OpenAI permite que GPT-5.6 Sol delegue el trabajo pesado a los agentes Luna más económicos

Why it matters

Cross-model delegation gives Codex a direct cost and latency control: expensive reasoning can stay with the orchestrator while faster models handle clearly bounded work.

OpenAI ha lanzado la delegación entre modelos para el sistema Multi Agents v2 de Codex, lo que permite que un modelo asigne trabajo a cualquier modelo compatible, incluido GPT-5.6 Luna, Eric Provencher (@pvncher) dijo en un hilo en X el 15 de agosto.

El lanzamiento le da a Codex una jerarquía de modelos práctica: un modelo capaz como GPT-5.6 Sol puede seguir siendo el orquestador mientras envía tareas estrechamente definidas a un trabajador más rápido. OpenAI describe a Luna como el modelo más rápido y de menor costo dentro de la familia GPT-5.6, lo que hace que el enrutamiento sea útil para controlar la latencia y el consumo durante trabajos de codificación con muchos agentes.

Provencher se unió a OpenAI en developer relations después de crear Repo Prompt, una herramienta nativa para macOS para curar el contexto de bases de código y coordinar agentes de programación. Antes de trabajar a tiempo completo en Repo Prompt, pasó cinco años en Unity. Repo Prompt se volvió de código abierto el 13 de junio, y su Community Edition continúa como un proyecto de orquestación de agentes.

Ese antecedente se mapea directamente en la función que Provencher está desplegando en OpenAI. Repo Prompt se construyó alrededor de la separación de planificación, recopilación de contexto e implementación entre agentes especializados. Multi Agents v2 ahora le da a Codex una división de trabajo similar dentro de la línea de modelos de OpenAI.

Sol dirige, Luna ejecuta

Provencher describió a los trabajadores Luna como "pure sub agents". No reciben las mismas capacidades de coordinación entre agentes que los agentes pares y no pueden enviar mensajes ni generar agentes adicionales. Las herramientas de orquestación de Sol siguen disponibles, dejando al modelo padre la responsabilidad de descomponer el trabajo, emitir instrucciones y recopilar resultados.

La distinción importa para la confiabilidad. Un trabajador Luna es más adecuado para trabajos sencillos y acotados con un prompt de inicio explícito, dijo Provencher. Recomendó usar fork_turns: none cuando el trabajador no necesite la conversación del padre y asegurarse de que sus instrucciones iniciales contengan todo lo necesario para terminar la tarea.

Esa configuración permite que un desarrollador use Sol para decisiones que dependen de un contexto amplio mientras reserva a Luna para la implementación mecánica, búsquedas u otros trabajos aislados. El padre sigue siendo responsable de ensamblar el resultado en lugar de permitir que un árbol en expansión de trabajadores se coordine entre sí.

Provencher dijo que la función funciona sin configuración adicional después de que los usuarios actualicen la aplicación, aunque la app de Codex puede recibir funcionalidad antes del correspondiente aumento de versión. Actualmente, los usuarios deben indicarle a Codex que enrute el trabajo de esta manera. El comportamiento predeterminado todavía genera copias usando el modelo del padre, el esfuerzo de razonamiento y la configuración de bifurcación de contexto.

Ese comportamiento predeterminado limita cambios accidentales en el comportamiento, pero también significa que el beneficio de costo no es automático. Una sesión de Sol seguirá creando trabajadores Sol a menos que el prompt diga al orquestador que elija un modelo y un nivel de razonamiento diferentes.

El lanzamiento cierra una brecha visible en el enrutamiento

La delegación entre modelos aborda una limitación que los usuarios de Codex habían documentado a lo largo de julio. En un issue de GitHub presentado el 22 de julio, un usuario que ejecutaba Codex CLI 0.145.0 informó que Multi Agents v2 aceptaba subagentes Sol y Terra mientras rechazaba a Luna como un modelo desconocido. Un issue separado sobre el esquema de spawn encontró que el runtime podía aceptar los campos model y reasoning-effort incluso cuando esos controles estaban ausentes en la definición de la herramienta mostrada al agente padre.

Esas fallas socavaban el argumento económico principal para la orquestación multinivel. Si cada trabajador hereda el modelo padre más capaz, las tareas simples consumen el mismo nivel de modelo que la planificación y la depuración. Exponer la selección de modelo y esfuerzo permite que el orquestador asigne capacidad tarea por tarea.

Provencher dijo que OpenAI se tomó tiempo adicional para hacer que el enrutamiento fuera confiable. También aconsejó no ejecutar más de seis a ocho subagentes, estableciendo un techo práctico por debajo de los grandes enjambres que a menudo se usan en las demostraciones de agentes.

Según Provencher, el predeterminado existente de Codex sigue siendo la opción de mayor rendimiento en las evaluaciones de OpenAI: el padre crea trabajadores con el mismo modelo, esfuerzo de razonamiento y contexto bifurcado. Dijo que esa configuración se ejecuta más lentamente y consume más tokens. El nuevo enrutamiento ofrece a los desarrolladores un segundo modo de operación centrado en la especialización y presupuestos explícitos.

El alcance sigue siendo los modelos Codex respaldados por OpenAI. El anuncio de Provencher no establece un enrutamiento general hacia proveedores de modelos externos. Dentro de la familia GPT-5.6, sin embargo, Codex ahora puede separar el modelo que hace el plan del modelo que lo ejecuta, convirtiendo la elección de modelo en una decisión de orquestación en lugar de una configuración para toda la sesión.