DeepSeek V4 Pro、Grok 4.6、Claude 与 ChatGPT：能力、价格和场景怎么选？

⚠️

你可能同时看到两种价格：API 每 100 万词元几美元，聊天产品每月几十美元。它们不能直接比较。API token 价格 ≠ 聊天订阅价格或可用额度：前者按程序调用量计费，后者购买的是网页或 App 里的模型、工具、界面和动态额度。

先别比模型：你买的是聊天产品还是 API？

假设你既想给自己的项目接入模型，又在考虑购买个人订阅。虽然两边都写着 DeepSeek、Grok、Claude 或 ChatGPT，实际买到的东西不同。

聊天产品是完整的网页或 App，包含模型路由、文件上传、联网搜索、语音等工具和产品额度。应用程序接口（Application Programming Interface，API）模型则由程序通过模型标识符（model ID）调用，按实际输入、输出、缓存和工具用量计费。

因此，本文分成两条路径：

两条路径最后仍回到同一个问题：模型是否能在你的场景里稳定完成任务，而不是它在一张总榜上排第几。

先写下任务：什么才算“更适合你”？

任务成功率是模型在预先写明的验收标准下，完成任务的比例。没有验收标准，“回答看起来不错”很容易变成主观印象。

完整任务成本也不只是 token 账单。它还包括推理、工具调用、失败重试、等待时间以及人工纠错。如果一个便宜模型需要三次重试，另一个较贵模型一次通过，后者的完整成本可能更低。

比较前先写下：

一组来自真实工作的输入，而不是临时编写的演示题。

可判定通过或失败的结果，例如测试通过、引用准确或字段完整。

必须具备的模态、工具和上下文。模态是文本、图片等输入类型；上下文是一次请求能同时处理的材料范围。

每天的任务量、可接受等待时间和预算。

失败后由谁修正，以及必须保留什么回退方案。

本文用八类常见场景贯穿两条路径：日常问答与写作、编程与终端任务、AI 智能体（AI Agent，模型多轮调用工具并根据结果继续行动的系统）、长文档、图片理解、中文任务、高量批处理和高价值复杂任务。

四个模型的能力差距，哪些值得相信？

基准测试（Benchmark）是在固定任务集和运行规则下比较模型的评测。推理努力档（reasoning effort）则控制模型为回答投入多少计算。模型版本、努力档和运行框架不同，分数就不能当成完全公平的单变量比较。

截至 2026 年 8 月 13 日，三个较有用的独立信号如下：

独立证据	当前结果	适合回答的问题
Artificial Analysis Intelligence Index（AA Index）v4.1.1	Claude Opus 5 max 63；GPT-5.6 Sol max 61；Grok 4.6 high 61；DeepSeek 0813 max 53	综合能力是否值得进入候选集
Terminal-Bench v2.1	GPT-5.6 Sol（xhigh）89.5%；Claude Opus 5（Adaptive Reasoning，max）89.1%；Grok 4.6（high）88.4%；DeepSeek V4 Pro 0813 暂无同一 Terminal-Bench v2.1 / Terminus 2 口径结果	终端智能体和编程任务的试用顺序
中文人类偏好榜	Claude high 1575±17；GPT xhigh 1543±19；Grok high 1535±34，且为 preliminary；DeepSeek 0813 票数证据不足	中文开放式回答的初步偏好信号

🧭

Benchmark ≠ IQ。分数描述的是某个精确版本、努力档和评测框架下的结果，不是通用智商，也不能证明它在你的任务里必胜。尤其是中文榜，置信区间、票数和版本证据都不支持宣布一个永久赢家。

厂商能力页仍然有用，但只能按厂商声明理解：Anthropic 将 Claude Opus 5 定位于复杂智能体编程和企业工作；OpenAI 将 GPT-5.6 Sol 定位于复杂专业工作并提供丰富的托管工具；xAI 将 Grok 4.6 定位于编程、智能体和知识工作。它们能说明产品设计方向，不能代替独立测试。

为什么这些基准不能直接排成通用名次？

AA 综合指数包含多个任务，但各模型使用的推理努力档不同。Terminal-Bench 使用指定智能体框架和终端环境，不能覆盖普通写作、视觉或你的内部工具。中文竞技场依赖人类偏好投票，票数、题材和置信区间都会影响排名。正确用法是按场景挑选候选，再用真实任务验证。

如果你选 API：同一任务的总成本和硬约束怎么比？

API 路径应使用精确模型 ID：deepseek-v4-pro、grok-4.6、claude-opus-5 和 gpt-5.6-sol。不要把聊天产品名称、网页端自动路由或相近版本的成绩混进来。

先看决定任务能否执行的硬约束：

API 模型	上下文 / 最大输出	输入；工具执行边界	推理控制
DeepSeek V4 Pro 0813	1M / 384K	文本；函数或工具调用由接入方执行	默认思考，可切换非思考
Grok 4.6	500K / 受上下文边界约束	文本、图片；Web/X 搜索与代码执行由 xAI 托管，函数调用由接入方执行	low 至 xhigh
Claude Opus 5	1M / 128K	文本、图片；Web/Fetch/代码执行等由 Anthropic 托管，Bash、电脑操作等由接入方执行	默认思考，多档 effort
GPT-5.6 Sol	1.05M / 128K	文本、图片；搜索、图片生成、代码和托管命令行环境（Shell）；电脑操作、模型上下文协议（Model Context Protocol，MCP）等按工具文档核对执行位置	none 至 max

以下价格均按每 100 万词元计算。DeepSeek 官方以人民币计价，另外三家以美元计价，两种货币不能直接比较；应按实际结算汇率换算。词元（token）是模型处理文字时使用的切片单位；缓存输入是重复前缀命中供应商缓存后的低价输入。

模型	未缓存输入 / 缓存 / 输出	长请求规则	50K 输入 + 2K 输出
DeepSeek	当前：¥3 / ¥0.025 / ¥6；8 月 17 日起谷时：¥4.5 / ¥0.15 / ¥13.5；峰时：¥9 / ¥0.30 / ¥27	8 月 17 日起采用峰谷价；当前未列长上下文附加档	当前 ¥0.162；新价谷时 ¥0.252、峰时 ¥0.504
Grok	$2 / $0.50 / $6	提示达到 200K 后整单变为 $4 / $1 / $12	$0.112
Claude	$5 / $0.50 / $25	1M 窗口维持标准价	$0.30
GPT	$5 / $0.50 / $30	输入超过 272K 后，整单输入 2 倍、输出 1.5 倍	$0.31

这个标准样例假设 50K 未缓存输入和 2K 输出，不含推理、工具、重试与缓存写入。DeepSeek 一行是人民币，其余三行是美元，需按实际结算汇率换算；即使单次调用便宜，也不能证明它完成同一业务结果的成本最低。

⏱️

DeepSeek 新峰谷价将于北京时间 2026 年 8 月 17 日 00:00 生效：9:00–12:00、14:00–18:00 为高峰，其余时段半价。本文发布时仍适用旧价；上线任务必须按实际调用日期和时段核算。Grok 的 200K、GPT 的 272K 还是整单价格边界。

缓存和完整任务成本怎样计算？

无缓存演示成本为：输入词元 ÷ 1,000,000 × 输入单价 + 输出词元 ÷ 1,000,000 × 输出单价。

真实成本还要加上缓存写入、推理词元、服务端工具、失败重试和人工修正。应比较 完成任务的总支出 ÷ 成功任务数，并同时记录等待时间。只有请求实际命中缓存时，缓存读取单价才有意义。

开放权重和自己部署什么时候才影响选择？

只有当数据边界、离线运行或避免供应商锁定是硬约束时，开放权重才应成为前置条件。可下载权重不等于容易或便宜地部署，也不能自动证明它与某个 API 快照完全一致。

目前不应把已有的 DeepSeek 可下载检查点直接视为 DeepSeek-V4-Pro-0813 API 的同一版本。Claude、Grok 与 GPT 的上述 API 模型也没有提供可自行部署的权重。若必须自建，应另做检查点、许可证、硬件和推理成本评估，而不是继续比较这四个托管 API。

如果你买订阅：该比较产品里的什么？

聊天订阅购买的是产品体验，不是一个固定数量的 API token。你真正需要比较的是：常用模型能否选择、文件与联网工具是否可用、额度如何共享，以及达到限制后工作是否会中断。

聊天产品	个人价格	已确认的产品能力	需要保留的不确定性
DeepSeek	网页与 App 免费	Web 搜索、DeepThink、文件上传	精确模型路由和固定额度未公开
Grok	免费开始；SuperGrok 付费	聊天、文件、图片/视频、语音、连接器	当前消费价格及 Grok 4.6 的精确可用性未稳定披露
Claude	Free $0；Pro $20/月或 $200/年；Max $100 起	网页与多端 App、搜索、文件、代码执行、Projects、连接器	模型访问和动态限制受套餐、任务与使用情况影响
ChatGPT	Free $0；Go 美国 $8；Plus $20；Pro 5x $100 或 20x $200	Web、文件、图片、语音、分析、Projects、Codex	工具和模型配额会变化

ChatGPT 当前给 Free 和 Go 用户提供 GPT-5.6 Luna；Plus 提供 GPT-5.6 Sol Medium 与 High；Pro 再增加 Extra High 和 Sol Pro。这里描述的是 ChatGPT 产品内访问，不代表订阅包含同名 API 的调用额度。

Claude Max 的 5x 或 20x、ChatGPT Pro 的 5x 或 20x，以及 SuperGrok 的共享周额度，都是相对产品基准的用量表达，不是固定消息数。长对话、文件、代码任务和高推理档可能消耗得更快。

八类场景里，谁更值得先试？

下面不是冠军榜，而是试用顺序。先排除缺少必要输入、工具或预算条件的候选，再让剩余模型处理同一批样例。

API 路径

场景	优先试用	主要原因或边界
日常问答与写作	四者并列盲测；若预算或吞吐是硬约束，先试 DeepSeek	写作顺序应由文风、事实可靠性和一次通过率决定；DeepSeek 只在成本约束成立时前置
编程与终端任务	GPT、Claude、Grok	独立 Terminal-Bench 证据接近；DeepSeek 0813 精确版本证据较少
AI Agent 与工具链	GPT、Claude、Grok	三者都有更直接的终端或智能体证据；先按所需工具的执行位置、接入成本和失败恢复能力筛选
长文档	DeepSeek、Claude、GPT；再试 Grok	前三者约 1M 上下文；注意 GPT 与 Grok 的整单涨价边界
图片理解	GPT、Claude、Grok	支持原生图片输入；DeepSeek 该 API 为文本输入
中文任务	四者盲测	当前证据不支持“DeepSeek 自动最好”或任何通用中文冠军
高量批处理	DeepSeek	按实际结算汇率比较；8 月 17 日后还要把调用时段、失败率和输出长度计入总成本
高价值复杂任务	Claude、GPT、Grok 并列试	前沿综合与智能体证据较强；重点看一次通过率和人工纠错

聊天产品路径

场景	优先试用	主要原因或边界
日常问答与写作	先用已有免费入口	DeepSeek、Grok、Claude、ChatGPT 均可低成本试；按文风和工具选择
编程与终端任务	Claude、ChatGPT 与账号可用的 Grok Build 同批实测	Claude Code、Codex 与 Grok Build 属于不同产品入口；应用同一仓库任务实测，不能仅凭功能清单判断谁更完整
AI Agent 与工具链	ChatGPT、Claude、Grok	比较 Codex、连接器、Projects 和共享额度，不把 API 能力自动映射过来
长文档	Claude、ChatGPT、Grok；同时试 DeepSeek 文件上传	用真实文件检查遗漏和引用；产品限制不等于 API 上下文上限
图片理解	ChatGPT、Claude、Grok	产品明确提供视觉或图片工作流；DeepSeek 官方证据仅确认文件上传与文本提取
中文任务	四者盲测	隐藏产品名称，用自己的中文写作、改写与事实题投票
高量批处理	转到 API 路径	聊天订阅额度动态，且不适合无人值守的可计量批处理
高价值复杂任务	Claude Max、ChatGPT Pro；再试 SuperGrok	高档计划提供更多使用空间；不能假定 SuperGrok 固定运行 Grok 4.6