今晚直播，测试了三款国产模型接入Codex后的Computer Use效果。三款模型分别是Kimi-K3、GLM-5.3-Flash、DeepSeek-V4.1-Flash。最后还测了GPT-6.1-Sol的效果。指令如下：
帮我配置一台游戏PC，预算5万。使用Chrome打开Amazon网站，挑选CPU、显卡、内存条。把结果写进Numbers。
GLM-5.3-Flash、DeepSeek-V4.1-Flash都没有完成任务。Kimi-K3虽然表面上完成了，但是你看图2，预算都超标了。
图1是GPT-6.1-Sol的结果。它考虑到预算上限，给其它部件留出额度；还考虑到是海淘，给运费和关税也留出额度。整体做得很让人放心。
这就是目前国产模型和国外模型的差距。