CodexGPT-6Astra开xhigh模式实测，推理多省Token，效率反提升

在AI大模型应用实践中，Codex推出的GPT-6 Astra模型近期引发了关于其xhigh模式效率的讨论。经过老金对9月5日至14日共40,125次历史请求的详细分析，发现了一个与直觉相悖的现象：虽然xhigh模式的平均推理Token消耗是medium模式的2.6倍，但总Token消耗却减少了约8.6%。

具体数据显示，medium模式平均每次使用69.8个推理Token和141,247个总Token；而xhigh模式则为182.5个推理Token和129,146个总Token。这一结果表明，在某些场景下，模型前期投入更多思考时间，反而能在后续环节减少重复计算，整体效率得到提升。

这种现象背后的原因在于，xhigh模式能够更充分地理解问题背景和已有进展，从而避免了不必要的返工。例如，在多媒体处理任务中，模型可以一次性理清文件读取、代码修改和检查等步骤，而不是像低档位模式那样反复重新交代任务。

ARC Prize公布的Astra结果也印证了这一点。在ARC-AGI-3的Standard harness测试中，xhigh模式得分59.3%，比high模式高出4.5个百分点，但费用却降低了约8.3%。这说明更高的推理投入确实能让模型用更少的动作完成任务，减少了模型调用和总Token消耗。

不过，值得注意的是，这种效率提升并非适用于所有场景。对于简单任务，如单文件修改或文章编辑，low档位模式可能更为合适。但对于涉及跨文件、跨项目或多工具协作的复杂任务，xhigh模式的优势就显现出来了。

为了最大化利用xhigh模式的优势，用户可以在任务开始时明确完成标准，并将已完成部分和现有记录一并提供给模型。这样可以帮助模型更好地理解上下文，避免重复劳动，提高整体效率。

图1展示了Codex GPT-6 Astra在xhigh模式下的核心理念："开xhigh反而省Token"。通过这张宣传图，我们可以直观地看到xhigh模式在效率上的独特优势。

图2则进一步解释了为什么思考更多反而总量未必更多。图表清晰地展示了不同档位模式在推理Token和总Token消耗上的对比，以及它们在完成任务时的不同表现。

总的来说，Codex GPT-6 Astra的xhigh模式提供了一种新的思路，即通过前期更多的思考投入，换取后期更高的效率和更低的总体成本。这对于需要处理复杂任务的用户来说，无疑是一个值得尝试的选择。