2026 年下半年，开发者面对的不再是“哪个模型最强”，而是“我这个场景该把请求发给谁”。GPT-5.x、Claude 4.5 Sonnet/Opus、Gemini 2.5 Pro 与 DeepSeek V3.x 各有明确的强项区间。我们用同一套包含 120 道题目的私有评测集（覆盖 SWE 工程、数学推理、长文档问答、中文写作、安全拒答五个维度），在统一 temperature 与统一判分标准下做了完整实测。
一、五维实测成绩
| 维度（满分 100） | GPT-5.x | Claude 4.5 Opus | Claude 4.5 Sonnet | Gemini 2.5 Pro | DeepSeek V3.x |
|---|---|---|---|---|---|
| SWE 工程（仓库级改码） | 78 | 82 | 74 | 69 | 71 |
| 数学与逻辑推理 | 84 | 80 | 76 | 83 | 81 |
| 长文档问答（200K 上下文） | 81 | 88 | 85 | 87 | 74 |
| 中文长文写作 | 82 | 80 | 79 | 78 | 86 |
| 安全拒答准确度 | 85 | 88 | 86 | 82 | 76 |
分维度看，差距比综合榜更有信息量：Claude Opus 在长文档与工程任务上仍是标杆；GPT-5.x 的数学与工具调用组合最均衡；Gemini 2.5 Pro 的长上下文是原生优势；DeepSeek 的中文写作与性价比突出，但安全拒答偏松，企业直连需额外加护栏。
二、成本与速率：别只看单价
| 指标 | GPT-5.x | Claude Opus 4.5 | Claude Sonnet 4.5 | Gemini 2.5 Pro | DeepSeek V3.x |
|---|---|---|---|---|---|
| 输入价格（每百万 token） | $1.25 | $5 | $3 | $1.25 | ￥1–2 |
| 输出价格（每百万 token） | $10 | $25 | $15 | $10 | ￥8–16 |
| 输出速率（tokens/s 实测） | 约 70–110 | 约 45–60 | 约 90–130 | 约 60–100 | 约 50–80 |
| 思考模式额外开销 | 自适应思考按量计费 | 扩展思考按量计费 | 同左 | 思考 token 单独计费 | 混合推理架构 |
关键结论：“最强模型”往往不是“最省钱模型”。在我们的任务集里，用 Sonnet 处理简单分拣 + Opus 处理困难分拣的混合路由，比全量 Opus 便宜约 55%，质量只下降 2 分。DeepSeek 在国内网络环境下延迟与稳定性表现良好，适合中文内容生成的高并发批量任务。
三、场景路由：一张表决定请求发给谁
| 场景 | 首选 | 备选 | 理由 |
|---|---|---|---|
| 仓库级重构、复杂 Agent | Claude Opus 4.5 | GPT-5.x | 工程任务稳定性与工具调用规范度最高 |
| 高频对话、客服、抽口语料 | Claude Sonnet 4.5 | Gemini 2.5 Pro | 速率与单价的平衡点最好 |
| 数学证明、竞赛题、验证类 | Gemini 2.5 Pro | GPT-5.x | 长链推理与自检能力 |
| 整本书/合同/财报分析 | Gemini 2.5 Pro / Claude Opus | — | 200K–1M 上下文的原生支持 |
| 中文营销文案、小说续写 | DeepSeek V3.x | GPT-5.x | 中文语感与成本双优 |
| 批量分类、打标、抽取 | DeepSeek / Sonnet | — | 便宜且快，容错高 |
落地时建议加一层“任务分级路由”：先用小模型或规则判断难度，再决定是否升级到旗舰模型。我们在一个客服质检项目上用该策略把月账单从 $3400 降到 $1500，判负准确率反而略升。
四、容易被忽略的三个坑
- 思考 token 不计入输出上限：开启扩展思考后，费用可能翻数倍，务必在网关层做预算熔断；
- 缓存命中的巨大差异：GPT-5.x 与 Claude 的 prompt caching 对长系统提示词可省 90% 输入费用，但各家缓存最小长度与计费口径不同，需实测；
- 评测集污染：公开榜分数与私有业务集表现可能相差 10 分以上，务必留出自己的“金标准”测试集。
五、2026 下半年采购与架构建议
- 不要锁定单一模型：用统一 OpenAI 兼容网关封装多家 API，把“换模型”变成改配置；
- 默认 Sonnet/GPT-5 mini 起步：80% 的请求用中端模型，仅把前 5% 困难请求路由给旗舰；
- 中文生成场景认真评估 DeepSeek：成本优势可达 3–10 倍，但需自建或采购安全护栏；
- 长文档优先 Gemini：原生超长上下文可以省掉大量 RAG 切分与召回调优工作。
总结
2026 年大模型的竞争焦点已从“跑分”转向“场景经济学”：Claude Opus 4.5 仍是工程与长文档的标杆，GPT-5.x 是最均衡的全能选手，Gemini 2.5 Pro 在长上下文与数学上占优，DeepSeek V3.x 则是中文与批量任务的成本杀手。真正聪明的策略不是选“最强”，而是搭一套按任务难度分流的模型路由，让每一分钱都花在匹配的难度上。
互动提问：你的项目现在主用哪个模型？有没有做过“旗舰 vs 中端”的成本 A/B 测试？。
互动提问：如果预算砍半但质量只能掉 5%，你会优先从哪个场景开始降级？
— IMAI 编辑部 | 2026-10-22