Codex 模型对比图怎么读：坐标轴、分数含义与计算方式
社区流传的 Codex 模型对比图把 GPT-5.5-high、GPT-5.4-high 排在前列，但很多人点进去只认识字、读不懂图。这篇文章拆解这类图表的基本读法：-high 是什么、横纵轴各表示什么、分数为何不等于「智力」、通常怎么算出来，以及选型时该核对哪些细节。
一张对比 Codex 可用模型的图在社区里流传，排在前面的组合写着 GPT-5.5-high、GPT-5.4-high 这样的名字。图被转到群里之后，提问几乎都集中在同一处：这图是谁做的、横轴竖轴各代表什么、那个数字是不是「智力」、又是怎么算出来的。看得懂坐标轴的人觉得一目了然，看不懂的人则「字都认识，连起来不知道在说什么」。
与其争论某张图准不准，不如先弄清楚这类 Codex 模型对比图在测什么、该怎么读。下面按「名字 → 坐标轴 → 分数 → 算法 → 怎么用」的顺序拆开讲。图中的具体数值和口径以该站点当前的说明页为准，不同平台的实现细节并不统一。
先看懂名字：-high 不是模型名的一部分
排行榜上出现的是「模型 + 推理强度档位」的组合。同一款模型通常可以调不同的思考预算，常见档位有 low / medium / high，部分产品还会提供更极端的档位。
这一点非常关键：
GPT-5.5-high指的是某款模型在最高一档推理强度下的表现，不是另一款独立模型。- 同一模型不同档位之间的差距，有时比不同模型之间的差距还大。
- 档位越高，单次响应越慢、消耗的 token 越多，成本也越高。
所以看到「A-high 打赢了 B-high」时，不能直接推出「A 比 B 强」——还要问一句：那 A-low 和 B-low 呢？
横轴竖轴分别代表什么
这类散点图/折线图的两轴，绝大多数情况下是「代价」对「效果」：
| 位置 | 常见含义 | 怎么读 |
|---|---|---|
| 横轴 | 单次任务成本、耗时、输出 token 数 | 越靠左越便宜/越快 |
| 纵轴 | 综合得分（通过率、胜率等） | 越靠上越好 |
| 点的大小/颜色 | 样本量、方差、置信区间 | 点小往往意味着样本少 |
| 连线 | 同一模型不同档位的轨迹 | 反映「加钱能换来多少提升」 |
如果没有图例，先去找站点的方法说明页，而不是靠猜。常见的误读是把横轴当成「时间先后」或「模型代数」，从而得出「越新越强」的结论——这恰好是这类图最不擅长表达的信息。
还有一个实用技巧：看左上角的边界。所有点里，没有被别人同时做到「更便宜且更高分」的那些点组成一条前沿曲线，通常称为帕累托前沿。真正值得选的就是这条线上的候选，至于挑哪一个，取决于你的预算和延迟容忍度。
分数代表什么：任务通过率，不是智力
把纵轴叫作「智力」是最容易产生误解的说法。这类分数通常来自一组固定任务上的表现统计，比如：
- 给定代码仓库和一个问题，看改完之后内置测试能不能通过；
- 给定需求，看生成结果是否满足若干可自动判定的检查项；
- 由另一个模型充当裁判做偏好打分。
它衡量的是「在这套题上做对了多少」，而不是通用推理能力。换一套题目、换一种判定方式，排名完全可能变化。所以更准确的读法是：在这类任务上，这个配置的性价比如何，而不是「谁更聪明」。
这类分数通常是怎么算出来的
各家细节不同，但流程大同小异，了解骨架能帮你判断可信度：
- 固定任务集：题目、初始状态、判定脚本全部冻结。
- 固定运行条件：同一个档位、同样的超时时间、同样的重试次数。
- 重复多次：同一题跑 N 次取平均，或统计「N 次里至少对一次」的比例。
- 分类加权：按难度或题型加权汇总，避免简单题拉高总分。
- 归一化：把原始通过率映射到便于比较的区间。
值得核对的几个点：
- 样本量多少：几十道题的差距，很可能落在噪声里。
- 判定方式：自动化测试比模型打分稳定；用模型当裁判时，注意它可能偏爱某种风格的输出。
- 超时算不算失败：高推理档位容易被超时截断，这条规则会直接影响排名。
- 成本口径：是否把失败重试、上下文缓存都算进去。
- 更新日期：模型和 harness 都在变，半年前的榜参考价值有限。
用排行榜做选型的检查清单
把图当参考而不是答案，按下面的清单过一遍再决定：
- 榜单里有没有和你任务同类的子项分数？总分高不等于你的场景强。
- 差距是否明显大于图中标注的波动范围？差距小于噪声时视为持平。
- 延迟是多少？高推理档位在交互式补全、边写边改的场景里可能难受到无法用。
- 成本怎么算？档位提高带来的开销是否线性增长，预算能不能撑住日常使用。
- 能否拿到失败样本？看它错在什么地方，比看总分有用得多。
几个容易被忽略的坑
数据污染。公开题目一旦长期存在于训练语料里，分数会虚高。优先相信题目不公开、或定期换题的评测。
只测最高档。榜单往往只展示 high 档的结果，而日常使用中 medium 甚至 low 的性价比可能更好。选型时要按你真正会用的档位去比。
把名次当结论。「第一名」和「第三名」之间可能只差一两道题，宣传语里却会被放大成代差。
忽略任务分布。偏前端的题、偏重构的题、偏运维脚本的题，考验的能力完全不同。
不确定时，自己跑一个小评测
如果榜单和你手上的体感对不上，最稳妥的办法是自建一个 20–50 题的小测试集：从你真实的代码库里抽题，把判定写成脚本，让候选模型和档位各跑两遍。这个成本不高，但结论比任何榜单都贴近你的实际场景。
要注意的是，高推理档位单次执行时间长，一次完整评测往往要跑几十分钟到几个小时，本机休眠、断网或合盖都会打断进程。如果需要长时间排队跑多个模型和档位，可以把评测放到一台常开的远程机器上执行，本地只负责看结果；对网络访问和持续在线有要求的场景，租用一台整机放在机房的远程 Mac（例如新加坡机房的独享 Mac mini，按月使用、远程连接）也是可选做法之一。
小结
看懂这类 Codex 对比图，记住三件事就够了：名字里的 -high 是推理强度档位而不是模型型号；两轴一般是「成本/耗时」对「任务得分」，值得选的是左上那条前沿；分数是特定任务集上的通过率统计，不是智力测验。把它当作筛选候选的起点，再用自己的小评测做最终确认，比纠结某张图的排名更实际。平台口径和模型列表都可能随时调整，涉及具体版本与计费时，请以官方最新说明为准。
