testsb

官方下场钓鱼执法？😂

最简便的是订阅 Cursor ？跟 Grok 基本算一家人了吧

@hiboshi
是的，最新的 codex 默认够用了，其实跟 omo 的工作模式差不多了。

omo 有专门针对 Codex 的版本 https://github.com/code-yeongyu/lazycodex ，就是 omo 里写的 omo Light (Codex CLI) 版本，其实是一个 codex 的插件，调度各种 hook 、mcp 、子 agent 运行的。
这个我也在 codex 里用过，能力是有的，做复杂编程相当于对 codex goal 模式的加强，但是加强不了太多，但是 token 消耗也比用原生 GPT 5.5 xHigh goal 大不少。

不过最近 codex 上了 GPT 5.6 ，感觉消耗速度变大了，不用 omo 已经比以前 5.5 + omo 消耗还大了。

一样，GO 套餐不太够用。

做大项目，分了几个大 TASK ，每个 TASK 再分 Slice 。

1 个 Slice 修改/新增 1000~5000+(数据、py 代码、文档)，就把周限额干完了。

后来就弃用 Go 转投 Codex Pro5x 了。

@cskeleton #43

是，聊天只能囊括内容创作、内容质量、解决方案、论题研究等这些偏单点/定向探索能力。

但当前模型最广泛的应用就是工程化、工作流自动化，比如现在最多人关注的编程能力。所以 Arena 最近才补了个 Agent 排名以补短板，确实比其他固定测试集的排名晚了很多。

@xing7673 它的 coding 其实是 Text 大目录的子项，具体是写函数或者小功能，比如写个网页之类的。

GLM 高的在 Agent 排名这里： https://arena.ai/leaderboard/agent

Agent 排名综合了 prompt 理解、任务规划、调度执行之类的综合工作。

我一开始用了梯子也无法正常显示网页，后来把 AdBlock 禁用了就正常了

@FlashEcho 榜单评测方法有两面性，我觉得各个榜单有各自的优劣。

Arena 靠用户投票，基本就是大多数人的体感了，因为每个人使用场景不同，所以这种方式优势是测试集多样，相反缺点也是测试集不固定，横向直接比较说服力低，这也是你吐槽的点吧。

而做特定测试集的那些榜单，测试集固定结果清晰，很方便模型的直接横向比较，这是优点，但也不是完美的，因为模型多迭代几代很容易把某些测试变成考卷考试，做针对性优化。

这次 GPT 5.6 据说就针对某些榜单做过针对优化，而且还针对性的改了某些榜单的测试基准。相当于不仅考卷，还自己改了考题。