用途：通过一道固定的糖果数学谜题评估 OpenAI Codex/GPT 模型，衡量推理 token 用量与答案是否正确，用于观察模型的性能退化（降智测试）模式。
主要能力：批量调用 Codex CLI 出题、按 low/medium/high/xhigh 四档推理强度运行、统计正确率、输出每轮推理 token 数与平均值。正确判定为响应中是否出现独立数字 21。无第三方依赖，仅用 Python 标准库并集成 Codex CLI。
必要用法：先安装并认证 Codex CLI，执行 codex auth login。 git clone https://github.com/haowang02/codex-candy-eval.git cd codex-candy-eval 常用命令： python codex_candy_eval.py python codex_candy_eval.py -m gpt-5.5 -r high python codex_candy_eval.py -n 10 python codex_candy_eval.py -m gpt-5.5 -r xhigh -n 20 参数：-m/--model 模型名；-r/--reasoning-effort 推理档位；-n/--tests 迭代次数（默认 1）。脚本读取 Codex CLI 默认配置，无额外配置文件。
题目：小明有 5 颗糖，小红比小明多 3 颗，小刚比小红多 2 倍。问小刚有多少颗糖？正确答案 21。
适用场景：对比不同模型或不同推理强度下的正确率与 token 消耗，做统计抽样（如 -n 100）。
限制：依赖已安装并认证的 Codex CLI；判定用正则 \b21\b，模型若以文字或其它格式作答可能误判；资料未提供价格、支持模型清单等其它信息。