GPT-5.1 Codex Max 和 Mini 在实际应用任务中完全失败，包括文档克隆、网络搜索、MCP 调用、指令跟随、分析、数据可视化、文件管理、文件整合、文件同步。 在 OpenAI 模型中，25 次尝试中有 0 次通过（x2 s 0/50） Sonnet 4.5 成功了 23 次； Composer 1 成功了 19 次； Gemini 3 Pro 成功了 8 次（超时/达到速率限制 12 次） Anthropic 在开发者方面领先是有原因的。这甚至不是一个很难的任务...