codex 鹈鹕测试，在 codex 内执行，每次结果完全一致，一点差异都没有。 在Cockpit Tools 测试， 每次结果都完全不同，而且，在Cockpit Tools效果也不是很好， 这个是有什么问题吗，同样的账号，模型，思考强度？