Claude 4.5 vs GPT-4.1 vs DeepSeek V3：用同一套题测了三天，结论有点意外
Claude 4.5 vs GPT-4.1 vs DeepSeek V3：用同一套题测了三天，结论有点意外
最近 V2EX 上不少人在讨论 OpenAI 账号问题、codex 工作流，也有人问 DeepSeek 在 flash 场景下的表现。干脆整一篇横评，把几个当下最热门的模型放在同一套测试场景下跑一遍，数据说话。
测试说明
测试时间：2025 年 7 月
测试模型：Claude Sonnet 4.5 / GPT-4.1 / DeepSeek V3 / Gemini 2.5 Flash
测试维度：代码调试、长文理解、数学推理、中文创作、成本估算
评分标准：准确性（40%）+ 输出质量（30%）+ 响应速度（30%），满分 10 分
场景一：代码调试（一个真实 bug）
用了一段 Python 异步代码，存在 asyncio.gather 和异常捕获配合不当的问题，外加一个隐藏的竞争条件。
| 模型 | 是否找到竞争条件 | 修复质量 | 解释清晰度 | 综合评分 |
|------|:---:|:---:|:---:|:---:|
| Claude Sonnet 4.5 | ✅ | 优 | 优 | 9.2 |
| GPT-4.1 | ✅ | 优 | 良 | 8.8 |
| DeepSeek V3 | ✅ | 良 | 优 | 8.6 |
| Gemini 2.5 Flash | ❌（漏掉） | 中 | 良 | 6.9 |
Claude 4.5 在这个场景下确实更细心，不只给修复代码，还主动指出了两处"虽然现在没报错但未来可能出问题"的地方。GPT-4.1 修复准确但解释略显模板化。DeepSeek V3 的中文注释写得很地道，适合团队里有非英语母语成员的场景。
场景二：长文理解（10000 字技术文档问答）
喂入一篇 Kubernetes 网络策略的长篇英文文档，提 8 个问题，其中 3 个答案需要跨段落推理。
| 模型 | 8 题答对数 | 跨段落推理 | 幻觉次数 | 综合评分 |
|------|:---:|:---:|:---:|:---:|
| Claude Sonnet 4.5 | 8/8 | 3/3 | 0 | 9.5 |
| Gemini 2.5 Flash | 7/8 | 2/3 | 1 | 8.4 |
| GPT-4.1 | 7/8 | 2/3 | 0 | 8.2 |
| DeepSeek V3 | 6/8 | 2/3 | 2 | 7.3 |
长文理解是 Claude 4.5 的强项，这个结论没什么争议。Gemini 2.5 Flash 速度快、上下文窗口大，性价比很高。DeepSeek V3 在英文专业文档场景下幻觉稍多，换成中文技术文档则表现好很多。
场景三：数学推理（AMC/竞赛级题目）
选了 5 道 AMC 10/12 难度的题目，要求给出完整解题过程。
| 模型 | 5 题答对数 | 解题过程完整性 | 综合评分 |
|------|:---:|:---:|:---:|
| GPT-4.1 | 5/5 | 优 | 9.4 |
| Gemini 2.5 Flash | 4/5 | 优 | 8.8 |
| Claude Sonnet 4.5 | 4/5 | 良 | 8.3 |
| DeepSeek V3 | 4/5 | 良 | 8.1 |
数学场景 GPT-4.1 反超，步骤拆解尤其清晰，适合拿来做数学教学或辅助刷题。DeepSeek V3 在这个维度和 Claude 差距不大，但价格便宜很多。
场景四：中文创作（产品文案 + 技术博客开头）
各给一个产品描述需求和一个技术博客题目，让四个模型各写一版。
| 模型 | 语言自然度 | 创意度 | 符合需求程度 | 综合评分 |
|------|:---:|:---:|:---:|:---:|
| DeepSeek V3 | 优 | 优 | 优 | 9.3 |
| Claude Sonnet 4.5 | 优 | 良 | 优 | 8.7 |
| GPT-4.1 | 良 | 良 | 优 | 8.0 |
| Gemini 2.5 Flash | 中 | 中 | 良 | 7.1 |
中文创作 DeepSeek V3 明显占优，语感更接近中文母语写作者，不会出现那种机翻腔。这个场景强烈推荐优先考虑 DeepSeek。
场景五：成本估算（月均 100 万 token 使用量）
这里用一个典型场景：每月输入 70 万 token + 输出 30 万 token，算一下各平台的实际花费。
官方价格（美元转人民币按当前汇率）
| 模型 | 输入价 | 输出价 | 月费用估算 |
|------|:---:|:---:|:---:|
| Claude Sonnet 4.5 | ¥21/M | ¥105/M | ¥46.2 |
| GPT-4.1 | ¥14/M | ¥56/M | ¥26.6 |
| Gemini 2.5 Flash | ¥2.7/M | ¥10.5/M | ¥5.0 |
| DeepSeek V3 | ¥2.8/M | ¥11.2/M | ¥5.3 |
通过无量Api（SVIP 7.7 折，国内直连）
| 模型 | 输入价 | 输出价 | 月费用估算 | 节省 |
|------|:---:|:---:|:---:|:---:|
| Claude Sonnet 4.5 | ¥7.5/M | ¥37/M | ¥16.2 | 节省 65% |
| GPT-4.1 | ¥5.4/M | ¥21.6/M | ¥10.3 | 节省 61% |
| Gemini 2.5 Flash | ¥1.0/M | ¥4.0/M | ¥1.9 | 节省 62% |
| DeepSeek V3 | ¥1.0/M | ¥4.2/M | ¥1.96 | 节省 63% |
对于高频调用场景，Claude Sonnet 4.5 的官方价格压力比较大，通过聚合 API 走量的话每月能省几十到几百块，积累下来相当可观。
总结：选哪个？
说实话没有一个全场最强的选手，要看你的用途：
- 代码调试 / 长文理解：Claude Sonnet 4.5 目前综合最稳，但价格是短板
- 数学推理 / 逻辑题：GPT-4.1 更可靠
- 中文内容生产：DeepSeek V3 性价比无对手
- 高并发低成本场景：Gemini 2.5 Flash 是真香选项
- 需要频繁切换多个模型：用一个聚合 API 会方便很多，不用管每家的账号和网络问题
关于访问和成本
测试过程中用了国内直连的聚合接口，体验上没有 timeout 和 502 的困扰，对于在 V2EX 上看到有人吐槽"手机上登录不了 ChatGPT"这类情况，一个稳定的 API 接口确实能省不少麻烦。
目前在用的是 无量Api，支持 300+ 模型，OpenAI 格式兼容，改一行 base_url 就能接入，注册有 ¥1 体验额度，余额不过期。SVIP 价格是官方的 7.7 折左右，Claude Sonnet 4.5 跑下来 ¥7.5/M tokens，比自己开官方账号便宜不少。
有在用 opencode、cursor 或者自己搭工作流的同学可以看看，接入成本很低。