重要任务就该开启 Ultra？这是我使用 GPT‑5.6 Sol 最久的误区

任务越重要，越应该把 GPT‑5.6 Sol 的推理能力开到最高——这个看起来非常合理的判断，曾经让我在一个规划任务上等了一个多小时。

后来我才意识到：选择推理强度时，真正应该关注的不是“任务有多重要”，而是“当前阶段还剩多少未知”，以及“任务是否适合拆成多个独立方向并行探索”。

一次迟迟无法结束的规划

前段时间，我让 Codex Desktop 里的 GPT‑5.6 Sol 帮我规划一个重要任务。

因为任务比较复杂，我几乎没有犹豫，直接开启了 Ultra。我的逻辑很简单：重要任务当然应该让最强的模型投入最多计算，先把所有问题想透，再开始执行。

结果却和预想完全不同。

Sol 分析完需求，开始检查架构；检查完架构，又继续研究边界条件、替代方案、潜在风险和验证路径。一个问题刚分析清楚，它又发现了另一个值得调查的问题。

原本只是想得到一份可执行方案，最后却逐渐变成了一场范围不断扩大的研究。一个小时过去，它还在规划。

期间我反复提醒：

• 不要过度思考；
• 尽快收敛；
• 先完成当前任务；
• 不要继续扩大范围。

这些提示能够短暂改变方向，却没有真正解决问题。过一会儿，模型又会找到一个看起来很合理的新问题，然后继续搜索、比较和验证。

这个问题困扰了我很久。现在回头看，问题不是 Sol “想太多”，而是我给它选择了一种鼓励广泛探索的工作模式，却期待它像执行者一样快速结束讨论。

先澄清：max 和 Ultra 不是同一个概念

在讨论如何选择档位之前，必须先把两个容易混淆的概念拆开。

根据 OpenAI 当前的 GPT‑5.6 文档，API 中的 reasoning.effort 支持：

推理强度	典型取向
none / low	更关注延迟，减少额外推理
medium	默认的平衡起点
high / xhigh	当更多推理能够带来可测量的质量提升时使用
max	面向最困难、质量优先且需要更多探索与验证的任务

也就是说，API 推理强度的最高档是 max，而不是 Ultra。GPT‑5.6 Sol 的模型页也明确标注，medium 是默认值。

Ultra 则是 Codex 中的一种工作模式。OpenAI 在 GPT‑5.6 指南中介绍 Multi-agent 时，将它描述为与 Codex Ultra 类似：由一个模型协调多个子 Agent，并行处理相对独立的工作流，再综合结果。这类方式适合能够被清晰拆分的复杂任务，可能缩短墙钟时间，也可能提高最终质量。

因此，更准确的理解是：

reasoning.effort 主要控制单次请求投入多少推理；Ultra 还可能改变任务的执行形状，让探索从一条路径扩展成多个并行工作流。

这也是我之前判断失误的关键。我把 Ultra 当成了“比最高推理档再高一点”，却忽略了它还可能扩大横向搜索范围。

任务重要性，不等于推理强度

过去我的判断方式只有一个维度：

任务越重要，推理档位越高。

但在实际开发中，任务的重要性和任务的不确定性并不是一回事。

一个任务可以非常重要，但如果目标、修改范围、接口、实施步骤和验收条件都已经明确，接下来的核心工作就是忠实执行，而不是继续探索设计空间。

反过来，一个看似普通的 Bug，也可能涉及并发、缓存一致性、历史兼容或难以复现的状态问题。任务规模虽然不大，执行过程中却充满未知，它反而需要更强的推理。

所以，我现在会先问两个问题：

1. Sol 现在是在做决策，还是在执行已经做好的决策？
2. 剩余问题是一条需要深入的路径，还是多个可以独立调查的方向？

这两个问题比“任务重要吗”更能决定应该选择什么模式。

为什么 Ultra 特别容易让规划范围扩大

设计任务天然适合被拆分：

• 架构方案可以单独研究；
• 数据流和接口可以单独研究；
• 风险与边界条件可以单独研究；
• 迁移方案可以单独研究；
• 测试和验证路径也可以单独研究。

如果这些方向确实都需要深入调查，Ultra 的并行能力会非常有价值。

但如果目标只是尽快形成一份“足够可靠、可以开始执行”的方案，过宽的探索就会产生一个副作用：每个方向都可能发现新的问题，新问题又会触发更多调查，最终让规划迟迟无法收敛。

这不是 Ultra 做错了，而是任务形状和工作模式没有匹配。

任务形状	更合适的选择	原因
目标和路径明确，只需实现与验证	medium 起步	重点是稳定执行，而非继续扩展设计空间
实现中仍有关键未知	high 或 xhigh	需要在落地过程中持续判断
极难、质量优先，需要更多验证	max	愿意用延迟和成本换取进一步探索
多个方向相对独立，而且确实都值得调查	Ultra	能够并行拆分并综合多个工作流
问题彼此强依赖，需要频繁共享中间结论	单 Agent 顺序推进	并行拆分可能带来重复调查和协调成本

这张表不是 OpenAI 规定的固定搭配，而是我结合官方原则和个人开发经历总结出的选择框架。

为什么“不要过度思考”通常没用

想明白任务形状之后，我也终于理解了为什么反复提醒“不要过度思考”效果有限。

一方面，我通过 Ultra 告诉系统：这是一个值得投入大量探索、可以并行展开的复杂任务。另一方面，我又在提示词里要求：不要展开，尽快停止。

这就像一边踩油门，一边对汽车喊“开慢一点”。

更重要的是，“不要过度思考”并没有告诉模型：

• 哪些问题值得继续调查？
• 最多比较多少个方案？
• 什么样的新发现会改变核心决策？
• 哪些问题只需记录，不应在当前阶段展开？
• 达到什么条件后，规划就算完成？

“少想一点”只是一种愿望，“达到这些条件后停止”才是一条可执行的规则。

我现在使用的“收敛协议”

对于重要的规划任务，我现在会明确告诉 Sol：目标不是穷尽所有可能性，而是在证据充分后形成可靠决策。

可以直接使用下面这段提示词：

这是一个重要且复杂的设计任务，需要充分分析，但目标是形成可靠、可执行的方案，而不是穷尽所有可能性。

1. 先识别真正影响核心决策的变量。
2. 最多深入比较 2～3 个存在实质差异的方案。
3. 发现新问题时，先判断它是否有较大概率改变核心设计；不会改变的，记录为后续事项，不在本轮展开。
4. 当现有证据足以支持一个明显更合适的方案时，立即收敛。
5. 输出最终方案、关键取舍、风险、验证方式和剩余不确定性，然后结束规划。
6. 当前阶段只完成设计，不执行实现，也不主动扩大到非必要重构。

这段提示词里，最关键的不是“最多比较三个方案”这样的数量限制，而是一个判断条件：

继续思考，是否有较大概率改变最终方案？

如果答案是肯定的，继续调查值得投入。如果只是可能找到一种更优雅的写法、多补充一个不会影响决策的边界情况，或者再次确认已经充分的证据，就应该把它记录下来，进入执行阶段。

我的默认工作流：让推理预算随未知变化

我以前的工作流是：重要任务直接 Ultra，然后等待模型自己结束。

现在，我更倾向于把规划、执行和异常分析拆开，为每个阶段选择合适的推理预算。

我的默认思路是：

• 规划阶段：需要做高价值取舍时，提高推理强度；
• 执行阶段：方案已经明确时，从 medium 开始；
• 异常阶段：出现真实未知时，切换到 high 或 xhigh；
• 重新规划：只有关键设计假设被推翻，才回到高强度规划；
• 并行调查：只有多个独立方向都值得研究时，才考虑 Ultra。

关键不是死记某一套组合，而是让推理预算随着“剩余未知”动态变化。

如果通过 API 使用，应该怎样设置

在 Responses API 中，推理强度通过 reasoning.effort 设置。下面是一个以 medium 为起点的简化示例：

from openai import OpenAI

client = OpenAI()

response = client.responses.create(
    model="gpt-5.6-sol",
    reasoning={"effort": "medium"},
    input="按照已经确认的设计方案完成实现，并运行测试验证。不要扩大修改范围。",
)

print(response.output_text)

如果评测表明更多推理能够显著提高成功率，可以把 effort 调整为 high、xhigh 或 max。不要仅凭“这个任务很重要”就默认选择最高值。

需要特别注意：API 中设置 reasoning.effort: "max"，并不等于开启 Codex Ultra。Ultra 涉及并行子 Agent 的任务协调，是另一层执行机制。

不要只比较首次响应速度，要比较总交付时间

medium 通常更快，但不代表它在所有任务中都更高效。如果较低推理强度导致首轮频繁出错，后续需要多次返工，最终耗时可能反而高于 high。

更合理的指标是：

总交付时间 = 首次执行时间 + 修复返工时间 + 人工干预时间

可以从自己的真实项目中选择几类代表性任务，分别测试不同配置：

指标	记录内容
首次完成时间	从开始执行到首次给出完整结果
一次通过率	测试、构建或验收是否首次通过
人工纠正次数	需要多少次补充说明或改变方向
范围扩张	是否修改了任务之外的文件或设计
返工时间	修复错误和撤回多余改动的时间
总 Token 与成本	更高推理投入是否带来足够收益

OpenAI 的官方建议也是从代表性任务出发做比较，而不是假设最高推理强度永远是最佳选择。对于 GPT‑5.6，medium 是平衡起点；只有更多推理能带来可测量的质量增益时，才升级到更高档位。

什么时候我仍然会开启 Ultra

我现在不再默认使用 Ultra，但这并不意味着 Ultra 没有价值。下面这些任务仍然很适合它：

• 需要同时研究多个相对独立的技术方案；
• 大型代码库中，不同子系统可以独立审查；
• 需要并行调查性能、安全、兼容性和测试策略；
• 多个候选实现可以独立验证，最后统一比较；
• 单个方向耗时很长，而并行处理确实能够缩短墙钟时间。

我通常不会为以下任务开启 Ultra：

• 修改位置和验收标准已经明确；
• 只需要实现一个局部功能；
• 问题之间存在很强的顺序依赖；
• 当前最重要的是控制范围，而不是扩大探索；
• 没有明确的综合标准，多个分支即使完成也难以比较。

一个很实用的判断句是：

如果我不能清楚说明要并行调查哪几个独立方向，那我大概率还不需要 Ultra。

总结

我使用 GPT‑5.6 Sol 最久的误区，不是高估了模型能力，而是把“重视任务”错误地表达成了“给它最大的推理预算”。

真正重视一个任务，应该把计算资源放在最有决策价值的地方：

1. 需要做决定时，提高推理强度；
2. 决定完成后，转向稳定执行；
3. 遇到关键未知时，再提高推理；
4. 关键假设被推翻时，重新规划；
5. 多个独立方向确实都值得调查时，再使用 Ultra；
6. 达到验收条件后，及时停止并完成交付。

Sol 的能力已经强到，真正的问题不再只是怎样让它想得更深，而是怎样为每个阶段分配合适的推理预算，并让它在正确的时间开始交付。

参考资料

1. OpenAI：GPT‑5.6 Sol 模型页
2. OpenAI：GPT‑5.6 模型使用指南

---