横评对比 · 阅读约 5 分钟

Claude Sonnet 4.5 vs GPT-4.1 vs DeepSeek V3：用同一批 prompt 测了 3 天

Claude Sonnet 4.5 vs GPT-4.1 vs DeepSeek V3：用同一批 prompt 测了 3 天

最近 V2EX 上关于 GPT 账号被封、免费额度缩水的讨论很热闹。趁这个机会，我把手头常用的三个模型做了一次系统性横评——不是跑 benchmark，是真实工作场景下的对比。

测试时间：连续 3 天，每天同一批 prompt 跑一遍，取中位结果。

测试对象

| 模型 | 版本 | 官方输入价（$/M tokens） | 官方输出价（$/M tokens） |

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

| Claude Sonnet 4.5 | claude-sonnet-4-5 | $3.0 | $15.0 |

| GPT-4.1 | gpt-4.1 | $2.0 | $8.0 |

| DeepSeek V3 | deepseek-chat | $0.27 | $1.1 |

折算人民币（汇率 7.3）：

| 模型 | 官方输入价（¥/M） | 官方输出价（¥/M） | 无量Api SVIP 输入价 | 无量Api SVIP 输出价 |

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

| Claude Sonnet 4.5 | ¥21.9 | ¥109.5 | ¥7.5 | ¥37.5 |

| GPT-4.1 | ¥14.6 | ¥58.4 | ¥5.1 | ¥20.4 |

| DeepSeek V3 | ¥2.0 | ¥8.0 | ¥1.5 | ¥6.2 |

SVIP 为 7.7 折，普通用户也有折扣，注册即送 ¥1 余额。

场景一：Python bug 修复

测试内容：一段 120 行的 FastAPI 路由代码，有一个并发竞态 bug + 一个类型注解错误，不提示 bug 位置，只说「这段代码有问题，帮我找出来」。

结果：

  • Claude Sonnet 4.5：两个 bug 全部准确定位，解释了竞态条件的成因，给出了用 asyncio.Lock 的修复方案，顺手提了一个潜在的第三个问题（不是 bug，但是代码味道问题）。回答逻辑严密，适合直接 review。
  • GPT-4.1：找到了类型注解错误，竞态 bug 的定位稍微模糊，说「可能存在线程安全问题」但没有精确指出哪一行。修复建议可用，但需要自己再确认一遍。
  • DeepSeek V3：两个 bug 都找到了，解释简洁，修复代码正确。没有额外分析，就事论事。速度最快。

小结：代码理解深度 Claude > GPT-4.1 ≈ DeepSeek V3。如果你在做代码 review，Claude 的「顺手多说一句」往往有价值。

场景二：长文档理解（上下文 30k tokens）

测试内容：一份 28k tokens 的技术规范文档（英文），问 5 个散布在文档各处的细节问题，其中一个问题的答案在文档里明确写了「不支持」，属于陷阱题。

结果：

  • Claude Sonnet 4.5：5 题全对，陷阱题正确回答「文档明确说不支持，原文在第 7 节」，并给出原文引用。
  • GPT-4.1：4 题对，陷阱题给出了一个模棱两可的回答，说「可能需要额外配置」，没有直接说不支持。
  • DeepSeek V3：4 题对，陷阱题同样产生了幻觉，给出了一个听起来合理但文档里没有的配置方法。

小结：长上下文的忠实度 Claude 明显更好，尤其是「文档里明确否定的事情」这类测试，Claude 不会为了显得有用而编造答案。

场景三：数学推理

测试内容：3 道题。一道高中数列求和（有细节陷阱），一道概率题（需要贝叶斯），一道组合数学（中等难度）。

结果：

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

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

| 数列求和（有陷阱） | ✅ 过程清晰 | ❌ 陷入陷阱 | ✅ 正确 |

| 贝叶斯概率 | ✅ | ✅ | ✅ |

| 组合数学 | ✅ | ✅ | ✅ |

小结：数学推理三者差距不大，DeepSeek 在这类结构化问题上表现稳定，性价比极高。Claude 对陷阱题的抵抗力稍好。

场景四：中文写作润色

测试内容：一篇 800 字的产品方案，要求「保持原意，减少废话，让表达更有力」。

结果：

  • Claude Sonnet 4.5：删减了约 20% 的内容，修改后语气更直接，保留了原文的技术细节。改动有理有据，不是为改而改。
  • GPT-4.1：润色风格偏「正式化」，把一些口语化的表达改成了书面语，结果反而读起来更生硬。删减幅度不够。
  • DeepSeek V3：理解了「减少废话」的要求，但润色后的文字略显平淡，缺少原文的一点个性。

小结：中文写作润色 Claude 更懂「写作感觉」，GPT-4.1 倾向于标准化，DeepSeek 更偏工具性。

成本计算：日常开发者场景

假设一个独立开发者每天的 API 消耗：输入 500k tokens，输出 100k tokens。

| 模型 | 官方日费用 | 无量Api SVIP 日费用 | 月省（30天） |

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

| Claude Sonnet 4.5 | ¥21.9 | ¥7.5 | 约 ¥432 |

| GPT-4.1 | ¥14.9 | ¥5.2 | 约 ¥291 |

| DeepSeek V3 | ¥1.8 | ¥1.4 | 约 ¥12 |

Claude 和 GPT 的节省幅度最明显。DeepSeek 本身就便宜，绝对金额差距小，但胜在不需要翻墙、延迟稳定。

总结

怎么选：

  • 代码审查 / 长文档分析 → Claude Sonnet 4.5，贵但值。
  • 日常编码助手 / 性价比优先 → GPT-4.1，均衡。
  • 高频调用 / 成本敏感 / 数学推理 → DeepSeek V3，便宜且够用。

没有一个模型全面压制其他，选哪个取决于你的工作场景。如果你同时需要这三个，放在同一个接口下管理会省很多事。

关于访问成本

测试期间我用的是 无量Api，国内直连，不需要代理，三个模型都在同一个 Base URL 下，改一行配置就能切换。价格按上面表格，SVIP 是官方价的 7.7 折，注册送 ¥1 余额，余额不过期。

如果你之前因为 GPT 账号被封或者网络问题在找替代方案，这个算是比较省心的选项。