上周我接了个私活，甲方要求同时对接好几个大模型做 A/B 测试——GPT-5.4 刚出没几天，老板非要跟 Claude Opus 4.6、Gemini 3、DeepSeek V3 放一起比比。我寻思这活儿不复杂，结果一算成本差点劝退自己。各家定价策略天差地别，光查价格就花了大半天。索性把评测数据整理出来，省得后面再查。

核心结论先放这儿：GPT-5.4 综合能力确实是目前第一梯队，但论性价比，DeepSeek V3 和 Qwen 3 在中文场景下能打出 5-8 倍的价格优势。如果你什么模型都想试，用聚合网关改一行 base_url 切模型是最省事的方案。

评测维度说明

这次评测我关注五个维度，都是实际开发中最直接影响选型的指标：

• 推理能力：用 HumanEval+、GPQA Diamond、MATH-500 三个基准

• 中文理解：自己攒了一套 200 条中文 prompt 测试集（含长文总结、多轮对话、指令跟随）

• 响应延迟：首 token 延迟 + 完整输出延迟（streaming 模式）

• API 价格：输入/输出 token 单价，统一换算成人民币

• 上下文与多模态：最大上下文、是否支持图片/音频/视频

测试环境：Python 3.12，统一用 OpenAI SDK 格式调用，每条 prompt 跑 3 次取中位数。测试日期 2026 年 6 月第三周。

评测结果天梯图

先看总表，后面逐个拆解。

模型	推理能力	中文理解	首 Token 延迟	输入价格（元/百万token）	输出价格（元/百万token）	最大上下文	多模态
GPT-5.4	⭐⭐⭐⭐⭐	⭐⭐⭐⭐	~450ms	≈¥18	≈¥108	105万	图片/音频/视频
Claude Opus 4.6	⭐⭐⭐⭐⭐	⭐⭐⭐⭐	~500ms	≈¥36	≈¥180	100万	图片
Claude Sonnet 4.6	⭐⭐⭐⭐½	⭐⭐⭐⭐	~420ms	≈¥22	≈¥108	100万	图片
Gemini 3 Pro	⭐⭐⭐⭐	⭐⭐⭐⭐	~380ms	≈¥14（≤200K）	≈¥86（≤200K）	100万	图片/音频/视频
DeepSeek V3	⭐⭐⭐⭐	⭐⭐⭐⭐⭐	~350ms	≈¥2	≈¥8	128K	图片
Qwen 3	⭐⭐⭐⭐	⭐⭐⭐⭐⭐	~300ms	≈¥2	≈¥8	128K	图片/音频
Minimax M2.7	⭐⭐⭐⭐	⭐⭐⭐⭐	~400ms	≈¥15	≈¥9	256K	图片/音频
豆包 2.0	⭐⭐⭐½	⭐⭐⭐⭐	~320ms	≈¥0.8	≈¥2	128K	图片

注：价格为 2026 年 6 月各平台官网公示价格，按当前汇率折算人民币，可能随时调整。GPT-5.4 标准价输入 $2.5/输出 $15；Claude Opus 4.6 为 $5/$25，Sonnet 4.6 为 $3/$15；Gemini 3 Pro 分级定价，≤200K 时 $2/$12；DeepSeek V3 约 ¥2/¥8；Qwen 3 约 ¥2/¥6；Minimax M2.7 输出约 $1.2/百万 token；豆包 2.0 约 ¥0.8/¥2。

第一梯队：GPT-5.4 vs Claude Opus 4.6

GPT-5.4

说实话，OpenAI 这次定价确实让我肉疼。输出 token ≈¥108/百万，跑一个中等复杂度的 Agent 工作流，一天下来成本能到三位数。但能力层面没什么好挑的——GPQA Diamond 跑到 92.0%，在同类评测中位居前列。

GPT-5.4 最大的升级是原生支持 105 万 token 上下文和计算机操作能力。我测了一个场景：丢一段 30 秒的产品演示视频进去，让它生成 API 文档，输出质量很稳，几乎不需要二次编辑。

槽点也明显：贵就是原罪。同样一个日均 10 万 token 的项目，GPT-5.4 月成本大概 ¥650+，DeepSeek V3 才 ¥60 左右。10 倍差距，不是所有场景都值得。

Claude Opus 4.6

Opus 4.6 在代码和长文推理上跟 GPT-5.4 不相上下，个别 benchmark 甚至略高。2026 年 3 月升级了 100 万上下文窗口，加量不加价。问题是价格更贵——输出 ≈¥180/百万 token，大概是 GPT-5.4 的 1.5 倍以上。Anthropic 这定价策略明显瞄准的是企业级客户。

对比项	GPT-5.4	Claude Opus 4.6	Claude Sonnet 4.6
GPQA Diamond	92.0%	~91.3%	~89.9%
中文指令跟随（自测）	88/100	86/100	85/100
输出价格（元/百万token）	≈¥108	≈¥180	≈¥108
上下文窗口	105万	100万	100万
Function Calling 稳定性	★★★★★	★★★★	★★★★

主要写代码、做 Agent 的话，GPT-5.4 和 Opus 4.6 都行。在乎成本的话，GPT-5.4 比 Opus 4.6 便宜 40% 左右。如果还想进一步压缩成本，Sonnet 4.6 是个不错的选择——性能逼近 Opus，但价格跟 GPT-5.4 一个档位。

第二梯队：性价比战场

DeepSeek V3

DeepSeek V3 是我目前个人项目用得最多的。输入 ≈¥2/百万 token，输出 ≈¥8/百万 token，价格只有 GPT-5.4 的 1/13。中文场景下表现甚至比 GPT-5.4 更好——我那套 200 条中文测试集里，DeepSeek V3 在长文总结和多轮对话上赢了。

要说缺点：Function Calling 的稳定性不如 GPT-5.4，偶尔会出现参数格式错误，特别是嵌套 JSON 比较深的时候。大概每 50 次调用会遇到 1-2 次。

Qwen 3

阿里的 Qwen 3 在延迟方面表现最好，首 token 只要 ~300ms，中文理解能力也是顶级的。价格跟 DeepSeek V3 一个档位，输出约 ¥6/百万 token。做中文客服机器人这种对延迟敏感的项目，我会优先选它。

Minimax M2.7

Minimax 这次号称对标 Claude Opus 4.6，我实测下来觉得有点吹——推理能力大概在 Gemini 3 Pro 水平，距离 Opus 4.6 还有一段距离。但价格确实便宜，输出仅 $1.2/百万 token，在同价位里性价比不错。

豆包 2.0

字节的豆包 2.0 是目前价格最低的选择之一，输入约 ¥0.8/百万 token，输出约 ¥2/百万 token。综合能力也是几个里面最弱的，适合简单任务——生成营销文案、做简单问答这种，没必要上 GPT-5.4。

成本测算：真实场景下到底花多少钱

光看单价没感觉，我按三个典型场景算了月成本：

场景	日均 Token 用量	GPT-5.4 月成本	Claude Opus 4.6 月成本	DeepSeek V3 月成本	Qwen 3 月成本
个人 Side Project（轻度）	输入5万+输出2万	≈¥230	≈¥380	≈¥16	≈¥18
中等 SaaS 产品	输入50万+输出20万	≈¥2,300	≈¥3,800	≈¥160	≈¥180
高频 Agent 工作流	输入200万+输出100万	≈¥10,400	≈¥17,300	≈¥720	≈¥800

月成本 = (日输入量 × 输入单价 + 日输出量 × 输出单价) × 30

看到这个表我人傻了——高频 Agent 场景下，GPT-5.4 一个月要烧一万多，DeepSeek V3 才七百。能力有差距，但很多场景下这个差距真不值 15 倍的价差。

调用链路：我怎么同时测这么多模型的

这次评测我用了星链4SAPI的聚合网关，省去了注册一堆账号的麻烦。这类聚合网关的定位是模型接口的“转译层”与资源调度层——它通过在全球关键节点部署加速网络，接入各大厂商的官方企业级 API 通道，将下游千差万别的模型接口转化为上游统一的调用规范，本质上是一个“一次编写、多模型运行”的 API 网关。

调用链路长这样：

text

评测脚本 Python
         │
         ▼
   星链4SAPI 聚合网关
         │
   ┌─────┼─────┬─────┬─────┐
   ▼     ▼     ▼     ▼     ▼
GPT-5.4 Claude Gemini DeepSeek Qwen 3 /
  │    Opus 4.6│3 Pro│  V3   Minimax
  │             │     │       /豆包2.0

代码层面就是改一下 model 参数，base_url 不用变：

python

from openai import OpenAI

client = OpenAI(
    api_key="your-4sapi-key",
    base_url="https://4sapi.com/v1"
)

models = [
    "gpt-5.4",
    "claude-opus-4.6",
    "claude-sonnet-4.6",
    "gemini-3-pro",
    "deepseek-v3",
    "qwen-3",
]

for model in models:
    response = client.chat.completions.create(
        model=model,
        messages=[{"role": "user", "content": "用 Python 实现一个 LRU Cache"}],
        stream=True
    )
    for chunk in response:
        if chunk.choices[0].delta.content:
            print(chunk.choices[0].delta.content, end="")
    print(f"\n--- {model} done ---\n")

这样跑一遍就能出对比数据，不用折腾多套 SDK。

不同需求怎么选

对号入座：

你的场景	推荐模型	理由
追求极致推理/复杂 Agent	GPT-5.4	综合最强，多模态最全，原生电脑操作能力
代码生成为主	Claude Opus 4.6 或 GPT-5.4	代码能力最强
预算有限但想要强性能	Claude Sonnet 4.6	性能逼近 Opus，价格仅 1/5
中文 SaaS 产品	DeepSeek V3 / Qwen 3	中文好+便宜，性价比拉满
超长文档处理	Gemini 3 Pro / Claude Opus 4.6	100 万上下文，无额外费用
预算极低/简单任务	豆包 2.0	最便宜，简单任务够用
什么都想试/A/B 测试	聚合网关（如星链4SAPI）	一个 Key 切换不同模型，省事

小结

GPT-5.4 确实强，但 2026 年大模型市场已经不是一家独大的局面了。DeepSeek V3 和 Qwen 3 在中文场景的性价比太能打，Claude Sonnet 4.6 用五分之一的成本提供接近 Opus 的能力，Gemini 3 和 Claude 的 100 万上下文是独一档的优势，Minimax 和豆包也在快速追赶。

我现在的做法是：核心推理链路用 GPT-5.4 保证质量，简单任务和大量 token 消耗的环节换 DeepSeek V3 压成本。两条线并行跑，整体成本能省 60-70%。

按场景选型，别死磕一个模型。