同一个问题分别问 ChatGPT、Claude、Gemini 和 DeepSeek,差别不在“谁更聪明”,而在各自的默认习惯:有的爱铺结构,有的爱补细节,有的更愿意承认不知道。选模型,其实是在选习惯。
对比最怕两件事:提示词不一样、上下文不一样。做法很简单:同一份材料、同一段提示词、同样的追问,每个模型新开一个对话,记录第一次回答,不要反复重试后挑最好的一次。
还要说明一点:截至 2026 年 11 月,各家网页版的默认模型、上下文长度和额度都在调整,所以下面的观察只对当次有效,别把一次结果当成永久排名。真正有用的是判断方法,不是结论。
测试任务我固定为三个:写一篇 800 字中文说明文、修一段报错的 Python 脚本、从一份 30 页 PDF 里找三个具体数字。三个任务分别对应表达、逻辑和检索,基本能覆盖日常用法。
同一个题目下,ChatGPT 的段落层次最清楚,小标题和过渡句给得足,但也最容易出现“首先、其次、总之”这类骨架句。Claude 的行文更连贯,愿意写长句,读起来像人写的,但偶尔会在开头铺陈太久。Gemini 的信息密度高,缺点是容易在第二段就开始偏题。DeepSeek 的中文表达自然,压缩能力强,适合把长材料改写短。
判断标准可以很朴素:把形容词和连接词全删掉,看还剩多少信息。剩得多的那版,通常更适合直接用在正式文档里。至于谁“文笔好”,很大程度上取决于你要公文腔还是口语腔,没有统一答案。
我用的题目是把一份 CSV 按月份汇总并画出趋势图。观察点不是首轮正确率,而是三件事:有没有处理缺失值、有没有假设文件路径、报错后能不能根据错误信息自我修正。
实测里,首轮能跑的版本通常来自 ChatGPT 和 Claude,DeepSeek 的代码更短但偶尔省略异常处理,Gemini 有时会用上你环境里没有的库。真正拉开差距的是第二轮:把报错原样贴回去,谁能一次改对。选代码助手时,多轮修复能力比首轮惊艳更重要。
上传同一份 30 页 PDF,问三个具体数字。表现差异很明显:有的能准确说出数字并标出页码,有的大致对但页码错,还有的会把相邻段落的数字串在一起。
所以涉及合同、财报、论文这类材料,固定加一句“引用原文并标注页码,找不到就写找不到”。这句话对所有模型都有效,能显著降低编造率。核对仍然要自己做,尤其是金额、日期、比例。
比较省心的组合是一个主力加一个备用。重要内容用两个模型各跑一遍,答案一致就基本可信,不一致就说明这段需要你自己判断。
不用一次测四个。挑你本周最常做的一件任务,把同一段提示词发给两个模型,看谁的第一版更接近成品。想省掉注册和切换的时间,可以直接打开 极客空间站的 AI 对话入口,在同一个页面里换模型重发,对比起来更直观。
大连极客十一维科技有限公司