Claude 4.5 vs GPT-5 vs DeepSeek V3：用同一组测试跑了 3 天，结论有点意外
Claude 4.5 vs GPT-5 vs DeepSeek V3：用同一组测试跑了 3 天，结论有点意外
最近这几个模型在 V2EX 和各种群里都被翻来覆去讨论。正好手头有几个真实场景的测试用例，就系统跑了一遍，把结果整理出来。
没有赞助，没有立场，就是纯用。
测试说明
- 测试时间：2025 年 7 月
- 接入方式：统一用 OpenAI 格式 API，Base URL 切换到同一个中转服务，保证网络条件一致
- 计费方式：按实际 token 消耗记录，不用官网 Playground（网页版有缓存和系统 prompt 干扰）
- 模型版本：claude-sonnet-4-5、gpt-5、deepseek-v3（最新版）、gemini-2.5-pro、grok-4
场景一：代码调试（真实 Bug）
用了一段生产环境里遇到的 Python 并发问题，涉及 asyncio 事件循环嵌套，加上一个 SQLAlchemy session 线程安全的隐藏 bug。直接贴代码，不给任何提示，让模型自己找问题。
DeepSeek V3 最快定位到了 asyncio.run() 嵌套问题，但对 SQLAlchemy session 的说明只提到"建议用 scoped_session"，没有解释为什么当前写法在多线程下会出问题。
Claude Sonnet 4.5 找到了两个 bug，对 session 的线程安全解释很完整，还给出了用 contextvars 的替代方案，顺手提了一句 async 场景下用 AsyncSession 更合适。答案最长，但信息密度高。
GPT-5 找到了主要问题，代码修复建议干净，解释比较简洁。给的 fix 是直接可用的，但没有像 Claude 那样展开讲背后的原理。
Gemini 2.5 Pro 找到了两个 bug，解释清晰，代码给的也对，整体和 GPT-5 差不多，在这个场景没有特别突出。
Grok 4 找到了主 bug，修复方向正确，但对 SQLAlchemy 那个问题分析有点浅，建议比较模板化。
场景二：长文档理解（40K token 合同）
输入一份 40K token 的英文商业合同，要求：提取所有违约条款、列出甲方义务、找出隐含风险点。
| 模型 | 违约条款提取完整度 | 隐含风险识别 | 上下文一致性 |
|---|---|---|---|
| Claude Sonnet 4.5 | ★★★★★ | 发现 3 处非显性风险 | 前后引用准确 |
| GPT-5 | ★★★★☆ | 发现 2 处 | 偶有遗漏 |
| Gemini 2.5 Pro | ★★★★★ | 发现 3 处 | 准确，速度最快 |
| DeepSeek V3 | ★★★☆☆ | 发现 1 处 | 中段内容有丢失 |
| Grok 4 | ★★★★☆ | 发现 2 处 | 整体稳定 |
长上下文这块 Claude 和 Gemini 明显更强，DeepSeek V3 在超长文本场景下表现有明显下滑，这个要注意。
场景三：数学推理（竞赛题）
选了 3 道 AMC/AIME 级别的题目，要求给出完整推导过程，不只是答案。
- GPT-5 全对，推导步骤清晰，符号使用规范
- Gemini 2.5 Pro 全对，推导过程更详细，适合用来做解题辅助
- Claude Sonnet 4.5 2/3，有一道题在最后一步出了计算错误，但中间过程是对的
- Grok 4 2/3，和 Claude 类似
- DeepSeek V3 3/3，推导过程稍显跳步，但答案全对
数学推理上 GPT-5 和 Gemini 2.5 Pro 这次表现最稳，DeepSeek V3 答案正确但不适合当做学习用的解题示范。
场景四：成本（这才是大多数人最关心的）
跑完上面的测试，我把 token 消耗记下来算了一下实际花费。这里用官方定价和无量 API 的 SVIP 价格做对比：
| 模型 | 官方输入价（/M token） | 官方输出价（/M token） | 无量 SVIP 输入价 | 无量 SVIP 输出价 |
|---|---|---|---|---|
| Claude Sonnet 4.5 | ¥21 | ¥105 | ¥7.5 | 约¥37 |
| GPT-5 | ¥54 | ¥216 | 约¥19 | 约¥76 |
| Gemini 2.5 Pro | ¥9 | ¥54 | 约¥3.2 | 约¥19 |
| DeepSeek V3 | ¥1.33 | ¥5.32 | ¥0.5 | 约¥1.9 |
| Grok 4 | 约¥72 | 约¥216 | 约¥25 | 约¥76 |
这次三天测试，全部走官方 API 大概要花 ¥80 左右；走无量 SVIP 实际花了不到 ¥30。对于日常开发调试来说，差距很明显，尤其是 Claude 和 GPT-5 这种高单价模型。
综合结论
没有哪个模型在所有场景都是第一，这是真实情况：
- 代码调试、长上下文分析：Claude Sonnet 4.5 和 Gemini 2.5 Pro 是首选
- 数学推理、逻辑题：GPT-5 和 Gemini 2.5 Pro 更稳
- 日常开发、成本敏感场景：DeepSeek V3 性价比碾压，够用就好
- Grok 4：整体中规中矩，在 X 平台相关数据任务上可能有额外优势，但通用场景没有明显理由优先选它
我的日常工作流基本是：先用 DeepSeek V3 做草稿和快速验证，复杂问题切到 Claude 或 Gemini，偶尔数学相关用 GPT-5 复核。多模型切换的成本主要是 Base URL 和 API Key 管理，如果用同一个聚合服务会方便很多。
关于 API 接入成本
国内直连这几个模型一直是个麻烦事，官方线路不稳定、付款方式受限、价格也不便宜。我目前用的是 无量 API，支持 300+ 模型，格式完全兼容 OpenAI，改一行 Base URL 就能切过去，注册就送 ¥1 余额，余额永久不过期。
SVIP 折扣是 7.7 折，算下来 Claude Sonnet 4.5 输入价 ¥7.5/M，比官方便宜将近 65%，长期跑的话省的不是小数。
V2EX 版本推广链接：https://api2everything.xyz/?utm_source=v2ex&utm_medium=article&utm_campaign=daily&aff=wqUb