把 5.5 和 5.4 的 xhigh 做糖果测试对比， 5.5 完败

做糖果測試，5.5 对比 5.4 完败，感觉是不是有必要切回 5.4 继续用了。。。。

❯ python codex_candy_eval.py -m gpt-5.4 -r xhigh -n 5

Graded ⁵⁄₅ correct=4 accuracy=80.0%

❯ python codex_candy_eval.py -m gpt-5.5 -r xhigh -n 5

Graded ⁵⁄₅ correct=1 accuracy=20.0%