Claude 4.5 vs GPT-5 vs DeepSeek V3：用同一批任务测了三天
Claude 4.5 vs GPT-5 vs DeepSeek V3：用同一批任务测了三天
最近 V2EX 上关于 Codex 的讨论很多，有人在 Mac OS X 10.4 Tiger 上跑起来了，有人在抱怨额度莫名消耗，还有人发现 GPT-5.5 的上下文缩水到 258K。趁着这波热度，我用同一套测试任务把目前最热的几个模型跑了一遍，结果有点出乎意料。
测试对象 & 基本信息
| 模型 | 厂商 | 上下文窗口 | 官方输入价（/M tokens） | 官方输出价（/M tokens） |
|------|------|-----------|----------------------|----------------------|
| Claude Sonnet 4.5 | Anthropic | 200K | ¥21 | ¥105 |
| GPT-5 | OpenAI | 128K | ¥54 | ¥216 |
| Gemini 2.5 Pro | Google | 1M | ¥9 | ¥72 |
| DeepSeek V3 | DeepSeek | 64K | ¥2 | ¥8 |
| Grok 4 | xAI | 256K | ¥54 | ¥216 |
汇率按 1 USD = 7.2 CNY 换算，官方价格取各家 API 文档当前标价。
测试场景一：代码 Debug（真实 Bug）
任务：给一段 Python 异步爬虫，里面藏了三个 bug：一个 race condition、一个 session 未关闭的资源泄漏、一个正则边界错误。要求找出全部并修复，附解释。
结果：
- Claude Sonnet 4.5：三个 bug 全中，解释清晰，还额外指出了一个潜在的编码问题。输出格式干净，diff 风格呈现，直接可用。
- GPT-5：三个 bug 全中，解释更偏教学风格，适合新手理解，但代码块有一处缩进错误需要手动修。
- Gemini 2.5 Pro：找到两个，race condition 漏掉了，给出的修复方案有效但略显保守。
- DeepSeek V3：三个 bug 全中，速度最快，解释简洁，适合老手。中文解释质量很高。
- Grok 4：三个 bug 全中，风格偏 verbose，解释里夹了不少背景知识，篇幅最长。
小结：代码 debug 场景，Claude 4.5 和 DeepSeek V3 体验最顺手，一个胜在格式，一个胜在速度。
测试场景二：长文理解（40K tokens 技术文档）
任务：喂入一份 40K tokens 的 Kubernetes 源码注释文档，提问 5 个散落在不同位置的细节问题，要求引用原文段落作答。
结果：
- Claude Sonnet 4.5：5/5 全对，引用位置精准，没有幻觉。
- GPT-5：4/5，有一题引用了相近但不完全正确的段落，答案方向对但细节偏差。
- Gemini 2.5 Pro：5/5 全对，得益于 1M 上下文，处理这个任务最从容，速度也快。
- DeepSeek V3：上下文 64K，文档截断后只能回答前半部分的问题，3/5。
- Grok 4：4/5，表现稳定，但引用格式不统一。
小结：长文理解首选 Gemini 2.5 Pro，上下文优势明显。DeepSeek V3 在这个场景有硬伤。
测试场景三：数学推理（竞赛题）
任务：5 道 AMC 12 级别的数学题，要求给出完整推导过程。
| 模型 | 正确数 | 推导完整性 |
|------|--------|-----------|
| Claude Sonnet 4.5 | 4/5 | 高，步骤清晰 |
| GPT-5 | 5/5 | 高，偶有跳步 |
| Gemini 2.5 Pro | 5/5 | 高，格式最规整 |
| DeepSeek V3 | 4/5 | 中，有一题推导跳跃 |
| Grok 4 | 3/5 | 中，两题答案错误但过程看起来合理 |
小结：数学推理 GPT-5 和 Gemini 2.5 Pro 并列第一，Grok 4 这次表现低于预期。
测试场景四：成本计算（实际项目估算）
假设一个中等规模的 RAG 项目，每天处理：
- 输入：500 万 tokens
- 输出：100 万 tokens
每日成本对比（官方价 vs 无量Api SVIP 价）：
| 模型 | 官方每日成本 | 无量Api SVIP 每日成本 | 节省 |
|------|------------|---------------------|------|
| Claude Sonnet 4.5 | ¥210 | ¥75 | 64% |
| GPT-5 | ¥486 | ¥175 | 64% |
| Gemini 2.5 Pro | ¥117 | ¥42 | 64% |
| DeepSeek V3 | ¥18 | ¥6.5 | 64% |
无量Api SVIP 折扣约 7.7 折，叠加本身比官方低的基础价，综合下来大约便宜 65%。
一个月下来，光 Claude Sonnet 4.5 就能省 ¥4000+，GPT-5 能省 ¥9000+。对于有稳定调用量的项目，这个差距很实在。
综合评分
| 维度 | Claude 4.5 | GPT-5 | Gemini 2.5 Pro | DeepSeek V3 | Grok 4 |
|------|-----------|-------|---------------|------------|--------|
| 代码能力 | ⭐⭐⭐⭐⭐ | ⭐⭐⭐⭐ | ⭐⭐⭐⭐ | ⭐⭐⭐⭐⭐ | ⭐⭐⭐⭐ |
| 长文理解 | ⭐⭐⭐⭐⭐ | ⭐⭐⭐⭐ | ⭐⭐⭐⭐⭐ | ⭐⭐⭐ | ⭐⭐⭐⭐ |
| 数学推理 | ⭐⭐⭐⭐ | ⭐⭐⭐⭐⭐ | ⭐⭐⭐⭐⭐ | ⭐⭐⭐⭐ | ⭐⭐⭐ |
| 性价比 | ⭐⭐⭐ | ⭐⭐ | ⭐⭐⭐⭐ | ⭐⭐⭐⭐⭐ | ⭐⭐ |
| 响应速度 | ⭐⭐⭐⭐ | ⭐⭐⭐ | ⭐⭐⭐⭐⭐ | ⭐⭐⭐⭐⭐ | ⭐⭐⭐ |
结论
没有一个模型在所有场景都碾压其他人，这才是真实情况：
- 日常代码开发：Claude 4.5 或 DeepSeek V3，前者格式好，后者便宜快。
- 长文档处理：Gemini 2.5 Pro，1M 上下文不是噱头。
- 数学/逻辑推理：GPT-5 或 Gemini 2.5 Pro。
- 预算有限的项目：DeepSeek V3 性价比无敌，能用就用。
- Grok 4：目前还不是首选，等后续版本。
关于访问成本
国内直连这几个模型一直是个麻烦事，官方 API 要么需要境外信用卡，要么延迟高，要么干脆访问不了。
我最近在用无量Api（api2everything.xyz），支持上面所有模型，国内直连，OpenAI 格式兼容，换个 base_url 就能用，不用改其他代码。注册送 ¥1 余额，可以先跑跑上面的测试场景感受一下。SVIP 价格大约是官方的 7.7 折，算下来比官方便宜 65% 左右，余额永久有效不过期。