GPT-6 Astra 性能强劲但价格昂贵，20美元/月的 ChatGPT Plus 订阅额度极易耗尽；GPT-6 Sol 定位中端；而 GPT-6 Luna 则是新晋的性价比之选。由此衍生出“GPT-6 Luna + Jev”的高性价比模型调度方案：将常规任务交由 GPT-6 Luna 处理，利用 Jev 模型作为路由裁判，仅在处理复杂任务时调用 GPT-6 Sol，从而大幅提升 Token 额度利用率。
GPT-6 Luna 在 ChatGPT Plus 套餐中的额度比 GPT-6 Sol 高出一个数量级。以下为 OpenAI 官方公布的各套餐每 5 小时消息数额度估算：
|
|
|
|
|
|---|---|---|---|
GPT-6 Astra |
|
|
|
GPT-6 Sol |
|
|
|
GPT-6 Luna |
350～3,000 | 1,750～14,000 | 7,000～56,000 |
数据显示，ChatGPT Plus 用户每 5 小时可使用 Luna 发送 350-3000 条消息，而 Sol 仅为 15-150 条，相差约 20 倍。需要注意的是，网传的“Luna 每百万 token 仅需 0.10 美元”为 API 价格，订阅套餐额度请直接参考上述表格。
在编码能力方面，Luna 与 Sol 的差距较小。根据 OpenAI 官方 DeepSWE v1.1 评测，Luna max 推理强度得分为 66.6%，Sol max 为 68.8%。
因此，将默认模型替换为 Luna 处理常规任务，复杂任务切换回 Sol，可显著节省 Token 额度。
GPT-6 Luna 高效使用方案
青铜级：手动切换默认模型（零配置）
最基础的方式是手动切换。在 ChatGPT 的 Codex 界面中，将模型选择器的默认模型从 GPT-6 Sol 更换为 GPT-6 Luna。
若需永久生效，可在 Codex 配置文件 config.toml 中设置 model = "gpt-6-luna"，或直接向 Codex 发送提示词：“帮我把默认模型改成 gpt-6-luna”。
白银级：配置自定义子智能体（半自动）
手动切换会导致所有任务默认使用 Luna。为实现“复杂任务使用 Sol，简单任务使用 Luna”的最佳调度，可配置子智能体。在 ~/.codex/agents/ 目录下新建 TOML 文件，配置如下：
name = "scout"
model = "gpt-6-luna"
model_reasoning_effort = "high"
sandbox_mode = "read-only"
随后在项目文档 AGENTS.md 中添加说明，指示 Codex 将读取代码、查找文件等轻量任务优先分配给该子智能体。
或直接发送以下提示词让 Codex 自动配置：
创建一个自定义子智能体。在 ~/.codex/agents/ 目录下新建一个叫 scout.toml 的文件，模型用 gpt-6-luna，推理强度 high，沙箱模式 read-only。然后在当前项目的 AGENTS.md 里加一段说明，把读代码、查文件、初步调研的任务优先派给这个子智能体，复杂逻辑和架构决策留在主线程处理。
配置完成后可使用 /agents 命令确认。OpenAI 官方建议主线程使用 GPT-6 Sol，Luna 作为轻量子智能体。
黄金级：引入 Jev 实现自动路由（全自动）
为实现全自动的任务分级与模型路由，可引入 Jev 模型。GitHub 上有多个相关开源项目，如 jev-router。
jev-router 通过透明代理拦截请求，调用 Jev 评估任务难度（简单/中等/复杂/重量级），并自动路由至对应模型。路由决策及置信度会实时显示在终端。
安装与配置命令如下（需 Node.js 20.12+ 及 TypeSafe API Key）：
npm install -g jev-router
echo "JEV_API_KEY=你的 API Key" > ~/.jev-router.env
启动时使用 jev-codex 替代 codex，并使用 $jev-explain 命令查看单轮路由详情。亦可发送以下提示词由 Codex 自动完成安装：
运行 npm install -g jev-router 安装 jev-router，然后在我的 home 目录下创建 .jev-router.env 文件，里面写上 JEV_API_KEY=（你的 API Key）。安装完成后告诉我怎么用 jev-codex。
通过手动切换、配置子智能体或引入 Jev 自动路由，用户可根据自身需求灵活调度 GPT-6 Luna 与 GPT-6 Sol，在保证任务质量的同时，最大化 Token 额度的使用效率。