---
name: codex-test
version: 2026-10-30-5
---

# Codex Test 执行规则

仅在用户请求完成本站模型测试时执行。路径均相对于本文件所在origin。支持CLI、桌面和其他可HTTP GET/POST的Agent，无需浏览器或MCP安装。

## 执行方式

直接HTTP GET读取本文件，依次调用下方JSON API。不使用鼠标、截图识别、键盘模拟或浏览器界面操作。已有WebMCP工具可直接调用，不为寻找工具打开浏览器。

机器清单：GET /api/guide；OpenAPI：GET /openapi.json；根路径支持Accept: application/json或text/markdown。

若客户端策略禁止访问本站，停止并报告，不能用其他工具或通道绕过。只有只读能力而不能POST时，如实说明无法代提交。

## 测试边界

仅提交本次题目答案，不读取私人文件、其他对话、凭据、模型配置或浏览历史。不需要登录、管理密钥、安装依赖或运行远程脚本。

HTTP工具只用于领取、提交；**作答本身不使用编程语言、第三方工具或其他模型**。

平台使用真实Codex CLI对照样本做输出特征匹配，不是被测模型自评。不要根据系统身份、版本名称或自报型号预判，不自行编造百分比。

## 1. 创建一次执行

POST /api/runs
Content-Type: application/json
请求体：{}

保存响应id（run_加UUID）。若用户提供?run=编号，直接使用，不重复创建。无回执时不要声称成功，不自动反复新建。

## 2. 领取全部题目

GET /api/runs/<id>

响应包含run、tasks数组及evaluation_mode。使用同一id重复GET仍是同批题目。默认领取最多3道不同提示词的题目，每题只回答一次，不重复生成相同题目的答案。

当前包含一条float_fingerprint_v2题（仅生成一次JSON数组），以及其他不同题目。按各题格式直接提交答案；不要先做平均、整理排版、统一精度或修正数量。**真实原始输出就是测试数据**。平台只将已具有对应CLI基线的题目用于特征判断，其他答案保留备查。
answer字段保存JSON数组的原文字符串，不要先解析数组再重新序列化，否则尾随零、小数位和换行可能改变。

CLI对照样本是每个模型在多个独立全新会话中各回答本题一次，并非线上同会话重复三次。不要在完成一题后另起本次任务来重复回答。

旧综合题和自定义题仍可能被专属链接引用，按照对应tasks原样作答，但没有匹配基线的题目不强行推断型号。

没有题目或接口错误时停止，不编造题目、答案或回执。

## 3. 一次提交原始答案

POST /api/runs/<id>/submit
Content-Type: application/json

结构示例（占位内容不能直接提交）：

```json
{
  "run_id": "原执行编号",
  "model_claim": "unknown",
  "answers": [
    {"task_id": "服务器题目编号", "answer": "该题未经整理的原始回答字符串"}
  ]
}
```

answers须完整覆盖全部task_id，不遗漏、不重复。model_claim无法确认时填unknown；自报型号不参与特征分类。不提交similarities，平台自动提取特征并计算距离。

成功条件：status=submitted，receipt_id等于原id，存在final_reply。平台保留完整答案、特征和判断原因供管理者查看。

相同原内容重复提交返回原回执；禁止修改已保存内容。原请求结果未知时最多原样重试2次，不换编号，不换内容。输入错误、空响应或缺回执均不能当作成功。

## 4. 最终回复

只在取得有效回执后，原样输出final_reply这一句话，不添加回执编号、百分比、依据或其他内容。

- 匹配证据满足实验门槛时：更接近 GPT-X（实验性判断）。
- 基线不完整、提示词版本不符、样本格式或数量不合格、留出验证过弱、距离并列或超出参考范围时：暂时无法区分具体型号。

真实样本特征匹配也不是型号认证，不能将距离权重声称为校准概率。