Claude 4.5 vs GPT-4.1 vs DeepSeek V3：用同一批任务测了三天，结果有点意外

最近 V2EX 上有人问回国后怎么用 Codex 和 Claude，也有人在找便宜的 GPT Business 方案。趁这个机会，我把手头最常用的三个模型做了一次横评——不是跑 benchmark，是用真实工作任务测的。

测试模型：Claude Sonnet 4.5 / GPT-4.1 / DeepSeek V3

测试周期：三天，每天换场景

调用方式：统一用 API，排除 UI 差异

测试场景一：代码 Debug（真实 Bug）

用的是一段 Python 异步爬虫，有一个经典的 asyncio 事件循环嵌套问题，加上一个隐藏的竞态条件。

Claude Sonnet 4.5

直接定位到两个问题，给出了 nest_asyncio 的临时方案和正确的重构方案，还主动说明了为什么临时方案在生产环境有风险。回答结构清晰，代码可以直接跑。

GPT-4.1

也找到了主要问题，修复代码正确，但对竞态条件只是一笔带过，没有深入解释。如果你不知道有这个坑，很容易忽略。

DeepSeek V3

找到了事件循环问题，竞态条件没提。代码修复是对的，解释比较简短。速度明显快于前两者。

小结： Claude > GPT-4.1 > DeepSeek V3（深度）；DeepSeek > Claude ≈ GPT-4.1（速度）

测试场景二：长文理解（40k token 合同）

把一份英文 SaaS 合同（约 38k token）丢进去，问三个问题：自动续费条款在哪、违约金怎么算、数据主权归属。

Claude Sonnet 4.5

三个问题全部准确定位，引用了原文段落，还主动标注了一个"容易被忽略的第 12.3 条"——那条确实有坑。

GPT-4.1

两个问题回答准确，数据主权那条给出了模糊答案，说"需要结合附件 B"，但没有进一步分析附件 B 的内容（附件 B 在文档里是有的）。

DeepSeek V3

在长上下文任务上表现明显弱一些，违约金计算公式有一处理解偏差。对于 40k 以内的文档建议谨慎。

小结： Claude > GPT-4.1 > DeepSeek V3（长文理解）

测试场景三：数学推理（竞赛级别）

用了三道题：一道组合数学、一道数论、一道概率论（AMC/AIME 难度）。

Claude Sonnet 4.5

组合和概率全对，数论那道在最后一步推导上出了错，但过程写得很清楚，错在哪一步一眼能看出来。

GPT-4.1

三道全对，推导步骤完整，格式最整洁。数学推理是 GPT-4.1 的强项，这次测试印证了这一点。

DeepSeek V3

组合题全对，另外两道有计算错误。但考虑到它的价格，性价比依然很高。

小结： GPT-4.1 > Claude ≈ DeepSeek V3（数学推理）

测试场景四：中文创作（技术博客润色）

给了一篇 2000 字的技术博客草稿，要求在保留技术准确性的前提下提升可读性。

Claude Sonnet 4.5

改动幅度适中，保留了原文的技术细节，语言更流畅，没有过度"美化"。

GPT-4.1

改得比较激进，有几处把技术术语换成了更通俗的说法，反而损失了精确性。

DeepSeek V3

改动保守，基本是句式微调，整体提升有限，但不会出错。

小结： Claude > DeepSeek V3 > GPT-4.1（中文技术写作）

成本对比：这才是很多人真正关心的

|------|-----------|-----------|-----------------|-----------------|

| GPT-4.1 | ¥14/M tokens | ¥56/M tokens | ¥5/M | ¥20/M |

价格单位：人民币 / 百万 tokens。官方价按当前汇率折算，SVIP 为 7.7 折基础上的实际价格。

以一个中等规模的 API 使用场景为例（每月约 10M input + 5M output tokens，主要用 Claude Sonnet 4.5）：

官方直接调用：10×21 + 5×105 = ¥735/月
无量Api SVIP：10×7.5 + 5×37 = ¥260/月

差价 ¥475，一年省下来快 ¥6000。

综合评分

| 维度 | Claude Sonnet 4.5 | GPT-4.1 | DeepSeek V3 |

|------|:-----------------:|:-------:|:-----------:|

| 代码 Debug | ⭐⭐⭐⭐⭐ | ⭐⭐⭐⭐ | ⭐⭐⭐ |

| 长文理解 | ⭐⭐⭐⭐⭐ | ⭐⭐⭐⭐ | ⭐⭐⭐ |

| 数学推理 | ⭐⭐⭐⭐ | ⭐⭐⭐⭐⭐ | ⭐⭐⭐ |

| 中文写作 | ⭐⭐⭐⭐⭐ | ⭐⭐⭐ | ⭐⭐⭐⭐ |

| 响应速度 | ⭐⭐⭐ | ⭐⭐⭐⭐ | ⭐⭐⭐⭐⭐ |

| 性价比 | ⭐⭐⭐⭐ | ⭐⭐⭐⭐ | ⭐⭐⭐⭐⭐ |

结论

没有哪个模型是全场最强的，这是测了三天最诚实的感受。

日常代码 + 长文档处理：Claude Sonnet 4.5 是首选，贵但值
数学/逻辑推理密集型任务：GPT-4.1 更稳
高频调用、成本敏感、速度优先：DeepSeek V3 没有对手
混合使用：按任务类型路由，成本和效果都能兼顾

关于国内访问的问题

V2EX 上最近有不少人问回国后怎么继续用这些模型，或者怎么找便宜的访问方式。

如果你需要稳定的 API 访问（不用梯子、国内直连），可以看看 无量Api（api2everything.xyz）。支持 OpenAI 格式，改一行 base_url 就能切换，300+ 模型都在一个账号里，注册送 ¥1 余额可以先试试手感，余额永久有效不会过期。

👉 https://api2everything.xyz/?utm_source=v2ex&utm_medium=article&utm_campaign=daily&aff=wqUb