用、远程连接，适合挂着长时间运行的 AI 编程工具；是否值得取决于你的任务时长和断线频率。
小结
额度掉得快，多数时候不是模型变差了，而是默认选项替你做了一个昂贵的选择。把下面几条变成习惯，消耗基本能回到可控范围：
- 新建会话先确认模型、推理强度和额外开关；
- 按任务复杂度分级选模型，日常任务不开强档；
- 一个会话一件事，做完就关；
- 控制上下文体积，少整仓投喂；
- 少并行，用真实任务记录单位成本，再决定要不要升档。
