Claude 4.5 vs GPT-4.1 vs DeepSeek V3：用同一批任务测了三天
Claude 4.5 vs GPT-4.1 vs DeepSeek V3：用同一批任务测了三天
最近几个月模型更新太快，群里每天都有人问"现在用哪个最划算"。与其靠感觉，不如实测。
我选了三个当前讨论度最高、定位最接近的模型：Claude Sonnet 4.5、GPT-4.1、DeepSeek V3 0324，用同一套任务跑了三天，把结果整理出来。
测试说明
- 每个场景同一 prompt，三个模型各跑 3 次，取中位结果
- 不追求"谁最强"，追求"同等成本下谁更适合哪类任务"
- 价格数据截至本文写作时，官方汇率按 7.2 计算
场景一：代码补全与 Bug 定位
任务：给一段 Python 异步爬虫代码，里面藏了两个 bug——一个是 asyncio.gather 没有正确处理异常导致静默失败，另一个是 session 没有复用造成连接泄漏。
| 模型 | 找到 bug 数 | 解释质量 | 给出修复方案 |
|------|------------|---------|------------|
| Claude Sonnet 4.5 | 2/2 | 详细，指出了根因 | 完整，附单元测试 |
| GPT-4.1 | 2/2 | 准确，稍简洁 | 完整 |
| DeepSeek V3 | 1/2 | 找到连接泄漏，漏了异常处理 | 部分 |
Claude 在这个场景表现最稳，会主动解释"为什么这样写会出问题"，而不只是给 patch。GPT-4.1 结果同样正确，风格更直接。DeepSeek 漏掉了那个更隐蔽的异常处理 bug，但对于简单 bug 定位完全够用。
场景二：长文档理解与信息抽取
任务：喂入一份 18000 token 的技术规范文档（英文），要求：① 提取所有 API 接口的入参出参；② 找出文档中前后矛盾的描述；③ 用中文写一份给非技术同事看的摘要。
| 模型 | 接口抽取准确率 | 矛盾识别 | 摘要可读性 |
|------|-------------|---------|----------|
| Claude Sonnet 4.5 | 高，格式整齐 | 找到 2 处 | 自然，层次清晰 |
| GPT-4.1 | 高 | 找到 1 处 | 略显机械 |
| DeepSeek V3 | 中，有遗漏 | 未识别 | 可用 |
长上下文理解是 Claude 的传统强项，这次依然如此。GPT-4.1 在接口抽取上不输，但对文档内部逻辑矛盾的感知弱一些。DeepSeek 在超长文档上有明显遗漏，更适合中短文本。
场景三：数学推理与逻辑题
任务：混合了 3 道竞赛级数学题（组合数学、概率、数论各一道）+ 2 道逻辑推理题。
| 模型 | 数学正确率 | 逻辑题正确率 | 解题过程 |
|------|----------|-----------|---------|
| Claude Sonnet 4.5 | 2/3 | 2/2 | 步骤清晰，偶有跳步 |
| GPT-4.1 | 3/3 | 2/2 | 严谨，过程完整 |
| DeepSeek V3 | 3/3 | 1/2 | 数学强，逻辑题有失误 |
数学推理上 GPT-4.1 和 DeepSeek V3 表现更稳，Claude 在竞赛数学上偶尔会在最后一步出错。如果你的场景以数学/科学计算为主，GPT-4.1 或 DeepSeek 更可靠。
场景四：中文创作与指令遵循
任务：写一篇 800 字的产品发布公告，要求：正式但不生硬，包含 5 个指定关键词，结尾有 CTA，不能出现"赋能""生态"等词。
| 模型 | 关键词覆盖 | 禁用词 | 文风 |
|------|----------|-------|-----|
| Claude Sonnet 4.5 | 5/5 | 无违规 | 自然，有节奏感 |
| GPT-4.1 | 5/5 | 无违规 | 规整，略平 |
| DeepSeek V3 | 4/5 | 出现"赋能"一次 | 流畅，有时过于口语 |
指令遵循上 Claude 最严格，对"不能出现某词"这类负向约束执行得最好。DeepSeep 在中文写作上很流畅，但对细节约束的遵守稍差。
成本对比：这才是很多人真正关心的
同样的任务量，价格差距相当大。以下是各模型官方定价 vs 通过无量Api（SVIP 7.7 折）的实际成本：
| 模型 | 官方输入价（/M token） | 官方输出价（/M token） | 无量Api SVIP 输入 | 无量Api SVIP 输出 |
|------|---------------------|---------------------|-----------------|-----------------|
| Claude Sonnet 4.5 | ¥21.6 | ¥108 | ¥7.5 | ¥37.4 |
| GPT-4.1 | ¥14.4 | ¥57.6 | ¥5.0 | ¥20.0 |
| DeepSeek V3 | ¥1.0 | ¥4.0 | ¥0.7 | ¥2.8 |
如果你每天调用量在 10M token 左右，用 Claude Sonnet 4.5：
- 官方直连：约 ¥216/天（仅输入）
- 无量Api SVIP：约 ¥75/天
一个月下来差价超过 ¥4000，这还只算输入 token。
DeepSeek V3 本身就便宜，但如果你在国内访问官方 API 需要解决网络问题，无量Api 直连也省去了这部分麻烦。
综合结论
没有"最强"，只有"最适合"：
- 代码审查 / 长文档处理：Claude Sonnet 4.5，贵但值，尤其是对细节和逻辑一致性要求高的场景
- 数学 / 科学推理：GPT-4.1 或 DeepSeek V3，准确率更稳
- 高频调用 / 成本敏感：DeepSeek V3，性价比无对手，日常任务完全够用
- 中文指令遵循：Claude > GPT-4.1 > DeepSeek，差距不大但存在
如果你在做产品，建议按场景路由：简单任务走 DeepSeek，复杂推理走 GPT-4.1，文档/代码审查走 Claude。混合调用比单一模型更经济。
关于访问问题
国内直连这三个模型的官方 API 都有不同程度的障碍，尤其是 OpenAI 和 Anthropic。我目前用的是 无量Api（api2everything.xyz），支持 300+ 模型，OpenAI 格式兼容，改一行 base_url 就能切换，注册送 ¥1 余额可以先试试手感。
SVIP 价格是官方的 7.7 折，上面表格里的价格就是实际跑出来的数字，不是估算。
👉 https://api2everything.xyz/?utm_source=zhihu&utm_medium=article&utm_campaign=daily&aff=wqUb