はじめに
ある日、下記のような複数のGPT CodexモデルがCursor Settings > Modelsに出現していることに気がつきました。
いつも使っていたCodexの名称の後に「Mini」やら「Low」やら「Fast」といった単語が続いている...。
見るからに複雑そうなのでその時は見なかったことにしたのですが、今回重い腰を上げてこれらが何を意味するのか調べてみました。
「low」「high」「extra high」は推論の概念
公式ドキュメントから以下のような説明がありました。
Specify low, medium, or high for this parameter, where low favors speed and economical token usage, and high favors more complete reasoning. The default value is medium, which is a balance between speed and reasoning accuracy.
low は速度とトークン使用量の節約を優先し、high はより完全な推論を優先します。デフォルト値は medium で、速度と推論精度のバランスを取ります。
OpenAI公式の推論に関する概念として
-
lowは推論精度が落ちる代わりに、速度が早くコストも安い -
highは時間やコストがかかる代わりに、推論精度が高い -
extra highは最高の推論精度
ということがわかりました。
つまりlowやhighは「推論のための強度(推論強度)」ということになります。
low => あまり悩まず即答する
high => 因果関係と検証をしっかりやりながら深く考える
というのがそれぞれの強度に対するアクションです。
OpenAIの公式ではこの「推論強度」のことを「Reasoning Effort」と表現しています。
「Mini」「Max」はOpenAIから発表されているモデル
OpenAIの公式ドキュメントより「GPT-5.1-Codex-Max」の説明をしてくれています。
GPT‑5.1-Codex-Max は、長時間にわたる複雑な作業に対応できるよう設計されています。コンパクションと呼ばれる手法により、複数のコンテキストウィンドウにわたって動作するようネイティブに学習した初のモデルで、単一タスクで数百万トークン規模を一貫して処理できます。これにより、プロジェクト全体にわたるリファクタリング、深いデバッグ作業、数時間に及ぶエージェントループが可能になります。
GPT‑5.1-Codex-Max は「medium」推論設定で、同じ推論設定の GPT‑5.1-Codex を上回る性能を発揮しつつ、思考トークンを30%削減しています。
Maxは通常のCodexからさらに性能を上げたモデルという位置付けみたいです。
性能差で比較すると Max > Mini ですが、コストや速度で比較すると Mini > Max となります。
「Fast」はCursorなどのAI搭載IDEが独自に用意しているモデル
公式ドキュメントなどのソースは見つけられなかったのですが、どうやら「Fast」はAIを搭載しているIDEから独自に出ているモデルのようです。
性能は「通常モデルの倍の速度でタスクを処理してくれるが、かかるコストも倍になる」といった特徴があります。
モデル性能表
以上を踏まえてモデルを性能表にまとめてみました。
| モデル分類名 | タスク完了率 | 応答速度 | コンテキスト長 | ツール有効性 | 総合評価タイプ | 主な用途 |
|---|---|---|---|---|---|---|
| Max 系 | 非常に高い | 中 | 長い | 非常に高い | 精度・能力最優先 | 大規模リファクタ、複雑な設計変更、エージェント作業 |
| Max Extra High | 最高(約82%) | 遅め | 非常に長い | 最高 | 最上位・重量級 | 難易度がとても高い自動修正・長時間タスク |
| Fast 系 | 中 | 非常に速い | 中〜短 | 中〜高 | 速度優先型 | 対話的コーディング、即時補完 |
| Mini 系 | 低〜中 | 速い | 短い | 低〜中 | 軽量・省リソース | 小規模修正、簡単な生成 |
| 基準モデル(GPT-5.1 Codex) | 中 | 中 | 中 | 中 | バランス型 | 日常開発、汎用コーディング |
- タスク完了率:高いほど「指示を理解し、正しくゴールに到達できる」という指標
- 応答速度:ユーザーが指示を出してから 最初の応答が返ってくるまでの体感速度
- コンテキスト長:モデルが一度に保持・理解できる情報量(トークン量)
- ツール有効性:Cursor が提供する ツール(diff、lint、shell、ファイル操作など)をどれだけ適切に使えるかの指標
- 総合評価タイプ:上記の指標を総合したときの モデルの性格・立ち位置を示す説明用ラベル
改めてCursorモデル一覧のCodexモデルとは?
Cursorのmodelsで選択できるCodexモデルは「OpenAIのモデル(MiniとMax)」と「IDE独自のモデル(Fast)」に対して、「推論強度(low・high・extra high)」が合わさったものを選択できるようになっているということでした。
つまり
- GPT-5.1 Codex Max High
- GPT-5.1 Codex Max Low
の2つを例に取ると、同じ人(Maxというモデル)に対して「即答して(Low)」と「ゆっくり考えて(High)」とを命じている違いであるということになります。
まとめると以下のような表になります。
| モデル | 推論強度 | イメージ | 主な用途 |
|---|---|---|---|
| Mini + low | low | 即答係 | 補完・定型処理 |
| Mini + high | high | 小さい脳で熟考 | 軽めの設計 |
| Max + low | low | 賢い即断 | 日常開発 |
| Max + high | high | フルスペック思考 | 難易度MAXの設計・修正 |
より詳細なモデルごとの用途
Apidog様がそれぞれのモデルでより詳細な説明をしてくれていました。
Cursorは、GPT-5.1 Codexの広範なバリアントを提供しており、それぞれが知能、速度、リソース使用量において異なるトレードオフを持つように最適化されています。これらはIDEのモデルセレクタからアクセスでき、トグルで可用性と現在の選択が表示されます。
今回わかった「モデル」と「推論強度」の概念とは別に、CursorはGPT Codexに対してCursor特有の特別な調整を施しているようですね。
CodexをCursorと適合させている
ではCursorは各モデルに対してどのような調整をしているのか?
それはこちらの公式ドキュメントで説明してくれています。
Cursor のエージェントハーネスに含まれる各モデルには、そのモデルを Cursor 環境内で最適化するための専用の指示セットとツールが用意されています。
AI ラボは、新しいモデルをさまざまな種類の指示やツールとともに訓練します。コーディングのような特定のドメインでは、モデルは訓練中にすでに多く見てきたものに近いパターンを好む傾向があります。新しいモデルを Cursor に追加する際の私たちの役割は、Cursor 固有のものに加えて、モデルが慣れ親しんだ指示やツールを統合し、そのうえで Cursor Bench(社内の eval 評価スイート)に基づいてチューニングすることです。
私たちは、成功率、ツール呼び出し能力、そしてユーザー全体での利用状況に基づいて、モデルの品質と堅牢性を評価しています。
OpenAI チームは、Codex CLI ハーネスに合わせてツールやプロンプトを最適化するため、私たちと緊密に連携してきました。
つまり
- Codex系の最新モデル(例: GPT-5.1-Codex-Max)をCursorの強みや特徴と適合させるために、OpenAI側と密に連携して、モデルの調整を加える必要があった
ということが具体例を踏まえて解説してくれています。
調整した結果生まれたのが、現在modelsで選択可能なモデル達なんですね。
最後に
Codexの各モデルに対する理解は、まず「推論強度」と「モデル」について理解しなければならなかったということがわかりました。
また、わかりやすくモデルの説明をまとめていただいていたApidog様に感謝です🙏
ただ結局のところ説明を見ても具体的な利用用途にピンとこない部分もあったので、「どんなケースでどのモデルが優れているのか」というのは、これからも実際に使い続けてみないとわからないなと思いました。
参考
