横评对比 · 阅读约 6 分钟

Claude 4.5 vs GPT-4.1 vs Gemini 2.5 Pro vs DeepSeek V3：用同一批任务测了三天

Claude 4.5 vs GPT-4.1 vs Gemini 2.5 Pro vs DeepSeek V3：用同一批任务测了三天

最近模型更新密集，各家旗舰都在同一时期活跃。与其看跑分，不如拿真实任务测一遍。

测试说明

测试时间：近三天，每个场景每个模型跑 3 次取中位表现。

被测模型：

  • Claude Sonnet 4.5（Anthropic）
  • GPT-4.1（OpenAI）
  • Gemini 2.5 Pro（Google）
  • DeepSeek V3（深度求索）

测试任务涵盖：代码调试、长文理解、数学推理、多轮对话连贯性。

场景一：代码调试——一段有隐藏并发 bug 的 Python

给出一段 asyncio + aiohttp 的爬虫代码，里面有个典型的 Session 在协程间共享导致的竞态问题，不主动提示，让模型自己找。

GPT-4.1：直接定位到 aiohttp.ClientSession 的复用问题，给出了加锁和改用 async with 的两种方案，解释清晰，第一次就对了。

Claude Sonnet 4.5：同样找到了根本原因，额外指出了一个潜在的 SSL context 线程安全问题（我确实没注意到），这个额外的发现比较有价值。

Gemini 2.5 Pro：找到了主要 bug，但给的修复方案稍微绕了一点，需要追问才给出更简洁的写法。

DeepSeek V3：找到问题，修复方案直接可用，代码风格比较中规中矩，没有额外发散。

小结：代码调试四个模型都过关，Claude 4.5 在这个场景稍有亮点。

场景二：长文理解——40 页财报的关键信息提取

上传一份真实上市公司年报（约 50k token），要求提取：营收同比、毛利率变化、主要风险项、管理层对未来的表述。

Gemini 2.5 Pro：表现最稳，100万 token 上下文是真实优势，对文档结构的把握明显好于其他模型，提取的风险项更完整。

Claude Sonnet 4.5：摘要质量高，语言更自然，但在数字精确性上偶尔有小偏差，需要核对。

GPT-4.1：提取准确，但对财报中一些隐晦表述的理解稍弱，需要追问才能深入。

DeepSeek V3：长文处理有一定的遗漏，在 50k token 的场景下中间段落信息容易丢失。

小结：长上下文任务，Gemini 2.5 Pro 目前是最稳的选择。

场景三：数学推理——AMC/竞赛级别题目

选了 5 道 AMC 12 和 2 道 AIME 2024 的题，不给步骤提示，直接要答案和过程。

| 题目 | GPT-4.1 | Claude 4.5 | Gemini 2.5 Pro | DeepSeek V3 |

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

| AMC 12 (5题) | 4/5 | 4/5 | 5/5 | 4/5 |

| AIME (2题) | 1/2 | 1/2 | 2/2 | 1/2 |

Gemini 2.5 Pro 在纯数学推理上表现最突出，AIME 两题全对，过程清晰。其余三个模型在这个难度下表现相近。

场景四：多轮对话连贯性——模拟一次代码重构讨论

用 15 轮对话推进一个重构任务，看模型是否会忘记前面的约束条件（比如"不要引入新依赖"、"保持接口兼容"）。

Claude Sonnet 4.5：连贯性最好，第 13 轮还主动提醒了之前定的一个约束。

GPT-4.1：整体稳，但第 10 轮之后有一次忽略了"不引入新依赖"的约束，需要提醒。

Gemini 2.5 Pro：中间有一次偏离了任务主线，被纠正后恢复正常。

DeepSeek V3：在第 8 轮后开始出现约束遗忘，多轮长对话是相对薄弱的环节。

综合评分（主观，仅供参考）

| 能力维度 | GPT-4.1 | Claude Sonnet 4.5 | Gemini 2.5 Pro | DeepSeek V3 |

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

| 代码调试 | ★★★★★ | ★★★★★ | ★★★★☆ | ★★★★☆ |

| 长文理解 | ★★★★☆ | ★★★★☆ | ★★★★★ | ★★★☆☆ |

| 数学推理 | ★★★★☆ | ★★★★☆ | ★★★★★ | ★★★★☆ |

| 多轮连贯 | ★★★★☆ | ★★★★★ | ★★★★☆ | ★★★☆☆ |

| 综合 | 强 | 强 | 强 | 性价比高 |

没有哪个模型全面碾压，场景决定选型。

成本对比——这才是日常用量的关键

测完能力，再看看实际成本。按每月输入 5M token / 输出 1M token 估算：

| 模型 | 官方价（输入/输出，$/M token） | 折算人民币（约） | 无量Api SVIP价 | 每月节省 |

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

| Claude Sonnet 4.5 | $3 / $15 | 输入¥21/M | ¥7.5/M | ~64% |

| GPT-4.1 | $2 / $8 | 输入¥14.5/M | ¥5.2/M | ~64% |

| Gemini 2.5 Pro | $1.25 / $10 | 输入¥9/M | ¥3.5/M | ~61% |

| DeepSeek V3 | $0.27 / $1.1 | 输入¥2/M | ¥0.7/M | ~65% |

以上 SVIP 价格为无量Api 7.7 折档，普通用户也有折扣，注册即送 ¥1 余额。

按上面的用量估算，每月单 Claude Sonnet 4.5 就能省出一顿饭钱。如果跑批量任务，差距更明显。

结论

  • 日常编程助手：GPT-4.1 和 Claude 4.5 都可以，两者不分伯仲，看个人偏好。
  • 长文档处理：优先 Gemini 2.5 Pro，上下文窗口是真实优势。
  • 数学 / 科学推理：Gemini 2.5 Pro 目前最稳。
  • 预算敏感 / 高并发调用：DeepSeek V3 性价比突出，能力不弱。
  • 多轮复杂对话：Claude Sonnet 4.5 的上下文跟踪表现最好。

接入成本

四个模型都支持 OpenAI 格式。如果你已经在用 OpenAI SDK，切换其他模型只需改两行：


client = OpenAI(

    api_key="your_key",

    base_url="https://api2everything.xyz/v1"  # 改这一行

)

# model= 参数里直接填 claude-sonnet-4-5 / gemini-2.5-pro 等，其他不变

余额永久有效，不用担心月底清零。

国内直连，不需要额外处理网络问题，延迟也比绕路稳定。

→ 注册地址：api2everything.xyz（注册送 ¥1，四个模型都能试）

数据基于个人测试，模型表现随版本更新会有变化，建议用自己的实际场景验证。