Claude 4.5 vs GPT-4.1 vs DeepSeek V3：用同一批测试题压了一周
Claude 4.5 vs GPT-4.1 vs DeepSeek V3：用同一批测试题压了一周
最近 V2EX 上关于 codex、Plus 订阅、多账号方案的讨论特别多，说明大家都在认真折腾哪个模型最值得用。我也做了同样的事——拿一组固定测试题，把几个当前最热的模型轮流跑了一遍，尽量让结论有点参考价值。
测试模型：Claude Sonnet 4.5 / GPT-4.1 / DeepSeek V3 / Gemini 2.5 Pro / Grok 4
测试场景设计
不追求刁钻，测的是日常高频场景：
1. 代码补全 + bug 定位
2. 长文档理解（20k+ token）
3. 数学推理（AMC/竞赛题）
4. 中文写作润色
5. 成本估算（真实 token 价格）
场景一：代码补全 + bug 定位
测试题：一段 Python 异步爬虫，故意埋了三个 bug（类型错误、竞态条件、未处理的异常）。
| 模型 | 找出 bug 数 | 解释清晰度 | 修复代码可直接运行？ |
|------|------------|-----------|------------------|
| Claude Sonnet 4.5 | 3/3 | ★★★★★ | ✅ |
| GPT-4.1 | 3/3 | ★★★★☆ | ✅ |
| DeepSeek V3 | 2/3 | ★★★★☆ | ✅（漏了竞态）|
| Gemini 2.5 Pro | 3/3 | ★★★★☆ | ✅ |
| Grok 4 | 2/3 | ★★★☆☆ | ⚠️（需要微调）|
Claude 4.5 在这里表现最稳，解释竞态条件那段特别详细，直接给出了用 asyncio.Lock 的方案。GPT-4.1 也全找到了，但解释更偏向列条目，少了一些上下文推理。DeepSeek V3 漏掉了竞态，但成本极低，适合做初筛。
场景二：长文档理解（20k token）
喂入一份 25k token 的技术规范文档，问：「第 7 章提到的限流策略和第 12 章的熔断机制有没有逻辑矛盾？」
| 模型 | 找到矛盾？ | 引用原文准确？ | 上下文窗口 |
|------|----------|-------------|----------|
| Claude Sonnet 4.5 | ✅ 找到2处 | 精确 | 200k |
| GPT-4.1 | ✅ 找到1处 | 基本准确 | 128k |
| DeepSeek V3 | ✅ 找到1处 | 有一处偏差 | 128k |
| Gemini 2.5 Pro | ✅ 找到2处 | 精确 | 1M |
| Grok 4 | ✅ 找到1处 | 基本准确 | 128k |
Gemini 2.5 Pro 的百万 token 上下文在这个场景是真实优势，找到的矛盾和 Claude 一样多。Claude 的引用质量更好，会标出具体段落。GPT-4.1 漏掉了一处，但整体结论方向正确。
场景三：数学推理
取 5 道 AMC 12 级别题目 + 2 道简单竞赛题。
| 模型 | 正确率 | 解题过程可读性 |
|------|-------|-------------|
| Claude Sonnet 4.5 | 6/7 | 清晰，步骤完整 |
| GPT-4.1 | 5/7 | 清晰 |
| DeepSeek V3 | 6/7 | 良好 |
| Gemini 2.5 Pro | 7/7 | 非常清晰 |
| Grok 4 | 4/7 | 一般 |
Gemini 2.5 Pro 在数学上最强，这一点业内基本有共识了。DeepSeek V3 表现超预期，性价比极高。Grok 4 在推理题上掉链子比较明显。
场景四：中文写作润色
给一段质量中等的技术博客草稿，要求：保留原意、优化表达、不要过度改动。
| 模型 | 保留原意 | 表达提升 | 有没有画蛇添足 |
|------|---------|---------|-------------|
| Claude Sonnet 4.5 | ✅ | ★★★★★ | 极少 |
| GPT-4.1 | ✅ | ★★★★☆ | 偶尔加词 |
| DeepSeek V3 | ✅ | ★★★★☆ | 偶尔 |
| Gemini 2.5 Pro | 基本 ✅ | ★★★★☆ | 有时结构改动较大 |
| Grok 4 | ✅ | ★★★☆☆ | 较多 |
中文润色上 Claude 依然是最贴合意图的，几乎没有多余发挥。GPT-4.1 和 DeepSeek 差距不大，Gemini 偶尔会把段落结构动得比较大。
场景五：真实成本对比（这才是大多数人最关心的）
按照 每百万 token（输入+输出各半，100 万 token 总） 估算，以下是官方价格和通过中转 API 使用的价格对比：
| 模型 | 官方价（¥/M token） | 无量Api SVIP 价（¥/M token） | 节省比例 |
|------|------------------|--------------------------|--------|
| Claude Sonnet 4.5 | ¥21.6 | ¥7.5 | 约 65% |
| GPT-4.1 | ¥14.4 | ¥5.0 | 约 65% |
| DeepSeek V3 | ¥2.0（官方） | ¥1.4 | 约 30% |
| Gemini 2.5 Pro | ¥18.0 | ¥6.3 | 约 65% |
| Grok 4 | 暂无官方国内渠道 | ¥10.8 | — |
DeepSeek 本身就便宜，折扣空间自然小一些，但胜在调用稳定，不用担心官方并发限制。Claude 和 GPT-4.1 的差价最明显，高频调用场景省下来的钱非常可观。
综合结论
没有哪个模型在所有场景全赢，根据使用场景选择才是正确思路：
- 日常代码 + 长文档：Claude Sonnet 4.5 最均衡，上下文处理和代码理解都在第一梯队
- 数学 / 科学推理：Gemini 2.5 Pro 是真正的优势
- 预算敏感型项目：DeepSeek V3 性价比最高，大多数场景够用
- 通用写作 + API 集成：GPT-4.1 生态最成熟，兼容性最好
- Grok 4：目前在推理密集任务上还差一截，适合尝鲜
关于访问成本
这几个模型里，Claude 和 Gemini 国内直连本身就是障碍，GPT 也需要绕一圈。如果你在做有一定规模的 API 调用（哪怕只是个人项目），中转 API 在稳定性和价格上通常比自己挂代理靠谱。
我用的是 无量Api（api2everything.xyz），300+ 模型，OpenAI 格式兼容，改个 base_url 就能切过去，余额不过期，注册还送 ¥1 体验额度。SVIP 是 7.7 折，上面表格里的 SVIP 价格就是实际数字，没有虚报。
感兴趣可以直接注册看看：