GPT-5.2-Codex là phiên bản nâng cấp của GPT-5.1-Codex, được tối ưu hóa cho các quy trình công việc trong kỹ thuật phần mềm và lập trình. Nó được thiết kế cho cả các phiên phát triển tương tác và thực thi độc lập, kéo dài các tác vụ kỹ thuật phức tạp....
OpenAI GPT-5.2-Codex là một biến thể của mô hình GPT-5.2 được tinh chỉnh cho các tác vụ tập trung vào mã nguồn. Mô hình hỗ trợ đầu vào văn bản và hình ảnh, xử lý tới 400.000 token ngữ cảnh và có thể…
GPT-5.2-Codex có thể tạo mã trong hàng chục ngôn ngữ lập trình, viết unit test, tái cấu trúc mã hiện có, dịch giữa các ngôn ngữ, giải thích ý định của mã và đề xuất sửa lỗi. Ngữ cảnh 400K token cho phép nó xem xét toàn bộ tệp, mô-đun, hoặc thậm chí toàn bộ cơ sở mã trong một yêu cầu duy nhất. Mô hình cũng có thể xử lý đầu vào hình ảnh, chẳng hạn như sơ đồ kiến trúc hoặc logic viết tay, và kết hợp chúng với các lời nhắc văn bản để tạo ra mã phù hợp với thiết kế trực quan. Đối với các tác vụ yêu cầu đầu ra rất dài, nó có thể xuất ra tới 128.000 token, đủ cho các cơ sở mã nhiều tệp hoặc tài liệu toàn diện.
Nếu tác vụ của bạn không yêu cầu ngữ cảnh mở rộng hoặc tinh chỉnh dành riêng cho mã, một mô hình đa năng có thể kinh tế hơn. Đối với các tác vụ tạo văn bản đơn giản, tóm tắt hoặc phân loại, trọng tâm mã chuyên biệt của GPT-5.2-Codex không mang lại lợi ích gì, và tỷ lệ nhà cung cấp là $14.00 trên 1M token đầu ra có thể cao không cần thiết. Ngoài ra, nếu bạn cần thời gian phản hồi nhanh hơn cho các ứng dụng thời gian thực, một mô hình nhỏ hơn với độ trễ thấp hơn có thể thích hợp hơn, vì GPT-5.2-Codex là một mô hình lớn được tối ưu hóa cho độ chính xác thay vì tốc độ.
Có, GPT-5.2-Codex chấp nhận cả đầu vào văn bản và hình ảnh. Điều này cho phép bạn đưa ảnh chụp màn hình của trình soạn thảo mã, thông báo lỗi, sơ đồ bảng trắng hoặc bản phác thảo giao diện người dùng vào prompt của mình. Mô hình sẽ diễn giải nội dung trực quan và tạo ra mã nguồn hoặc phản hồi văn bản phù hợp với hình ảnh được cung cấp. Khả năng đa phương thức này đặc biệt hữu ích để tạo mã từ wireframe hoặc gỡ lỗi các vấn đề được hiển thị trong ảnh chụp màn hình. Lưu ý rằng việc xử lý hình ảnh sẽ được tính vào cửa sổ ngữ cảnh; mỗi hình ảnh tiêu tốn token tỷ lệ thuận với kích thước của nó, làm giảm dung lượng khả dụng cho các nội dung khác.
τ²-Bench là một chuẩn đánh giá được thiết kế để đo lường khả năng của mô hình trong việc tạo ra mã nguồn chính xác, hiệu quả và có cấu trúc tốt trên nhiều tác vụ lập trình khác nhau. Điểm số 92.1 cho thấy GPT-5.2-Codex hoạt động ở mức năng lực cao, đặc biệt trong các tác vụ yêu cầu hiểu đặc tả, xử lý các trường hợp ngoại lệ và tạo ra mã thực thi được. Chuẩn đánh giá này đánh giá cả khả năng sinh mã một lần và các kịch bản gỡ lỗi lặp đi lặp lại. Mặc dù phương pháp luận chính xác của τ²-Bench không được công bố chi tiết công khai, nhưng điểm số này đóng vai trò như một mốc tham chiếu so sánh cho các mô hình tập trung vào mã nguồn.
Các con số về độ trễ cụ thể cho GPT-5.2-Codex không được cung cấp trong các dữ kiện đã cho. Tuy nhiên, là một mô hình lớn với ngữ cảnh 400K token và đầu ra 128K token, thời gian suy luận sẽ lâu hơn các mô hình nhỏ hơn, đặc biệt khi xử lý gần độ dài ngữ cảnh tối đa. Người dùng nên mong đợi độ trễ cao hơn đối với các prompt phức tạp sử dụng hết cửa sổ ngữ cảnh. Để hỗ trợ lập trình tương tác, có thể hữu ích khi giới hạn kích thước ngữ cảnh hoặc sử dụng phản hồi dạng stream để cải thiện tốc độ cảm nhận. API của OrcaRouter hỗ trợ streaming để trả về các token ngay khi chúng được sinh ra.
Dựa trên điểm chuẩn 92.1 trên τ²-Bench, GPT-5.2-Codex thể hiện hiệu suất mạnh mẽ trong các tác vụ tạo mã và gỡ lỗi. Cửa sổ ngữ cảnh lớn của nó cho phép lưu giữ và suy luận về các đoạn mã dài, điều rất quan trọng đối với các tác vụ như tái cấu trúc các dự án nhiều tệp hoặc hiểu các phụ thuộc phức tạp. Khả năng chấp nhận đầu vào hình ảnh còn mở rộng thêm tính hữu dụng của nó trong các quy trình làm việc kết hợp thông tin hình ảnh và văn bản. Những điểm mạnh này khiến nó phù hợp cho phát triển phần mềm chuyên nghiệp, nơi độ chính xác và độ dài ngữ cảnh được ưu tiên.
Giống như tất cả các mô hình ngôn ngữ lớn khác, GPT-5.2-Codex có thể tạo ra mã không chính xác hoặc không an toàn, tưởng tượng ra các hàm thư viện không tồn tại và nhạy cảm với cách diễn đạt của prompt. Nó cũng có thể gặp khó khăn với các tác vụ yêu cầu kiến thức thời gian thực hoặc các API độc quyền không có trong dữ liệu huấn luyện. Cửa sổ ngữ cảnh 400K, dù lớn, vẫn có giới hạn; các cơ sở mã cực kỳ lớn có thể không vừa hoàn toàn, đòi hỏi các chiến lược phân đoạn hoặc tóm tắt. Ngoài ra, chi phí cho mỗi token đầu ra của mô hình này cao so với các mô hình nhỏ hơn, khiến nó kém kinh tế hơn cho các tác vụ mã đơn giản hoặc lặp đi lặp lại.
Giá được tính theo tỷ lệ của nhà cung cấp, không có phí chênh lệch. Token đầu vào có giá $1.75 cho mỗi 1 triệu token, và token đầu ra có giá $14.00 cho mỗi 1 triệu token. Không có phí bổ sung nào từ OrcaRouter. Đối với một yêu cầu điển hình với 10.000 token đầu vào và 2.000 token đầu ra, chi phí sẽ là $0.0175 cho đầu vào và $0.028 cho đầu ra, tổng cộng khoảng $0.0455 cho mỗi yêu cầu. Giá không thay đổi theo mức sử dụng hoặc khu vực – đó là mức giá cố định theo từng token. Bộ nhớ đệm có thể giảm chi phí đầu vào nếu cùng một lời nhắc được sử dụng lại; hãy kiểm tra tài liệu của OrcaRouter về các chính sách bộ nhớ đệm.
Bởi vì token đầu ra đắt hơn gấp tám lần so với token đầu vào ($14.00 so với $1.75), các đầu ra ngắn sẽ tiết kiệm chi phí hơn tương đối. Để quản lý chi phí, hãy giới hạn số lượng token đầu ra bằng cách đặt tham số `max_tokens` một cách phù hợp. Đối với các tác vụ yêu cầu đầu ra dài (ví dụ: tạo toàn bộ mã nguồn), hãy cân nhắc chia nhỏ công việc thành các phần nhỏ hơn để tránh chạm giới hạn đầu ra tối đa 128K và giữ cho chi phí có thể dự đoán được. Việc sử dụng đầu vào hình ảnh cũng phát sinh phí token dựa trên kích thước hình ảnh, điều này có thể làm tăng tổng hóa đơn.
Mặc dù các sự kiện được cung cấp không xác định chính sách lưu trữ đệm của OrcaRouter, nhiều API gateway triển khai lưu trữ đệm cho các prompt lặp lại để giảm phí token đầu vào. Bạn nên tham khảo tài liệu hoặc hỗ trợ của OrcaRouter để xác định xem tính năng lưu trữ đệm prompt có sẵn cho model ID "openai/gpt-5.2-codex" hay không. Nếu tính năng lưu trữ đệm được hỗ trợ, các tiền tố prompt giống hệt nhau có thể được tính phí ở mức thấp hơn, giảm đáng kể chi phí cho các ứng dụng tái sử dụng thông báo hệ thống hoặc các khối ngữ cảnh lớn.
Bạn truy cập mô hình thông qua API tương thích OpenAI của OrcaRouter tại URL cơ sở `https://api.orcarouter.ai/v1`. Sử dụng ID mô hình `"openai/gpt-5.2-codex"` trong các yêu cầu của bạn. API tuân theo định dạng chat completions tiêu chuẩn. Bạn có thể truyền `model: "openai/gpt-5.2-codex"` trong phần thân yêu cầu. Tất cả các tham số được hỗ trợ bởi endpoint chat completions của OpenAI đều có sẵn, bao gồm `messages`, `max_tokens`, `temperature`, `top_p`, `stream`, và `stop`. Đối với đầu vào hình ảnh, hãy sử dụng mảng `content` với `type: "image_url"` như được chỉ định trong OpenAI vision API.
Bạn có thể đặt `max_tokens` lên đến 128.000 token. Sử dụng `temperature` (0.0–2.0) để kiểm soát độ ngẫu nhiên; cho việc sinh mã, các giá trị khoảng 0.2–0.4 là phổ biến. `top_p` cung cấp phương pháp lấy mẫu hạt nhân. `frequency_penalty` và `presence_penalty` điều chỉnh việc chọn token. Tham số `stop` chấp nhận tối đa 4 chuỗi. Truyền phát qua `stream: true` được hỗ trợ để nhận token theo từng phần. Để có đầu ra có thể tái tạo, đặt `seed` thành một số nguyên. Lưu ý rằng các prompt ngữ cảnh lớn có thể tăng thời gian xử lý; hãy cân nhắc giảm ngữ cảnh hoặc sử dụng truyền phát để cải thiện trải nghiệm người dùng.
Để di chuyển, hãy thay đổi URL cơ sở của bạn từ `https://api.openai.com/v1` thành `https://api.orcarouter.ai/v1` và sử dụng ID mô hình `"openai/gpt-5.2-codex"` thay vì tên mô hình dành riêng cho OpenAI. Mã thư viện khách hàng OpenAI hiện tại của bạn sẽ hoạt động với những thay đổi tối thiểu. OrcaRouter chuyển tiếp các yêu cầu một cách minh bạch và không thay đổi hợp đồng API. Đảm bảo xác thực của bạn sử dụng khóa API của OrcaRouter. Đối với các tác vụ không phải mã, hãy cập nhật ID mô hình của bạn cho phù hợp. Nếu bạn đang sử dụng một mô hình OpenAI khác, bạn vẫn có thể truy cập thông qua OrcaRouter bằng cách sử dụng ID mô hình thích hợp.
Có, API chấp nhận mọi yêu cầu hoàn tất trò chuyện, vì vậy bạn có thể sử dụng nó cho các tác vụ đa năng. Tuy nhiên, vì mô hình được tinh chỉnh cho mã nguồn, nó có thể không hoạt động tốt như một mô hình đa năng trong viết sáng tạo hoặc trò chuyện thông thường. Nó vẫn có thể tạo ra các bản tóm tắt văn bản hữu ích, đặc biệt là nội dung kỹ thuật. Đối với các tác vụ không liên quan đến mã nguồn, bạn có thể phải trả phí cao cho các khả năng mà bạn không cần. Hãy cân nhắc sử dụng một mô hình đa năng rẻ hơn có sẵn trên OrcaRouter cho các trường hợp sử dụng như vậy.
Không có điểm chuẩn công bố cho GPT-4o-Code trên τ²-Bench, nên không thể so sánh số liệu trực tiếp. Tuy nhiên, GPT-5.2-Codex cung cấp cửa sổ ngữ cảnh lớn hơn (400K so với 128K thông thường của GPT-4o) và đầu ra tối đa cao hơn (128K so với 16K của GPT-4o). Điểm số 92.1 trên τ²-Bench cho thấy khả năng sinh mã mạnh mẽ, nhưng GPT-4o-Code có thể có những thế mạnh khác. Trong thực tế, sự đánh đổi thường phụ thuộc vào yêu cầu về kích thước ngữ cảnh và chi phí: GPT-5.2-Codex đắt hơn trên mỗi token đầu ra, nhưng có thể mang lại kết quả tốt hơn cho các tác vụ phức tạp, nặng về ngữ cảnh.
Claude Codex của Anthropic cũng nhắm đến việc tạo mã, nhưng điểm chuẩn cụ thể của nó trên τ²-Bench không được cung cấp để so sánh. Kích thước cửa sổ ngữ cảnh cho các mô hình Claude khác nhau; theo thông tin công khai đã biết, Claude 3 Opus hỗ trợ 200K token. Ngữ cảnh 400K của GPT-5.2-Codex lớn hơn, điều này có thể có lợi cho các cơ sở mã rất dài. Giá của Claude Codex có thể khác; tỷ lệ nhà cung cấp của GPT-5.2-Codex là $14 trên 1M token đầu ra, cạnh tranh với các mô hình mã cao cấp. Người dùng nên đánh giá dựa trên hiệu suất thực tế của tác vụ và độ dài ngữ cảnh yêu cầu.
Đối với các tác vụ mã nguồn đơn giản không cần đến ngữ cảnh 400K đầy đủ hoặc tinh chỉnh chuyên biệt của GPT-5.2-Codex, các mô hình nhỏ hơn như GPT-4o mini hoặc Llama 3 8B có thể đáp ứng tốt và rẻ hơn đáng kể. OrcaRouter cung cấp nhiều mô hình như vậy với các mức giá khác nhau. Điểm τ²-Bench 92,1 cho thấy độ chính xác cao, nhưng đối với việc tạo đoạn mã thông thường hoặc hoàn thiện cú pháp, một mô hình chi phí thấp hơn có thể đáp ứng nhu cầu của bạn với chi phí chỉ bằng một phần nhỏ. Luôn đánh giá độ phức tạp của tác vụ mã nguồn so với sức mạnh và chi phí của mô hình.
Tương thích OpenAI — giữ nguyên SDK bạn đang dùng
https://api.orcarouter.ai/v1from openai import OpenAI
client = OpenAI(
base_url="https://api.orcarouter.ai/v1",
api_key="$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| Đầu vào / 1M tokens | $1.75 |
| Đầu ra / 1M tokens | $14.00 |
| Đọc cache / 1M | $0.175 |
| Tiền tệ | USD |
Ước tính theo giá niêm yết
Chỉ là ước tính — số token thực tế phụ thuộc vào bộ tách token của nhà cung cấp.
GET /api/public/models/openai/gpt-5.2-codexMở @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