Claude 4.5 vs GPT-4.1 vs DeepSeek V3：用同一套题目测了三天

背景：最近 V2EX 上 Codex 额度、ChatGPT Plus 续费、AI 写出"三个月后还能看懂"的代码这几个帖子讨论很热。趁机整理了一次横评——用完全相同的测试集，分别跑了 Claude Sonnet 4.5、GPT-4.1、DeepSeek V3，记录真实感受。

测试说明

用的是一段真实的 Python 异步并发 bug——多个 asyncio.Task 共享同一个非线程安全的列表，偶发数据错乱。

提示词：直接贴代码，不说"这有 bug"，只说"帮我 review 这段代码"。

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

小结：这一轮 Claude 4.5 表现最细，GPT-4.1 紧随其后，DeepSeek V3 需要多轮对话才能挖出完整答案。

输入一篇 10000 字的系统设计文档（包含架构图描述、接口定义、性能指标），问三个问题：

1. 这个系统的最大瓶颈在哪里？

2. 如果 QPS 翻倍，哪个组件最先崩？

3. 有哪些设计决策你认为值得商榷？

| 模型 | 全文理解准确度 | 问题1 | 问题2 | 问题3（批判性）|

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

| Claude Sonnet 4.5 | 高 | 准确 | 准确 | 给出了 2 条有价值的质疑 |

| GPT-4.1 | 高 | 准确 | 准确 | 质疑较保守，偏"都合理" |

小结：长文理解上 Claude 和 GPT 差距不大，Claude 的"批判性"更强一点，不容易说场面话。DeepSeek 在超长上下文场景还是稍弱。

用了三道题：一道高中竞赛级数列、一道概率论（条件期望）、一道线性规划建模。

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

| Claude Sonnet 4.5 | ✅ 正确 | ✅ 正确，步骤清晰 | ✅ 正确 |

| GPT-4.1 | ✅ 正确 | ✅ 正确 | ✅ 正确 |

| DeepSeek V3 | ✅ 正确 | ⚠️ 过程有跳步，结论对 | ✅ 正确 |

小结：数学推理三家都不差，日常使用完全够用。DeepSeek 的推理过程有时候不够严谨，但最终答案通常是对的——如果你只要结论，无所谓；如果你要学习过程，Claude 和 GPT 更清晰。

这个场景来自 V2EX 的一个热帖，讨论 AI 写出的代码可维护性。

任务：用 Python 写一个带缓存的 API 客户端，要求：变量命名合理、有 docstring、异常处理完整、方便后人扩展。

三家都能写出功能正确的代码，差别在细节：

Claude Sonnet 4.5：命名语义清晰，docstring 详尽，主动加了类型注解，还在关键位置写了 # TODO 提示后续优化点——这是我最欣赏的一点，它在替你想"下一个维护者是谁"。
GPT-4.1：代码质量稳定，注释够用，但风格偏"教科书"，缺一点"工程感"。
DeepSeek V3：能完成任务，但注释稀疏，有时命名偏短（res、tmp 这类），三个月后确实要多想一秒。

测试完能力，算一笔账。以下是实际调用成本（以 100 万 token 为单位）：

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

举个实际例子：如果你每天调用 Claude Sonnet 4.5 消耗 200 万输入 + 50 万输出 token（中等规模的个人项目），一个月下来：

省了将近 65%，而且国内直连，不用折腾网络。

说实话，没有哪个模型在所有场景都碾压其他两个。

三个模型我都在用，根据任务切换。统一接入格式之后，切换成本几乎为零——这一点等下说。

不少人被卡在网络访问和付款上。我目前用的是 无量Api（api2everything.xyz），300+ 模型统一走 OpenAI 兼容格式，改一行 base_url 就能切换，国内直连不需要额外配置。

注册送 ¥1 余额，可以先跑几个测试不花钱。余额永久有效，不用担心月底清零。

价格比官方便宜 60% 以上，SVIP 打到 7.7 折，上面成本表里的数字是真实价格不是噱头。

数据基于个人测试，模型版本和价格以官方公告为准，定期更新。