Claude 4.5 vs GPT-4.1 vs DeepSeek V3：用同一批 prompt 测了三天
Claude 4.5 vs GPT-4.1 vs DeepSeek V3：用同一批 prompt 测了三天
最近 V2EX 上关于 ChatGPT Plus 额度不够用的帖子刷屏了，有人说「两天就完」，有人在研究 Codex 续费后 reset usage 的问题。趁这个机会，我系统测了一下目前最主流的三个模型，场景都是日常开发和写作中真实遇到的，不是那种专门为了让某个模型表现好而设计的 benchmark。
测试环境说明
- 所有请求通过同一个 API key，避免不同账号权重差异
- 每个场景同一个 prompt 发三遍取中位数
- 测试时间：2025 年 7 月
- 模型版本：Claude Sonnet 4.5、GPT-4.1、DeepSeek V3（0324）
场景一：定位一个真实 bug
这是一段 Python 异步代码，有一个不容易发现的竞态条件。我直接把代码粘进去，不加任何提示，让模型自己找问题。
async def process_items(items):
results = []
async def handle(item):
result = await fetch(item)
results.append(result) # 问题在这
await asyncio.gather(*[handle(i) for i in items])
return results
Claude Sonnet 4.5：直接指出 asyncio.gather 并发执行时 results.append 虽然在 CPython 中因为 GIL 大概率安全，但在某些情况下（比如 append 触发列表扩容）仍有潜在问题，建议改用 asyncio.Queue 或收集返回值。解释路径清晰，没有废话。
GPT-4.1：同样找到了问题，解释也准确，但给了三种修改方案，其中一种用了 threading.Lock，在纯异步场景下有点跑偏。
DeepSeek V3：找到了问题，建议直接用 return await asyncio.gather(*[fetch(i) for i in items])，最简洁，但没有解释为什么原来的写法存在隐患。
小结：这个场景 Claude 4.5 的解释质量最高，DeepSeek 给的方案最实用，GPT-4.1 稍显啰嗦。
场景二：长上下文理解（8000 字技术文档）
把一份内部架构文档（约 8000 字，中英混杂）丢进去，问三个具体问题：某个服务的依赖关系、一个配置项的默认行为、以及文档中一处前后矛盾的地方。
| 模型 | 依赖关系 | 默认行为 | 找出矛盾 |
|------|----------|----------|----------|
| Claude Sonnet 4.5 | ✅ 准确 | ✅ 准确 | ✅ 找到了，并指出了页码 |
| GPT-4.1 | ✅ 准确 | ✅ 准确 | ⚠️ 找到了但描述模糊 |
| DeepSeek V3 | ✅ 准确 | ❌ 漏掉了一个边界条件 | ❌ 没有找到 |
长文档理解这个场景，Claude 4.5 明显更稳。DeepSeek V3 在长上下文里的细节召回率差一些，日常用 8k 以内问题不大，超过这个范围要小心。
场景三：数学推理（竞赛难度）
用了一道需要组合数学推导的题目，不是简单的算术。
三个模型都给出了过程，但：
- Claude 4.5 推导步骤最规整，最终答案正确
- GPT-4.1 过程有一步跳跃，但答案也对
- DeepSeek V3 推导过程有一处符号错误，但最终算出了正确答案（可能靠直觉补救了）
数学推理三个都能过，差异主要在过程严谨性，如果你在做数学辅助工具或者需要展示推导步骤，Claude 4.5 更靠谱。
场景四：代码补全（TypeScript + 复杂类型）
给了一个带泛型约束的 TypeScript 接口，让三个模型补全一个工具函数。
GPT-4.1 在复杂泛型上的表现一直不错，这次也是，类型推断完全正确。Claude 4.5 也给出了正确实现，但用了一个更保守的写法（显式类型断言），略繁琐。DeepSeek V3 的类型推断出现了一处错误，运行时没问题但 tsc 会报 warning。
纯 TypeScript 类型体操，GPT-4.1 略胜。
成本对比（这才是大多数人最关心的）
测完功能，算一下钱。下面是基于官方定价和无量 Api SVIP 价格的对比：
| 模型 | 官方输入价（/M tokens） | 官方输出价（/M tokens） | 无量 Api SVIP 输入 | 无量 Api SVIP 输出 |
|------|------------------------|------------------------|--------------------|--------------------|
| Claude Sonnet 4.5 | ¥21 | ¥105 | ¥7.5 | ¥37.5 |
| GPT-4.1 | ¥14 | ¥56 | ¥5.0 | ¥20.0 |
| DeepSeek V3 | ¥2 | ¥8 | ¥0.7 | ¥2.8 |
假设一个中等强度的开发者每月消耗 5M 输入 + 2M 输出：
| 模型 | 官方月费 | 无量 Api SVIP 月费 | 节省 |
|------|----------|--------------------|------|
| Claude Sonnet 4.5 | ¥315 | ¥112.5 | ¥202.5 |
| GPT-4.1 | ¥182 | ¥65 | ¥117 |
| DeepSeek V3 | ¥26 | ¥9.1 | ¥16.9 |
DeepSeek 本身就便宜，差价不大。但 Claude 和 GPT 的差价相当可观，用量越大越明显。
综合结论
| 场景 | 推荐模型 |
|------|----------|
| 代码 debug + 解释 | Claude Sonnet 4.5 |
| TypeScript 类型推断 | GPT-4.1 |
| 长文档理解 | Claude Sonnet 4.5 |
| 数学推理（展示过程） | Claude Sonnet 4.5 |
| 高频低成本任务 | DeepSeek V3 |
| 综合性价比 | DeepSeek V3（便宜）或 Claude 4.5（通过 API 中转降价后） |
没有哪个模型全赢，也没有哪个全输。DeepSeek V3 在成本敏感场景下几乎无敌，Claude 4.5 在需要解释和长文本的场景里最可靠，GPT-4.1 在复杂类型系统里有优势。
实际使用建议：主力用 DeepSeek V3 跑量，遇到 DeepSeek 搞不定的再切 Claude 4.5，不要无脑只用一个模型。
关于访问问题
国内直连 OpenAI / Claude / Gemini 是个老大难问题，自己搭代理不稳定，而且 Claude 的 API 本来就限制国内 IP。
我现在用的是无量 Api，300+ 模型国内直连，改一行 base_url 就行，OpenAI SDK 格式完全兼容，注册还送 ¥1 余额（永久有效，不是限时）。价格是官方的 7.7 折起，Claude Sonnet 4.5 的 SVIP 价比上面算的还要低。
Zhihu 看到这篇的：https://api2everything.xyz/?utm_source=zhihu&utm_medium=article&utm_campaign=daily&aff=wqUb
V2EX 看到这篇的：https://api2everything.xyz/?utm_source=v2ex&utm_medium=article&utm_campaign=daily&aff=wqUb