Claude 4.5 vs GPT-4.1 vs DeepSeek V3：用同一批任务测了三天，结论出乎意料
Claude 4.5 vs GPT-4.1 vs DeepSeek V3：用同一批任务测了三天，结论出乎意料
最近 V2EX 上关于 Codex 额度、日区订阅、中转站的讨论很多，大家都在想一个问题：手头的 API 预算怎么花才值？
趁这个机会，我用同一套测试任务，把目前最热的三个模型跑了一遍：Claude Sonnet 4.5、GPT-4.1、DeepSeek V3。不谈玄学，只看实际表现和真实成本。
测试设计
五个场景，尽量贴近日常开发和内容工作：
1. Bug 定位：一段有隐藏竞态条件的 Python 异步代码
2. 代码补全：给半截 React Hook 续写，要求类型完整、有边界处理
3. 长文理解：一份 8000 字的技术文档，问 5 个细节问题
4. 数学推理：组合数学题 + 一道需要构造反例的证明题
5. 成本估算：按实际 token 消耗算一个月 API 账单
场景 1：Bug 定位（竞态条件）
测试代码是一个 asyncio + aiofiles 混用的文件写入逻辑，问题藏在锁的作用域外有一次隐式读取。
Claude Sonnet 4.5：直接指出竞态窗口在第 17 行和第 23 行之间，给出了加锁范围的修改建议，还顺手提了一句"如果用 asyncio.Lock 替代 threading.Lock 会更安全"。定位准确，解释清楚。
GPT-4.1：找到了主要问题，但给的修复方案把锁的粒度搞太粗了，会导致性能下降。需要追问一次才给出更精细的版本。
DeepSeek V3：第一次回答漏掉了竞态窗口，指出的是一个不相关的变量命名问题。追问后找到了，但解释不如 Claude 清晰。
小结：代码调试场景，Claude 4.5 > GPT-4.1 > DeepSeek V3
场景 2：React Hook 补全
给了一个半成品 useDebounce Hook，要求补全泛型、处理 cleanup、加 TypeScript 类型。
GPT-4.1：补出来的代码直接能用，泛型约束合理，cleanup 用 useEffect 返回函数处理得很干净。
Claude Sonnet 4.5：代码质量差不多，但多给了一个使用示例，还提示了一个常见误用场景（在渲染函数内直接传匿名函数导致 debounce 失效）。
DeepSeek V3：基本功能完整，但泛型写得比较宽松，没有约束到 unknown 以上，生产环境用可能有隐患。
小结：日常代码补全，三者都够用。GPT-4.1 和 Claude 4.5 更适合生产级代码。
场景 3：长文理解（8000 字技术文档）
文档是一份 Kubernetes 网络策略的设计文档，5 个问题里有两个答案藏在不显眼的脚注里。
Claude Sonnet 4.5：5 题全对，脚注里的细节也没漏。回答引用了原文段落，方便核对。
GPT-4.1：4 题对，脚注里的一个细节答错了，把默认值说反了。
DeepSeek V3：3 题对，有两个问题给出了听起来合理但实际不准确的答案，属于典型的"自信地错"。长文档场景需要多做核对。
小结：长文理解，Claude 4.5 明显更稳。DeepSeek V3 在长上下文准确性上还有差距。
场景 4：数学推理
两道题：一道排列组合（难度中等），一道需要构造反例的图论命题。
DeepSeek V3：排列组合题秒出，步骤清晰；图论反例构造也给出了正确答案，是三个里面数学最强的。
Claude Sonnet 4.5：两题都对，但图论那题绕了一点，中间有一步化简不够简洁。
GPT-4.1：排列组合正确，图论反例的构造思路对但写法有歧义，需要澄清。
小结：纯数学推理，DeepSeek V3 > Claude 4.5 ≈ GPT-4.1
场景 5：成本对比（这才是重点）
按中等使用量估算：每天 200 次调用，平均每次输入 1000 token、输出 500 token，跑满一个月（30 天）。
官方价格
| 模型 | 输入价格 | 输出价格 | 月成本估算 |
|------|----------|----------|------------|
| Claude Sonnet 4.5 | $3 / M token | $15 / M token | ≈ ¥162 |
| GPT-4.1 | $2 / M token | $8 / M token | ≈ ¥105 |
| DeepSeek V3 | $0.27 / M token | $1.1 / M token | ≈ ¥13 |
汇率按 7.3，官方价格截至写稿时。
DeepSeek V3 的价格优势是碾压级的，这也是它能出现在这篇横评里的核心原因。
通过无量Api（SVIP 7.7折）
| 模型 | 无量Api 输入价 | 无量Api 输出价 | 月成本估算 |
|------|----------------|----------------|------------|
| Claude Sonnet 4.5 | ¥21 / M → SVIP ¥7.5/M | 同比例折扣 | ≈ ¥49 |
| GPT-4.1 | 官方折扣约 65% off | 同比例 | ≈ ¥37 |
| DeepSeek V3 | 本身已很低 | — | ≈ ¥9 |
国内直连，不用折腾代理，注册送 ¥1 可以直接跑几百次测试，余额永久不过期。
综合评分
| 维度 | Claude Sonnet 4.5 | GPT-4.1 | DeepSeek V3 |
|------|:-----------------:|:-------:|:-----------:|
| 代码调试 | ⭐⭐⭐⭐⭐ | ⭐⭐⭐⭐ | ⭐⭐⭐ |
| 代码补全 | ⭐⭐⭐⭐⭐ | ⭐⭐⭐⭐⭐ | ⭐⭐⭐⭐ |
| 长文理解 | ⭐⭐⭐⭐⭐ | ⭐⭐⭐⭐ | ⭐⭐⭐ |
| 数学推理 | ⭐⭐⭐⭐ | ⭐⭐⭐⭐ | ⭐⭐⭐⭐⭐ |
| 性价比 | ⭐⭐⭐ | ⭐⭐⭐⭐ | ⭐⭐⭐⭐⭐ |
结论：怎么选？
- 主力用 Claude Sonnet 4.5：如果你的场景是代码审查、技术文档、复杂指令跟随，Claude 4.5 目前是质量天花板，在无量Api上的 SVIP 价格让它的性价比从"用不起"变成了"可以日常用"。
- GPT-4.1 适合工程化场景：工具调用、结构化输出、函数调用稳定性上 GPT-4.1 体验更可预测，适合做 agent 底座。
- DeepSeek V3 是预算首选：数学、代码初稿、批量处理，在价格面前大部分差距都可以接受。如果你在做成本敏感的产品，DeepSeek V3 + 偶尔用 Claude 核对是个合理策略。
没有绝对的"最好"，只有最合适当前任务和预算的那个。
附：国内访问这三个模型的方式
直接调官方 API 在国内需要代理，而且 Claude 的官方渠道对国内账号限制越来越严。
我现在用的是无量Api，300+ 模型国内直连，格式和 OpenAI 完全兼容，改一行 base_url 就能切过去。注册有 ¥1 余额可以先跑测试，余额没有有效期，不用担心过期浪费。
V2EX 版链接：https://api2everything.xyz/?utm_source=v2ex&utm_medium=article&utm_campaign=daily&aff=wqUb