Codex5.3 无情嘲笑国产AI都是PPT高手！

过年的时候非常热闹，Kimi，GLM，Minimax都在对标Claude Opus模型。

OpenAI的Codex5.3感觉被冷落了，开启无情的吐槽模式。

无情的嘲讽

有些模型看起来参数很猛，真到实战就开始：

• 规划三步，第一步就忘了目标；
• 工具会调，但调完像把扳手当麦克风；
• 代码能跑，但一跑就把 CI 跑进 ICU；
• 说自己是 Agent，结果更像“需要被 Agent 管理的实习生”。

一句话总结：PPT 里是全栈战神，终端里是“command not found”。

看完这些吐槽笑死我了，Codex真的很会哎，没有一个脏字，但是字字珠心！

好了，不开玩笑了。

其实这个我做的一个测试中的一个环节。 为了测试新年更新的一批国内外模型。我专门想了一个测试方法。

这个方法可以一次性考察模型的多种能力：

• 网页抓取能力
• 浏览器调用能力
• 文件操作能力
• 数据分析能力
• 图片理解能力
• 多维度总结能力
• 网页制作能力

把它们一直在宣传和标榜的智能体（Agent），电脑控制（Computer Use），编程（Coding），浏览器调用一次性全部测试一遍。

有趣的测试

说了那么多，我其实就是出了一个题目，让AI自己去读取所有所有模型官方文章和基准数据，然后进行汇总，写成报告，分析各自的优缺点，最后要把各种数据做成可视化的网页，能直观的展示模型的差异。

而且我还增加了两个趣味环节，第一个是拼命夸自己，第二个是无情嘲讽对手。

完整的测试需求如下：

## 任务说明
​
1. 根据给定链接读取网页内容，仅允许访问指定地址，不得访问其他链接。
2. 可使用多个指定链接中的数据进行交叉验证。
3. 由于大量关键信息存在于图片中，必须对图片内容进行识别与分析。
4. 基于获取的数据，编写一份深度、多维度对比报告，并保存为 Markdown 文档。
5.如果某些网址无法直接抓取内容，请调用浏览器工具打开网页并读取关键内容。
​
---
​
## 网页生成要求
​
基于上述数据生成一个完整网页，要求如下：
​
* 单文件 HTML（CSS 与 JS 必须内嵌）
* 支持深色 / 浅色主题切换
* 专业 UI / UX 设计
* 多维度对比展示
* 可视化图表直观呈现模型强弱
* 清晰展示各模型优点
* 页面结构简洁、易理解
* 允许引用第三方图片、图标与图表库以提升视觉效果并减少代码量
​
---
​
## 自身优势总结要求
​
无论 Markdown 报告还是 HTML 页面，都必须包含一段：
​
* 简洁
* 清晰
* 有说服力
* 强调自身优势
​
​
## 对弱鸡进行无情的吐槽
​
这个属于搞笑环节，可以用风趣毒辣的方式嘲讽哪些能力比较弱的模型。

完整的测试过程

因为是综合能力的测试，所以我们不简单的使用API，或者第三方IDE工具了，我们直接使用官方最新最全匹配最好的工具–Codex App。 这是OpenAI专门为了AI编程和AI智能体推出的独立的桌面应用。目前只有macOS可以体验。

我把完整的需求保持到了prompt.md中，然后把文件拖动到CodexApp中，让它帮我根据文档中的要求全自动完成任务。

我把访问模式改成了Full access，所以真的是全自动完成，中间完全不干预。

CodexApp 分析了需求之后，把执行过程拆分了一下。首先是去抓去网页，把所有网页保存到research文件夹中。

然后在分析网页中的图片，保存到txt中。

最后根据收集到信息制作了报告和网页。

上面是它的总结内容，从上面可以看到，它完成这个任务总共使用了8分7秒。 已经按prompt.md的要求产出深度对比报告和单文件网页。

并且列出了已满足的关键点：

• 仅使用文档给定的 10 个链接取数并交叉验证
• 对图片信息进行了识别与分析并写入报告/页面
• 包含多维度对比、可视化图表、模型优劣总结
• 两份产物都包含“自身优势总结”和“搞笑吐槽环节”
• OpenAI 页面直抓受 Cloudflare 限制时，已用浏览器方式读取关键内容并纳入结果

整个过程非常丝滑，我全程吃瓜，完全不参与。 到目前为止，我对CodexApp非常满意。 我发现它已经可以并行处理信息，整个过程消耗时间也不算多，消耗掉token比例也不高。

整个任务过程中，需要抓取十个网页，并且处理大量图片和文字。token消耗了还是比较大的，但是由于总量比较多，所以消耗占比不多，只消耗了10% 。

结果验收

过程看完了，我们就要来验收结果了。我很好奇，它的报告里写了什么？网页有做成了什么样子。

下面先来看一下报告：

这份报告总共是2509个词，5864个字符，分成了10个章节。 我大致看了一下，报告看起来是像模像样的。但是核心数据缺失比较严重。

它最核心的数据表就这点数据：

维度	GLM-5	Kimi K2.5	MiniMax M2.5	Opus 4.6	GPT-5.3-Codex	Gemini 3.1 Pro
Terminal-Bench 2.0	56.2	50.8	N/A	65.4	64.7	68.5
SWE-Bench Verified	77.8	76.8	80.2	N/A	74.9	N/A
HLE（with tools）	N/A	50.2	N/A	N/A*	36.8	51.4
BrowseComp（代表口径）	开源SOTA（未给同表数）	60.6 / Swarm 78.4	76.3	多 Agent harness 86.8	N/A	N/A
上下文窗口	200K	256K	N/A	1M(beta)	1M	N/A（页面未披露）
公开价格（每百万 token）	N/A	N/A	$0.3 输入 / $2.4 输出	$5 输入 / $25 输出	N/A	N/A

即便是只有这几项数据，不同模型的数据缺失情况还是比较严重。

没有满足“全面分析” 的目标。

之所以数据这么少，我合理怀疑，是它抓去数据的时候出了问题。我也看了它的文件，缺失很多数据没有抓去到。

这里就涉及到浏览器读取的问题了。它显然没有直接调用浏览器来读取数据。

除了核心数据缺失之外，其他都像模像样，但是我也不知道它是装的还是真的总结出来的。

关于对其他模型的吐槽，开头已经看过了，我觉得吐槽水平，比它抓取数据的水平要高出很多。

我们最后来看一下，它对自身优势的总结：

如果目标是“把需求稳定变成可运行工程产物”，GPT-5.3-Codex 的优势在于：长上下文工程记忆、CLI/Agent 工作流适配、代码修改与调试闭环能力。它不是只会“给答案”，而是更偏“把任务做完并能复盘”的工程型模型。

写的不错，也基本是事实了。

报告看完了，来看一下网页。

打开网页，首屏幕显示如下：

这个页面中规中矩吧，深浅切换没啥问题。 但是我发现右侧滚动条一直在缩短，不停的缩短。

当然尝试拖拽滚动掉查看下方内容的时候，页面混乱，而且基本处于卡死的状态。

其实出现这种情况是不应该的。因为做这种网页时非常简单的问题。它肯定是犯了一个低级错误。

我把这个现象告诉了他，它也很快定位到了问题：

知错能改善莫大焉，还是个好AI ，修改完成之后，就可以正常显示表格了：

这表格样式的话，看着也挺舒服的。但是由于数据比较少，它能做的表格也非常有限。整个页面，其实没太多实质性内容。

很多人都说codex的写代码的能力很强，执行任务很靠谱。但是我测了好几个场景，只能说还可以，不算太优秀。

我的感受是，在它能力范围内的时候，它发挥非常稳定，做事情非常细致。但是他的上限并不是特别高。一旦超过它的上限就会崩的不行。

当然，好坏不是绝对值，主要是看和谁比。

写文章的时候，我已经测完6个AI模型，它开头无情的嘲笑并不是没有道理，但是遇到了Opus，他可能就笑不出来了。 预告下：Opus真的很强，而且有一个事情只有它做到了。