GPT-5.5 Codex 推理强度实测：low、medium、high、xhigh 到底差在哪？

你用 GPT-5.5 Codex 写代码的时候，有没有纠结过该选哪个推理强度？low、medium、high、xhigh，这四个选项摆在面前，到底哪个最适合日常使用？网上众说纷纭，有人说 low 就够了，有人说必须拉满 xhigh，还有人担心高推理强度会「过度思考」反而写出烂代码。

stet.sh 的作者做了一个实验：在同一个开源仓库 GraphQL-go-tools 上，用 GPT-5.5 Codex 的四个推理强度分别跑了 26 个真实合并过的 PR，然后从多个维度对比了结果。这篇文章就是他的实验报告。

先交代背景：GraphQL-go-tools 是一个 Go 语言实现的 GraphQL 工具库，涉及 schema 解析、联邦查询、gRPC 数据源、订阅处理等复杂场景。26 个 PR 涵盖了并发安全修复、输入校验重构、别名语义处理、AST 合并优化等不同类型的任务，比跑几个算法题要有说服力得多。

实验不是简单地看测试过没过。作者设定了五个评价维度：

1. 测试通过率：最基本的指标，patch 能不能让现有测试通过。
2. 语义等价性：AI 提交的 patch 是否实现了和人类提交者相同的意图。这个比测试通过率更严格，因为测试可能覆盖不全。
3. 代码审查通过率：用 GPT-5.4 作为评审模型，判断人类审查者会不会接受这个 patch。
4. 代码质量评分：从清晰性、简洁性、一致性、意图明确性、健壮性、指令遵守度、范围约束、diff 精简度八个子维度打分。
5. 足迹风险：AI 相比人类提交者多触碰了多少代码。触碰越多，审查负担越重，引入 bug 的风险也越大。

Low 和 Medium：测试平手，质量悬殊#

最让人意外的一个发现是：low 和 medium 在测试通过率上打成平手，都是 21/26（80.8%），但语义等价性差了整整 15 个百分点（15% vs 42%）。

这意味着如果你只看「测试过没过」这个指标，你会得出「low 和 medium 一样好」的结论，然后心安理得地省钱用 low。但如果你坐下来认真读那些 patch，你会发现 medium 写的代码质量明显更高。

举个例子，PR #1297 要求 Agent 在 GraphQL Federation 中验证可以为 null 的外部依赖。如果一个可空字段返回 null 且带有 error，依赖它的下游查询不应该收到被污染的数据。low 的方案虽然通过了测试，但它用的是启发式的字段匹配，看到 required 字段加 error 就拦截，完全没有理解 Federation 的 nullable metadata 结构。medium 则明确追踪了被污染的对象，在下游输入中正确过滤。

用作者的话说：low 在猜，medium 在建模。

High：性价比甜点#

从中等强度提到 high 档，变化是全方位的：

成本涨了 43%，但语义等价性涨了 64%，代码审查通过率直接翻倍。High 是那种「多花的钱真的值」的档位。

PR #1209 的任务是在 gRPC 数据源中支持 GraphQL 别名：把用户写的别名一路传导到 JSON 输出，并且验证 protobuf 消息类型。low 和 medium 都通过了测试，但都没有真正完成这个任务。low 压根没处理别名语义，medium 处理了别名序列化但漏掉了 mutation 映射。只有 high 第一次做到了等价且可审查，它引入了显式的 response-key/alias 处理逻辑，在整个链路中正确传递了别名。

PR #1155 更有戏剧性。这个 PR 要求加固 gRPC 数据源的多个生产边界：支持重复的标量字段、防止空指针 panic、传递 gRPC 状态码、支持动态客户端。low 和 medium 测试全绿，但不等价。high 做到了等价且通过审查。xhigh 反而翻车了：测试通过了，但等价性和审查都没过，因为它在 disabled datasource 和 invalid-list 的处理上出了错。

这个反转很值得注意：更高的推理强度不等于更好的结果。

Xhigh：质量模式，不是默认选择#

xhigh 是实验中最贵的档位，平均每个任务花费 $9.77，是 high 的 2.18 倍。它值得吗？分场景。

xhigh 在语义等价和代码审查上明显更强，但测试通过率反而下降，成本翻倍还不止。这不是一个「无脑拉满」的选项。

什么场景适合 xhigh？作者提到了 PR #1076，这是一个并发安全修复：重构订阅处理逻辑，用 per-subscription 序列化写入替代共享锁，加上心跳控制、竞态检测和正确的 WebSocket 关闭语义。只有 xhigh 严格通过了所有指标，high 做到了等价但不通过审查，因为 worker 队列可能阻塞全局事件循环。

另一个例子是 PR #1308，要求实现 GraphQL 输入对象：添加内置指令、通过 introspection 暴露、验证操作字面量和运行时变量。medium 和 high 测试都过了但不等价，xhigh 是唯一严格通过所有维度的档位。

总结一下 xhigh 的特征：它更适合那些歧义性高、跨模块、并发复杂、审查要求严的任务。日常 CRUD 用它就是浪费钱。

代码质量不只是「功能正确」#

最让我欣赏这个实验的地方是它引入了「代码质量」的多维度评分。传统 benchmark 只关注任务完成与否，但日常开发中，我们不仅关心代码能不能跑，更关心它好不好维护。

八个维度的评分如下（满分 4 分）：

数据很清楚：从 low 到 xhigh，几乎所有维度都在提升。最显著的改进在健壮性（1.62 → 3.07，接近翻倍）和指令遵守度（1.70 → 3.13）。这说明推理强度越高，AI 越不容易漏掉细节、边界条件和隐性需求。

不过 xhigh 在「范围约束」和「diff 精简度」上的提升幅度较小。xhigh 倾向于触碰更多代码，平均足迹风险 0.365，比 high 的 0.314 高出不少。但这不是坏习惯，数据表明多出来的代码主要是测试、fixture 和预期输出文件，而不是乱改生产逻辑。你可以理解为：xhigh 在补测试。

对我的启示#

这篇文章不仅是数据报告，它还揭示了一个被 benchmark 忽略的核心问题：测试覆盖率不等于代码质量。

SWE-bench 这类主流 benchmark 只看测试是否通过，一个二元的过/不过信号。但真实世界中，一个能过测试的 patch 可能充斥着 hack、绕过设计、硬编码假设。你当然不会把它合进主干。

那怎么办？作者的答案是：让 Agent 自己测试和优化自己的配置。这恰恰是他做的产品 Stet 在做的事：在团队自己的代码库上，用历史的真实 PR 来评估 Agent 在不同设置下的表现，然后让 Agent 自动调整配置。

我自己的实践经验也验证了这个结论。日常开发中，high 是最实用的默认档位。遇到需要跨模块理解、涉及并发安全、或者审查要求高的任务，再临时切到 xhigh。至于 low 和 medium，除非你在做一个明确简单的小改动且极度在意成本，否则不推荐。

最后说一句：这篇文章的数据量不大（26 个任务、单次运行），不能当作统计显著的结论。但它提供了一种审阅代码的思路，而不仅仅是看测试灯的颜色。这才是这篇文章最大的价值。

参考来源：GPT-5.5 low vs medium vs high vs xhigh: the reasoning curve on 26 real tasks — stet.sh, May 2026