Claude Sonnet 4.5 vs GPT-4.1 vs DeepSeek V3：用同一批任务测了 3 天
Claude Sonnet 4.5 vs GPT-4.1 vs DeepSeek V3：用同一批任务测了 3 天
最近几个模型同台竞技的讨论很多，与其争来争去，不如实测说话。我选了 4 个日常高频场景，用同样的 prompt 喂给三个模型，记录下真实结果和成本。
测试说明
- 测试时间：2025 年 7 月
- 模型版本：Claude Sonnet 4.5 / GPT-4.1 / DeepSeek V3（0324）
- 调用方式：API，temperature 统一 0.7，没有特别的系统提示
- 成本单位：人民币，按 token 实际消耗折算
场景一：找 Bug + 修复建议
任务描述：给一段 300 行的 Python 异步爬虫，里面藏了 3 个 bug（一个并发锁问题、一个 session 未关闭、一个异常吞掉了导致静默失败）。
| 模型 | 找出 bug 数 | 修复质量 | 解释清晰度 |
|------|------------|---------|-----------|
| Claude Sonnet 4.5 | 3/3 | ★★★★★ | 逐行解释，指出根因 |
| GPT-4.1 | 3/3 | ★★★★☆ | 修复正确，解释略简 |
| DeepSeek V3 | 2/3 | ★★★☆☆ | 并发锁问题漏了 |
Claude 这次表现最稳，特别是对并发问题的描述很到位，直接点出了 asyncio.Lock 的作用域不对。GPT-4.1 修复也没问题，就是解释不如 Claude 细致。DeepSeek V3 在这个场景稍弱，但考虑到价格差距，漏一个 bug 也情有可原。
场景二：长文理解 + 信息抽取
任务描述：一篇 8000 字的技术文档（英文），要求：① 提炼核心观点 3 条；② 找出所有数字结论；③ 指出作者没有支撑的论断。
| 模型 | 核心观点准确性 | 数字抽取完整性 | 识别无支撑论断 |
|------|--------------|--------------|--------------|
| Claude Sonnet 4.5 | 准确，有层次 | 完整（12/12） | 找到 4 处 |
| GPT-4.1 | 准确 | 完整（12/12） | 找到 3 处 |
| DeepSeek V3 | 基本准确 | 略有遗漏（10/12）| 找到 2 处 |
长文场景是 Claude 的传统强项，这次继续稳。GPT-4.1 差距不大，两者都能做到"读完全文再说话"。DeepSeek V3 漏了 2 个数字，可能是上下文处理上还有差距。
场景三：数学推理（竞赛级）
任务描述：3 道 AMC 12 难度题 + 1 道概率论应用题（贝叶斯更新，条件比较绕）。
| 模型 | 答对题数 | 过程是否完整 | 有无"假装自信"错误 |
|------|---------|------------|-----------------|
| Claude Sonnet 4.5 | 3/4 | 完整 | 1 处 |
| GPT-4.1 | 3/4 | 完整 | 0 处 |
| DeepSeek V3 | 4/4 | 完整 | 0 处 |
这个场景 DeepSeek V3 赢了，而且是全对。数学推理一直是 DeepSeek 系列的强项，这次再次印证。GPT-4.1 答对 3 题但没有出现"自信地给出错误答案"的情况，相对稳健。Claude 有一处明显的计算失误。
场景四：代码生成（从需求到可跑）
任务描述：用 FastAPI 写一个带 JWT 鉴权的文件上传接口，要求支持断点续传，返回上传进度。
| 模型 | 代码能否直接跑 | 功能完整性 | 代码风格 |
|------|-------------|----------|---------|
| Claude Sonnet 4.5 | ✅ | 断点续传完整实现 | 整洁，注释到位 |
| GPT-4.1 | ✅ | 断点续传完整实现 | 整洁 |
| DeepSeek V3 | ⚠️ 小改动后可跑 | 断点逻辑有简化 | 中规中矩 |
Claude 和 GPT-4.1 打了个平手，生成的代码质量都很高。DeepSeek V3 的断点续传逻辑做了简化（没有 chunk 校验），需要自己补。
成本对比（这才是重点）
光看能力不看价格没意义，API 调用是长期成本。
官方定价 vs 无量Api
| 模型 | 官方输入价 | 官方输出价 | 无量Api SVIP 输入 | 无量Api SVIP 输出 |
|------|----------|----------|----------------|----------------|
| Claude Sonnet 4.5 | ¥21/M tokens | ¥105/M tokens | ¥7.5/M | ¥37.5/M |
| GPT-4.1 | ¥14/M tokens | ¥56/M tokens | ¥5.0/M | ¥20/M |
| DeepSeek V3 | ¥1.33/M tokens | ¥5.32/M tokens | ¥0.5/M | ¥2.0/M |
注：官方价格按美元汇率 7.2 折算，无量Api SVIP 为 7.7 折，普通用户也有折扣。
实测这 4 个场景总 token 消耗
每个场景约 2000 input + 800 output tokens，4 个场景合计约 8000 input + 3200 output。
| 模型 | 官方费用 | 无量Api SVIP 费用 | 节省 |
|------|---------|----------------|-----|
| Claude Sonnet 4.5 | ¥0.50 | ¥0.18 | 64% |
| GPT-4.1 | ¥0.29 | ¥0.10 | 65% |
| DeepSeek V3 | ¥0.028 | ¥0.010 | 64% |
单次测试费用差距看起来小，但如果是每天跑几百次调用的项目，月度成本差距会非常显著。
总结
不绕弯子，直接说结论：
选 Claude Sonnet 4.5：如果你的核心场景是代码审查、长文档分析、需要详细解释的任务，Claude 4.5 目前仍然是综合体验最好的，特别是"解释为什么"这件事做得很扎实。
选 GPT-4.1：如果你在意稳健性，不想出现"自信地给错误答案"的情况，GPT-4.1 在这点上表现得很克制。工具调用的生态也最成熟。
选 DeepSeek V3：数学、逻辑推理场景优先选它，而且价格是三者中最低的，性价比无敌。对于预算有限的个人开发者，DeepSeek V3 基本够用。
没有一个模型在所有场景都碾压其他两个，按场景选模型是更务实的做法。
关于访问和成本
上面成本表里的无量Api价格来自 api2everything.xyz。国内直连，不需要代理，支持 OpenAI 格式，只改一行 base_url 就能切换。注册送 ¥1 余额，够跑不少测试了，余额也不会过期。
如果你在做模型选型，先用送的余额把自己的核心 prompt 跑一遍，比看任何评测都准。