前言
后台经常收到一类问题：“到底该用哪个模型？”——GPT-4o 贵但全面、Claude 会写会推理、Gemini 长文本便宜、DeepSeek 性价比怪物。网上的评测大多基于公开 benchmark，但 benchmark 分数和我们实际干活的感觉经常对不上。
所以我做了个更接地气的测试：用同一套真实工作任务，让四家模型同台竞技。因为四个模型都在我的聚合网关端点里（见系列前三篇），整个测试只需要换model参数，公平性反而比分别调四家官网 API 更好（相同 temperature、相同 prompt、同一套计费口径）。
一、测试设置
参赛选手（都是当时的主力型号，价格以模型广场实时价为准）：
| 选手 | 定位印象 |
|---|---|
gpt-4o | 全能六边形战士，行业标杆 |
claude-sonnet-4-5 | 写作与复杂推理的口碑王 |
gemini-2.5-pro | 长上下文怪物，百万 token 窗口 |
deepseek-reasoner | 性价比与推理深度的国产黑马 |
测试项（都是日常开发中真实会遇到的）：
- 代码生成：写一个带重试与超时的 HTTP 客户端封装（Python）
- 代码审查：找出一段含 3 个 bug 的并发代码
- 中文长文写作：写一篇 800 字的技术短文，要求观点清晰
- 长上下文理解：投喂 3 万字文档后回答细节问题
- 成本效率：各模型完成同样 10 个任务的账单对比
二、结果速览（方向性结论）
以下是我测试时段的方向性观察，模型迭代很快，结论仅供参考，请以你自己的实测为准。
代码生成：Claude 和 GPT-4o 领跑，DeepSeek 惊艳
Claude 的代码风格最"工程化"——类型注解、异常处理、重试逻辑全都主动写好，基本拿到就能用。GPT-4o 稳定但中规中矩。最大的惊喜是 DeepSeek：核心逻辑正确率与两家旗舰几乎无差，价格只有零头——这也解释了为什么它成了我轻量任务路由的默认选项。
代码审查：推理型模型碾压
给 3 个并发 bug，deepseek-reasoner和 Claude 找全了，GPT-4o 漏了 1 个。结论：审查类任务必须用推理模型，这类任务占预算的比例应该提高。
中文写作：国产模型的母语优势
DeepSeek 和通义的中文行文最自然；Claude 结构感强但偶有翻译腔；GPT-4o 中规中矩。中文内容生产场景，国产模型已经是优选，不是"平替"。
长上下文：Gemini 的主场
3 万字文档的细节问答，Gemini 稳定发挥（毕竟窗口摆在那），Claude 表现同样出色，GPT-4o 和 DeepSeek 会丢失中段细节。处理长文档直接选长窗口模型，别硬塞。
成本：差距比性能差距大得多
完成同样 10 个任务，各模型的账单差距在10~30 倍之间。这引出了本次测试最重要的结论：
“哪个模型最强"是个伪问题，正确的问题是"每个环节该用哪个模型”。
三、所以我的最终配置是
跑完这轮测试，我把项目的模型分配改成了这样（在聚合网关下一个 Key 全搞定）：
| 环节 | 模型 | 理由 |
|---|---|---|
| Agent 规划、代码审查 | claude-sonnet-4-5 / deepseek-reasoner | 推理深度优先 |
| 日常代码生成 | gpt-4o / deepseek-chat | 质量与速度平衡 |
| 中文内容生产 | deepseek-chat | 母语优势 + 便宜 |
| 长文档分析 | gemini-2.5-pro | 长窗口刚需 |
| 批量摘要/分类等杂活 | deepseek-chat | 便宜到可以忽略 |
按这个配置跑了一个月，账单只有"全旗舰方案"的约 15%，质量几乎没有损失。
四、怎么复现我的测试
如果你想在同样的口径下跑一轮自己的横评（强烈建议，别人的结论永远不如自己的数据），接入很简单——任何 OpenAI 兼容端点都行，我是通过 Rqu AI 的聚合网关做的：注册后创建一个 Key，测试脚本里只改model参数，四家模型的请求格式完全一致，连结果解析代码都只写一份。
formodelin["gpt-4o","claude-sonnet-4-5","gemini-2.5-pro","deepseek-reasoner"]:resp=client.chat.completions.create(model=model,messages=case,**same_params)log_result(model,resp)对比测试的核心是控制变量：同参数、同 prompt、同计费口径。分散在四家官网测，光是对齐计费口径就够你喝一壶的。
五、结论
- 没有全能冠军，只有场景最优解；
- 代码审查/推理 → 推理模型；中文写作 → 国产模型；长文档 → 长窗口模型；
- 成本差距（10~30 倍）远大于质量差距（百分之几十），选型省下的钱比优化代码省下的钱多；
- 想自己跑横评，聚合到一个端点是控制变量最省事的方式。
测试脚本和任务集我会整理后开源，欢迎关注。
