横评对比 · 阅读约 5 分钟

Claude 4.5 vs GPT-5 vs DeepSeek V3：用同一批 prompt 测了三天，结论有点意外

Claude 4.5 vs GPT-5 vs DeepSeek V3：用同一批 prompt 测了三天，结论有点意外

最近几个模型都在密集更新，社区里讨论最热的无非是 Claude 4.5、GPT-5、DeepSeek V3 这三个。与其看各家的发布会 PPT，不如自己动手测。

我用同一套 prompt 集跑了三天，测了代码调试、长文理解、数学推理、日常对话四个场景，顺手也算了一下实际用下来的成本差异。结论写在最后，先说测试过程。

测试说明

  • 所有 prompt 固定，不针对某个模型调整措辞
  • 代码测试用的是真实项目里遇到的 bug，不是 LeetCode 玩具题
  • 长文理解塞了一篇 18000 token 的技术文档
  • 数学推理用了竞赛级别的组合数学题（AMC/AIME 难度）
  • 每个场景各跑 10 次取平均，避免随机性干扰

场景一：代码调试

测试内容：一个 Python async 并发 bug，race condition 导致的偶发性数据覆盖，加上一段有内存泄漏的 Rust 代码。

| 模型 | 定位准确率 | 修复质量 | 解释清晰度 |

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

| Claude 4.5 | ✅ 10/10 | 给了 2 种方案，分析了 tradeoff | ⭐⭐⭐⭐⭐ |

| GPT-5 | ✅ 9/10 | 直接给修复代码，少解释 | ⭐⭐⭐⭐ |

| DeepSeek V3 | ✅ 8/10 | 偶发漏掉边界情况 | ⭐⭐⭐⭐ |

Claude 4.5 在代码场景里确实更"像高级工程师"，不只是改代码，会主动问你这段的上下文意图。GPT-5 效率更高，直接给答案，适合你已经知道方向只需要它动手的场景。DeepSeek V3 表现稳定，偶尔在复杂并发场景里漏细节。

场景二：长文理解

测试内容：18000 token 的技术规范文档（真实的 RFC 草稿），问三类问题：事实抽取、跨段落推理、潜在矛盾识别。

| 模型 | 事实抽取 | 跨段落推理 | 矛盾识别 |

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

| Claude 4.5 | 准确 | 强，能串联远距离段落 | 发现 2/3 处矛盾 |

| GPT-5 | 准确 | 中等，偶尔混淆段落归属 | 发现 1/3 处矛盾 |

| DeepSeek V3 | 准确 | 中等 | 发现 1/3 处矛盾 |

长文理解是 Claude 的传统强项，这次没有意外。GPT-5 和 DeepSeek V3 在事实抽取上旗鼓相当，但涉及到需要把文档第 3 页和第 47 页联系起来分析的题目，Claude 的优势就拉开了。

场景三：数学推理

测试内容：5 道 AIME 级别组合数学题，要求写出完整推理过程。

| 模型 | 解题正确数 | 推理过程完整性 | 有无中途放弃 |

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

| Claude 4.5 | 3/5 | 完整，步骤清晰 | 无 |

| GPT-5 | 4/5 | 完整，偶有跳步 | 无 |

| DeepSeek V3 | 4/5 | 完整 | 无 |

这个场景有点意外——GPT-5 和 DeepSeek V3 反超了 Claude。GPT-5 在数学推理上确实有明显提升，DeepSeek V3 一直是数学强项，基本符合预期。Claude 4.5 不差，但在纯符号推理上不是最强选项。

场景四：代码补全 + 文档生成

测试内容：给一个没有注释的 700 行 TypeScript 文件，要求补全函数实现 + 生成 JSDoc + 写单测。

| 模型 | 补全质量 | 文档规范性 | 单测覆盖率 |

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

| Claude 4.5 | ⭐⭐⭐⭐⭐ | 标准 JSDoc，考虑了边缘 case | 高，有 mock |

| GPT-5 | ⭐⭐⭐⭐ | 规范，偶尔过于简洁 | 中等 |

| DeepSeek V3 | ⭐⭐⭐⭐ | 规范 | 中等 |

工程向任务 Claude 依然稳。

成本：这才是大多数人绕不开的问题

测完能力，算钱。以下是主流用法下的真实价格对比（输入 token 价格，每百万 token）：

| 模型 | 官方价（¥/M token） | 无量Api SVIP价（¥/M token） | 节省 |

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

| Claude Sonnet 4.5 | ¥21 | ¥7.5 | 64% |

| GPT-5 | ¥72 | ¥25 | 65% |

| DeepSeek V3 | ¥2 | ¥1.4 | 30% |

| Gemini 2.5 Pro | ¥22 | ¥8 | 64% |

拿 Claude Sonnet 4.5 举例：如果你每天跑 200 次 API 调用，每次平均 2000 token 输入，一个月下来：

  • 官方直连：约 ¥252/月
  • 无量Api SVIP：约 ¥90/月

差价直接能买一张好一点的机械键盘。如果是团队用量，差距会更明显。

综合结论

说实话没有"绝对最强"，适合的才是最好的：

  • 工程代码、长文档处理：Claude 4.5 首选，推理过程透明，适合需要理解而不只是结果的场景
  • 数学 / 逻辑推理、快速问答：GPT-5 或 DeepSeek V3，两者旗鼓相当，后者便宜很多
  • 成本敏感的高频调用：DeepSeek V3 性价比极高，能力也不弱
  • 需要同时调多模型做 fallback：统一接口最省心

如果你只用一个模型，按上面场景对号入座。如果你的项目需要多模型混用，接口统一是个实际问题——每个官方 API 的鉴权方式和格式都有差异，维护成本不低。

关于 API 接入

这次测试用的是 无量Api，国内直连，不需要科学上网，支持上面所有模型，格式完全兼容 OpenAI SDK，改一行 base_url 就能切。注册有 ¥1 余额可以直接试，永久不过期。

对于 V2EX 读者：这是 V2EX 专属链接

价格差这么多的原因不复杂：量大批发价加上运营成本摊薄，官方对个人开发者没有这种优惠通道。如果你在认真做项目，API 成本值得认真算一算。