横评对比 · 阅读约 5 分钟

Claude 4.5 vs GPT-5 vs DeepSeek V3：用同一组 bug 测了 3 天

Claude 4.5 vs GPT-5 vs DeepSeek V3：用同一组 bug 测了 3 天

最近 V2EX 上有个帖子说"奥特曼老是重置，这是给程序员送上瘾的毒药吗"——评论区炸了，有人说 GPT-5 真的香，有人说 DeepSeek V3 够用还省钱，有人转投 Claude。

趁着这波讨论，我花了三天，用同一批测试用例把这三个模型捋了一遍。测试维度：代码调试、长文理解、数学推理、上下文保持。不喝彩，不踩踏，只说数字。

测试环境说明

  • 所有模型统一走 API，避免网页端的差异干扰
  • 每个场景 3 次独立调用取中位结果
  • 费用按实际 token 计算，不做估算
  • 时间：2025 年 7 月

场景一：代码调试（一个真实线上 Bug）

背景：一段 Python 异步代码，在高并发下偶发死锁，本地难以复现。贴入代码（约 300 行）+ 错误日志。

| 模型 | 定位准确性 | 给出可运行的修复方案 | 解释质量 |

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

| Claude Sonnet 4.5 | ✅ 准确定位到 asyncio.Lock 嵌套问题 | ✅ 附完整重构代码 | 高，逐行注释 |

| GPT-5 | ✅ 定位准确，但给了两种可能原因 | ✅ 方案可用 | 中，有点啰嗦 |

| DeepSeek V3 | ⚠️ 定位到相邻位置，差一步 | ⚠️ 需要追问 | 中，够用 |

小结：Claude 4.5 这次直接给出了可部署的代码，GPT-5 略显保守（给了 A/B 两个方案让你选），DeepSeek V3 需要一轮追问才到位。

场景二：长文理解（PDF 研报 + 提问）

输入一篇 18000 字的行业研报（芯片供应链），要求：总结核心逻辑、找出数据前后矛盾处、提炼 3 个可操作结论。

| 模型 | 摘要质量 | 找出矛盾 | 结论可操作性 |

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

| Claude Sonnet 4.5 | 高，结构清晰 | ✅ 找到 2 处 | 强，有具体建议 |

| GPT-5 | 高，但倾向于面面俱到 | ✅ 找到 1 处 | 中，偏宏观 |

| DeepSeek V3 | 中，有遗漏 | ⚠️ 未主动指出 | 中 |

小结：长文理解是 Claude 的传统强项，这次依然稳。GPT-5 有点"什么都说但什么都不深"，DeepSeek V3 在超长上下文场景下表现有明显差距。

场景三：数学推理（竞赛级别）

题目：一道 AMC 12 级别的组合数学题，需要逐步推导。

| 模型 | 最终答案 | 推导过程 | 是否有中间错误 |

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

| Claude Sonnet 4.5 | ✅ 正确 | 完整，5 步 | 无 |

| GPT-5 | ✅ 正确 | 完整，4 步 | 无 |

| DeepSeek V3 | ✅ 正确 | 完整，6 步 | 第 3 步有小错但自纠 |

小结：数学推理三家都过关，GPT-5 路径最简洁，DeepSeek V3 会自我纠错是个亮点。这个场景分不出高下。

场景四：多轮对话上下文保持

在一次对话里设定一个架构约束（"所有服务必须无状态"），后续 15 轮对话里提各种设计问题，看模型是否始终遵守约束。

| 模型 | 约束保持轮数 | 第一次违反约束 |

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

| Claude Sonnet 4.5 | 15/15 | 未违反 |

| GPT-5 | 13/15 | 第 11 轮建议用 session 存储 |

| DeepSeek V3 | 9/15 | 第 8 轮开始忘记约束 |

小结：这个测试比较残酷，Claude 4.5 全程没失忆，GPT-5 在长对话后期有漂移，DeepSeek V3 上下文保持是明显短板。

综合对比表

| 维度 | Claude Sonnet 4.5 | GPT-5 | DeepSeek V3 |

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

| 代码调试 | ⭐⭐⭐⭐⭐ | ⭐⭐⭐⭐ | ⭐⭐⭐ |

| 长文理解 | ⭐⭐⭐⭐⭐ | ⭐⭐⭐⭐ | ⭐⭐⭐ |

| 数学推理 | ⭐⭐⭐⭐ | ⭐⭐⭐⭐⭐ | ⭐⭐⭐⭐ |

| 上下文保持 | ⭐⭐⭐⭐⭐ | ⭐⭐⭐⭐ | ⭐⭐⭐ |

| 官方价（输入/M tokens） | ¥21 | ¥37.5 | ¥2 |

| 无量Api SVIP 价 | ¥7.5 | ¥14 | ¥0.7 |

| 省多少 | 64% | 63% | 65% |

价格以人民币计，M = 百万 tokens，SVIP 7.7 折基础上叠加活动价，实时以官网为准。

成本测算：一个实际项目的账单

假设你在做一个代码审查工具，每天处理 500 个 PR，平均每次请求输入 2000 tokens、输出 500 tokens：

每月 token 消耗：约 37.5M 输入 + 9.4M 输出

| 方案 | 月费用（Claude Sonnet 4.5） |

|---|---|

| 直接走 Anthropic 官方 | ≈ ¥1,050 |

| 无量Api SVIP | ≈ ¥375 |

| 差价 | ¥675/月 |

三个月下来就是两千块，够续好几年土区 Plus 了（前提是土区续费别再涨价）。

结论

不存在"最好的模型"，只有"最适合你任务的模型"：

  • 需要长上下文、代码重构、文档理解：首选 Claude Sonnet 4.5，准确且有耐心
  • 数学、逻辑推理、简洁回答：GPT-5 在这块表现最稳
  • 预算敏感、高并发、对上下文要求不高：DeepSeek V3 的性价比无可替代

三家都值得在项目里根据场景混用，别绑死在一家身上。

关于访问门槛

国内直接调这几家官方 API，网络问题是第一道坎，其次是汇率换算和 key 管理。最近在用无量Api，支持 Claude / GPT / Gemini / DeepSeek 等 300+ 模型，OpenAI 格式兼容，改一行 base_url 就切过去了，国内直连不需要额外折腾。注册送 ¥1，余额永久不过期，先试再说。