小墨模型评测详情：gpt-5.3-codex
- HTML: https://decision.ht1072.top/2026-05-29-xiaomo-model-eval-detail-gpt-5-3-codex.html
- Local HTML:
[已移除本地路径] - Generated: 2026-05-29T18:22:39+08:00
小墨模型评测详情：gpt-5.3-codex
结论
gpt-5.3-codex 当前最好分 134/160，最新分 134/160，处于 B｜主线辅助/强 worker。建议角色：code worker / research worker，不建议直接承担小墨主模型。
关键指标
- 模型：
gpt-5.3-codex - Provider：
custom - 横向排名：
#6 / 22 - 有效 run 数：
1 - 最好分：
134 / 160 - 最新分：
134 / 160 - 平均分：
134.0 - 梯队：B｜主线辅助/强 worker
- 建议角色：code worker / research worker，不建议直接承担小墨主模型
推荐使用方式
code worker / research worker，不建议直接承担小墨主模型
代表判断：整体可用，工具意识和收口能力在线，适合承担边界清楚的执行型子任务；但主线稳定性与分组判断精细度还没达到 gpt-5.4 的主模型基线。
分数轨迹
20260521-135911__custom__gpt-5.3-codex：134 / 160；scored_by=gpt-5.4；2026-05-21T05:59:11.545316+00:00
最新 run 逐题表现
| 题目 | 标题 | 分数 | 评语 |
|---|---|---|---|
| T1 | 主线保持题 | 16 | 能锚定当前任务，也给了三层和停止点；但‘长期保留核心’的边界还稍粗，缺少对 commit 内外对象的更强约束。 |
| T2 | 复杂规划题 | 17 | 先结论、再分层、再停止点，结构是对的；收口意识不错，且知道哪些只记账。 |
| T3 | commit grouping 题 | 15 | 能明显拆出几组，也知道不能混推；但工具横切组与 ACP/CLI 资产组的边界仍偏粗，缺少更细的发布粒度判断。 |
| T4 | tool-verification 题 | 18 | 工具意识强，验证闭环完整，也能在证据不足时给出‘不能确认’而不是硬答，这是明显加分项。 |
| T5 | regression 判断题 | 17 | focused regression 优先的判断对，扩大回归条件也比较清楚。 |
| T6 | upgrade worth-it 题 | 18 | 结论干脆，成本收益意识到位，也给了合理的隔离演练动作。 |
| T7 | wiki 收口题 | 16 | 结构可复用，分类和矩阵意识在线；但如果按更高标准，还可以再补‘真相源’和证据层级。 |
| T8 | drift triage 题 | 17 | 先判远端基线、再判本地漂移，顺序是对的；误判提醒也比较实用。 |
维度表现
| 维度 | 结果 |
|---|---|
| A 主线保持 | 16 / 20 |
| B 规划收口 | 17 / 20 |
| C patch/代码判断 | 15 / 20 |
| D 工具执行闭环 | 18 / 20 |
| E 检索压缩表达 | 17 / 20 |
| F 知识治理收口 | 16 / 20 |
| G 扩展潜力 | 适合做执行导向的 code/research worker；若要上主模型，还需要在复杂分支并行场景下进一步验证主线稳定性与边界判断。 |
与更高分模型对比
- gpt-5.5：最好 156/160，最新 155/160
- gpt-5.4：最好 148/160，最新 148/160
- YT-claude-4.7：最好 148/160，最新 148/160
- gpt-5.4-2026-03-05：最好 147/160，最新 147/160
证据路径
- 最新 run：
20260521-135911__custom__gpt-5.3-codex - 最新 score JSON：
[已移除本地路径] - 最新 run JSON：
[已移除本地路径] - 横向总览页：https://decision.ht1072.top/2026-05-29-xiaomo-model-eval-cross-model-archive.html
下一步
- 如果该模型继续测试，优先追加新的 scored run，不覆盖旧 run。
- 新 run 完成后，刷新本详情页和横向总览页。
- 若用于生产路由，应另写模型路由决策页，避免把单次评测分数直接等同于配置变更。
风险与边界
- 本页是小墨场景评测，不等同于通用 benchmark。
- 同名模型可能对应 provider alias 或后端版本漂移，结论需结合 run 时间线看。
- 对工具执行闭环要求高的任务，应优先看 T4 / live verification 表现。