GPT-5.2-Codex เป็นเวอร์ชันอัปเกรดของ GPT-5.1-Codex ที่ถูกปรับแต่งให้เหมาะสมกับงานด้านวิศวกรรมซอฟต์แวร์และขั้นตอนการเขียนโค้ด มันถูกออกแบบมาสำหรับทั้งเซสชันการพัฒนาแบบโต้ตอบและการทำงานอิสระระยะยาวของงานวิศวกรรมที่ซับซ้อน....
OpenAI GPT-5.2-Codex เป็นรูปแบบหนึ่งของโมเดล GPT-5.2 ที่ได้รับการปรับแต่งอย่างละเอียดสำหรับงานที่เกี่ยวข้องกับโค้ด รองรับการป้อนข้อมูลทั้งข้อความและรูปภาพ ประมวลผลบริบทได้สูงสุดถึง 400,000 โทเค็น…
GPT-5.2-Codex สามารถสร้างโค้ดในภาษาการเขียนโปรแกรมหลายสิบภาษา เขียนการทดสอบหน่วย ปรับโครงสร้างโค้ดที่มีอยู่ แปลระหว่างภาษา อธิบายเจตนาของโค้ด และแนะนำการแก้ไขบั๊ก ความสามารถในการรับบริบท 400K โทเคนช่วยให้มันพิจารณาไฟล์ โมดูล หรือแม้แต่โค้ดเบสทั้งหมดในการร้องขอครั้งเดียว โมเดลยังสามารถประมวลผลอินพุตรูปภาพ เช่น แผนภาพสถาปัตยกรรมหรือตรรกะที่เขียนด้วยมือ และรวมกับพรอมต์ข้อความเพื่อสร้างโค้ดที่ตรงกับการออกแบบภาพ สำหรับงานที่ต้องการผลลัพธ์ยาวมาก มันสามารถสร้างได้สูงสุด 128,000 โทเคน เพียงพอสำหรับโค้ดเบสหลายไฟล์หรือเอกสารประกอบที่ละเอียด
หากงานของคุณไม่ต้องการบริบทที่ขยายหรือการปรับแต่งเฉพาะสำหรับโค้ด โมเดลทั่วไปอาจประหยัดกว่าสำหรับงานสร้างข้อความง่ายๆ การสรุป หรือการจำแนกประเภท การมุ่งเน้นโค้ดเฉพาะทางของ GPT-5.2-Codex ไม่ได้ให้ประโยชน์ใดๆ และอัตราของผู้ให้บริการที่ $14.00 ต่อ 1M output tokens อาจสูงเกินไปโดยไม่จำเป็น นอกจากนี้ หากคุณต้องการเวลาตอบสนองที่เร็วขึ้นสำหรับแอปพลิเคชันแบบเรียลไทม์ โมเดลขนาดเล็กที่มีความหน่วงต่ำกว่าอาจเหมาะสมกว่า เนื่องจาก GPT-5.2-Codex เป็นโมเดลขนาดใหญ่ที่ปรับให้เหมาะสมกับความแม่นยำมากกว่าความเร็ว
ใช่ GPT-5.2-Codex รองรับการป้อนข้อมูลทั้งข้อความและรูปภาพ ซึ่งช่วยให้คุณสามารถรวมภาพหน้าจอของตัวแก้ไขโค้ด ข้อความแสดงข้อผิดพลาด ไดอะแกรมไวท์บอร์ด หรือต้นแบบ UI เป็นส่วนหนึ่งของคำสั่งของคุณได้ โมเดลจะตีความเนื้อหาภาพและสร้างโค้ดหรือข้อความตอบกลับที่สอดคล้องกับภาพที่ให้มา ความสามารถแบบหลายรูปแบบนี้มีประโยชน์อย่างยิ่งสำหรับการสร้างโค้ดจาก wireframes หรือการแก้ไขปัญหาที่แสดงในภาพหน้าจอ โปรดทราบว่าการประมวลผลภาพจะนับรวมในหน้าต่างบริบท (context window) ภาพแต่ละภาพจะใช้โทเค็นตามสัดส่วนของขนาด ซึ่งจะลดความจุที่มีสำหรับเนื้อหาอื่น ๆ
τ²-Bench เป็นเกณฑ์มาตรฐานที่ออกแบบมาเพื่อวัดความสามารถของโมเดลในการสร้างโค้ดที่ถูกต้อง มีประสิทธิภาพ และมีโครงสร้างที่ดี ครอบคลุมงานการเขียนโปรแกรมที่หลากหลาย คะแนน 92.1 บ่งชี้ว่า GPT-5.2-Codex มีประสิทธิภาพในระดับสูง โดยเฉพาะในงานที่ต้องเข้าใจข้อกำหนด จัดการกับกรณีขอบ และสร้างโค้ดที่สามารถทำงานได้ เกณฑ์มาตรฐานนี้ประเมินทั้งการสร้างโค้ดครั้งเดียวและสถานการณ์การแก้ไขข้อบกพร่องแบบวนซ้ำ แม้ว่าวิธีการที่แน่ชัดของ τ²-Bench จะไม่ได้เปิดเผยต่อสาธารณะ แต่คะแนนดังกล่าวทำหน้าที่เป็นจุดอ้างอิงเปรียบเทียบสำหรับโมเดลที่เน้นการเขียนโค้ด
ไม่มีตัวเลขความหน่วงที่ชัดเจนสำหรับ GPT-5.2-Codex ในข้อมูลที่ให้มา อย่างไรก็ตาม เนื่องจากเป็นโมเดลขนาดใหญ่ที่มีบริบท 400K โทเค็นและผลลัพธ์ 128K โทเค็น เวลาในการอนุมานจะนานกว่าโมเดลขนาดเล็ก โดยเฉพาะเมื่อประมวลผลความยาวบริบทใกล้สูงสุด ผู้ใช้งานควรคาดหวังความหน่วงที่สูงขึ้นสำหรับพรอมป์ที่ซับซ้อนซึ่งใช้หน้าต่างบริบทอย่างเต็มที่ สำหรับการช่วยเขียนโค้ดแบบโต้ตอบ การจำกัดขนาดบริบทหรือใช้การตอบกลับแบบสตรีมมิ่งอาจช่วยให้รับรู้ถึงความเร็วที่เพิ่มขึ้นได้ API ของ OrcaRouter รองรับการสตรีมมิ่งเพื่อส่งคืนโทเค็นในขณะที่ถูกสร้างขึ้น
จากคะแนนมาตรฐานที่ 92.1 บน τ²-Bench ที่ให้มา GPT-5.2-Codex แสดงให้เห็นถึงประสิทธิภาพที่แข็งแกร่งในงานสร้างและดีบักโค้ด หน้าต่างบริบทที่ใหญ่ช่วยให้สามารถเก็บและใช้เหตุผลเกี่ยวกับชิ้นส่วนโค้ดยาว ซึ่งสำคัญสำหรับงานเช่นการปรับโครงสร้างโครงการหลายไฟล์หรือการเข้าใจความสัมพันธ์ที่ซับซ้อน ความสามารถในการรับอินพุตรูปภาพช่วยเพิ่มประโยชน์ในเวิร์กโฟลว์ที่รวมข้อมูลภาพและข้อความ จุดแข็งเหล่านี้ทำให้เหมาะสำหรับการพัฒนาซอฟต์แวร์มืออาชีพที่ความแม่นยำและความยาวของบริบทเป็นสิ่งสำคัญ
เช่นเดียวกับโมเดลภาษาขนาดใหญ่ทั้งหมด GPT-5.2-Codex อาจสร้างโค้ดที่ไม่ถูกต้องหรือไม่ปลอดภัย สร้างเนื้อหาที่เกี่ยวกับฟังก์ชันไลบรารีที่ไม่มีอยู่จริง และไวต่อการใช้ถ้อยคำในพรอมพ์ นอกจากนี้ยังอาจมีปัญหาในการทำงานที่ต้องใช้ความรู้แบบเรียลไทม์หรือ API ที่เป็นกรรมสิทธิ์ซึ่งไม่ได้อยู่ในข้อมูลฝึกสอนของมัน หน้าต่างบริบทขนาด 400K แม้จะใหญ่แต่ก็ยังมีขอบเขตจำกัด โค้ดเบสที่มีขนาดใหญ่มากอาจไม่พอดีทั้งหมด จึงจำเป็นต้องใช้กลยุทธ์การแบ่งเป็นส่วนหรือการสรุปความ นอกจากนี้ ค่าต้นทุนต่อโทเค็นเอาต์พุตของโมเดลยังสูงเมื่อเทียบกับโมเดลที่เล็กกว่า ทำให้ไม่คุ้มค่าทางเศรษฐกิจสำหรับงานเขียนโค้ดที่เรียบง่ายหรือซ้ำซาก
การกำหนดราคาจะเรียกเก็บตามอัตราของผู้ให้บริการ โดยไม่มีการบวกเพิ่มใดๆ โทเคนขาเข้ามีราคา $1.75 ต่อ 1 ล้านโทเคน และโทเคนขาออกราคา $14.00 ต่อ 1 ล้านโทเคน ไม่มีค่าธรรมเนียมเพิ่มเติมจาก OrcaRouter สำหรับคำขอทั่วไปที่มีโทเคนขาเข้า 10,000 โทเคนและโทเคนขาออก 2,000 โทเคน ต้นทุนจะอยู่ที่ $0.0175 สำหรับขาเข้าและ $0.028 สำหรับขาออก รวมประมาณ $0.0455 ต่อคำขอ การกำหนดราคาไม่แตกต่างกันตามระดับการใช้งานหรือภูมิภาค – เป็นอัตราคงที่ต่อโทเคน การแคชอาจช่วยลดต้นทุนขาเข้าหากใช้พรอมต์เดิมซ้ำ โปรดตรวจสอบเอกสารของ OrcaRouter สำหรับนโยบายการแคช
เนื่องจากโทเค็นเอาต์พุตมีราคาแพงกว่าโทเค็นอินพุตถึงแปดเท่า ($14.00 ต่อ $1.75) ผลลัพธ์ที่สั้นจึงคุ้มค่ากว่าในแง่ของต้นทุน เพื่อจัดการต้นทุน ให้จำกัดจำนวนโทเค็นเอาต์พุตโดยตั้งค่าพารามิเตอร์ `max_tokens` อย่างเหมาะสม สำหรับงานที่ต้องการผลลัพธ์ยาว (เช่น การสร้างโค้ดทั้งชุด) ควรพิจารณาแบ่งงานออกเป็นส่วนย่อยๆ เพื่อหลีกเลี่ยงการถึงขีดจำกัดสูงสุดของเอาต์พุตที่ 128K และเพื่อให้ต้นทุนคาดเดาได้ การใช้ภาพเป็นอินพุตก็จะคิดค่าใช้จ่ายโทเค็นตามขนาดของภาพ ซึ่งอาจทำให้บิลรวมเพิ่มขึ้น
แม้ว่าข้อมูลที่ให้ไว้จะไม่ได้ระบุถึงนโยบายการแคชของ OrcaRouter แต่เกตเวย์ API จำนวนมากมีการใช้งานแคชสำหรับพรอมต์ที่ซ้ำกันเพื่อลดค่าใช้จ่ายของ input token คุณควรปรึกษาเอกสารหรือฝ่ายสนับสนุนของ OrcaRouter เพื่อพิจารณาว่าการแคชพรอมต์พร้อมใช้งานสำหรับรุ่นโมเดล "openai/gpt-5.2-codex" หรือไม่ หากรองรับการแคช คำนำหน้าพรอมต์ที่เหมือนกันอาจถูกเรียกเก็บในอัตราที่ต่ำกว่า ซึ่งช่วยลดต้นทุนอย่างมากสำหรับแอปพลิเคชันที่ใช้ข้อความระบบหรือบล็อกบริบทขนาดใหญ่ซ้ำ
คุณเข้าถึงโมเดลผ่าน API ที่เข้ากันได้กับ OpenAI ของ OrcaRouter ที่ base URL `https://api.orcarouter.ai/v1` ใช้รหัสโมเดล `"openai/gpt-5.2-codex"` ในคำขอของคุณ API เป็นไปตามรูปแบบ chat completions มาตรฐาน คุณสามารถส่ง `model: "openai/gpt-5.2-codex"` ใน body ของคำขอ พารามิเตอร์ทั้งหมดที่รองรับโดย endpoint chat completions ของ OpenAI สามารถใช้งานได้ รวมถึง `messages`, `max_tokens`, `temperature`, `top_p`, `stream`, และ `stop` สำหรับอินพุตรูปภาพ ให้ใช้อาร์เรย์ `content` พร้อม `type: "image_url"` ตามที่ระบุใน OpenAI vision API
คุณสามารถตั้งค่า `max_tokens` ได้สูงสุดถึง 128,000 โทเค็น ใช้ `temperature` (0.0–2.0) เพื่อควบคุมความสุ่ม; สำหรับการสร้างโค้ด ค่าประมาณ 0.2–0.4 เป็นค่าที่นิยม `top_p` ให้การสุ่มแบบ nucleus `frequency_penalty` และ `presence_penalty` ปรับเปลี่ยนการเลือกโทเค็น พารามิเตอร์ `stop` รองรับได้สูงสุด 4 ลำดับ การสตรีมผ่าน `stream: true` รองรับเพื่อรับโทเค็นแบบเพิ่มทีละส่วน สำหรับผลลัพธ์ที่สามารถทำซ้ำได้ ให้ตั้งค่า `seed` เป็นจำนวนเต็ม โปรดทราบว่า prompts ที่มีบริบทขนาดใหญ่อาจเพิ่มเวลาในการประมวลผล; พิจารณาลดบริบทหรือใช้การสตรีมเพื่อประสบการณ์ผู้ใช้ที่ดีขึ้น
ในการย้ายระบบ ให้เปลี่ยน base URL ของคุณจาก `https://api.openai.com/v1` เป็น `https://api.orcarouter.ai/v1` และใช้ model ID `"openai/gpt-5.2-codex"` แทนชื่อโมเดลเฉพาะของ OpenAI โค้ดไลบรารีไคลเอ็นต์ OpenAI ที่มีอยู่ของคุณจะทำงานได้โดยมีการเปลี่ยนแปลงเพียงเล็กน้อย OrcaRouter จะส่งต่อคำขออย่างโปร่งใสและไม่เปลี่ยนแปลงสัญญา API ตรวจสอบให้แน่ใจว่าการรับรองความถูกต้องของคุณใช้คีย์ API ของ OrcaRouter สำหรับงานที่ไม่เกี่ยวกับโค้ด ให้อัปเดต model ID ของคุณตามความเหมาะสม หากคุณเคยใช้โมเดล OpenAI รุ่นอื่น คุณยังสามารถเข้าถึงผ่าน OrcaRouter ได้โดยใช้ model ID ที่เหมาะสม
ใช่, API ยอมรับคำขอ chat completions ใด ๆ ดังนั้นคุณสามารถใช้มันสำหรับงานทั่วไปได้ อย่างไรก็ตาม เนื่องจากโมเดลนี้ถูกปรับแต่งสำหรับโค้ด มันอาจทำงานได้ไม่ดีเท่าโมเดลทั่วไปสำหรับการเขียนเชิงสร้างสรรค์หรือการสนทนาทั่วไป แต่มันยังสามารถสร้างสรุปข้อความที่มีประโยชน์ โดยเฉพาะเนื้อหาทางเทคนิค สำหรับงานที่ไม่เกี่ยวกับโค้ด คุณอาจต้องจ่ายแพงกว่าสำหรับความสามารถที่คุณไม่จำเป็นต้องใช้ ลองพิจารณาใช้โมเดลทั่วไปที่ถูกกว่าซึ่งมีให้บริการใน OrcaRouter สำหรับกรณีการใช้งานดังกล่าว
หากไม่มีเกณฑ์มาตรฐานที่เผยแพร่สำหรับ GPT-4o-Code บน τ²-Bench ก็ไม่สามารถเปรียบเทียบเชิงตัวเลขโดยตรงได้ อย่างไรก็ตาม GPT-5.2-Codex มีหน้าต่างบริบทที่ใหญ่กว่า (400K เทียบกับ 128K ทั่วไปของ GPT-4o) และเอาต์พุตสูงสุดที่มากกว่า (128K เทียบกับ 16K สำหรับ GPT-4o) คะแนน 92.1 บน τ²-Bench บ่งบอกถึงความสามารถในการสร้างโค้ดที่แข็งแกร่ง แต่ GPT-4o-Code อาจมีจุดแข็งที่แตกต่างกัน ในทางปฏิบัติ การแลกเปลี่ยนมักขึ้นอยู่กับข้อกำหนดด้านขนาดบริบทและต้นทุน: GPT-5.2-Codex มีราคาแพงกว่าต่อโทเค็นเอาต์พุต แต่อาจให้ผลลัพธ์ที่ดีกว่าสำหรับงานที่ซับซ้อนและมีบริบทมาก
Claude Codex โดย Anthropic ยังมุ่งเป้าไปที่การสร้างโค้ด แต่ไม่มีคะแนน benchmark เฉพาะบน τ²-Bench ให้เปรียบเทียบ ขนาด context window สำหรับโมเดล Claude นั้นแตกต่างกันไป ตามข้อมูลสาธารณะที่ทราบ Claude 3 Opus รองรับ 200K tokens context ขนาด 400K ของ GPT-5.2-Codex นั้นใหญ่กว่า ซึ่งอาจเป็นประโยชน์สำหรับ codebase ที่ยาวมาก ราคาของ Claude Codex อาจแตกต่างกัน อัตราของผู้ให้บริการ GPT-5.2-Codex ที่ $14 ต่อ 1M output tokens นั้นแข่งขันได้กับโมเดลโค้ดระดับสูง ผู้ใช้ควรประเมินตามประสิทธิภาพของงานจริงและความยาวของ context ที่ต้องการ
สำหรับงานโค้ดที่เรียบง่ายซึ่งไม่จำเป็นต้องใช้บริบท 400K หรือการปรับแต่งเฉพาะของ GPT-5.2-Codex โมเดลขนาดเล็กอย่าง GPT-4o mini หรือ Llama 3 8B อาจเพียงพอและมีราคาถูกกว่าอย่างเห็นได้ชัด OrcaRouter มีโมเดลดังกล่าวให้เลือกมากมายในราคาที่แตกต่างกัน คะแนน τ²-Bench ที่ 92.1 บ่งชี้ถึงความแม่นยำสูง แต่สำหรับการสร้างสไนปเป็ตหรือการเติมไวยากรณ์ตามปกติ โมเดลที่ต้นทุนต่ำกว่าอาจตอบสนองความต้องการของคุณได้ในราคาเพียงเศษเสี้ยว ควรประเมินความซับซ้อนของงานโค้ดของคุณเทียบกับความสามารถและต้นทุนของโมเดลเสมอ
เข้ากันได้กับ OpenAI — ใช้ SDK เดิมของคุณได้เลย
https://api.orcarouter.ai/v1from openai import OpenAI
client = OpenAI(
base_url="https://api.orcarouter.ai/v1",
api_key="$ORCAROUTER_API_KEY",
)
response = client.chat.completions.create(
model="openai/gpt-5.2-codex",
messages=[{"role": "user", "content": "Hello"}],
)
print(response.choices[0].message.content)include_reasoningmax_completion_tokensmax_tokensreasoningresponse_formatseedstreamstructured_outputstool_choicetools| อินพุต / 1M โทเค็น | $1.75 |
| เอาต์พุต / 1M โทเค็น | $14.00 |
| อ่านแคช / 1M | $0.175 |
| สกุลเงิน | USD |
ประมาณการจากราคาตั้ง
เป็นเพียงการประเมิน — จำนวน token จริงขึ้นอยู่กับ tokenizer ของผู้ให้บริการ
GET /api/public/models/openai/gpt-5.2-codexเปิด @misc{orcarouter_gpt_5_2_codex,
title = {GPT-5.2-Codex API},
author = {OpenAI},
year = {2026},
howpublished = {OrcaRouter},
url = {https://www.orcarouter.ai/models/openai/gpt-5.2-codex}
}OpenAI. (2026). GPT-5.2-Codex API. OrcaRouter. https://www.orcarouter.ai/models/openai/gpt-5.2-codex