自从 OpenAI 的 GPT-4 问世以来，AI 江湖风起云涌，挑战者层出不穷，号称超越 GPT-4 的声音也此起彼伏。最近，Anthropic 公司发布的 Claude 3 系列，尤其是其旗舰模型 Opus，更是宣称在各项基准上全面超越了 GPT-4。作为一名热衷于探索 AI 前沿的博主，我深知”耳听为虚，眼见为实”。因此，今天我不依赖任何二手信息，决定亲自上手，对 Claude 3 Opus 和 GPT-4 进行一番深度较量。更重要的是，面对 Claude Pro 和 ChatGPT Plus 同样每月 20 美元（更新至 2025-05）的订阅费，如果预算有限，我们究竟该如何抉择？这篇评测将带你一探究竟，希望能为你提供一些有价值的参考。
完整视频请点击观看：
Claude 3 系列概览：新王者的雄心与底气
Anthropic 公司发布的 Claude 3 系列模型，尤其是其旗舰版本 Opus，号称在多项基准测试中全面超越了 GPT-4。 深入了解其官方资料后，我发现 Claude 3 家族确实来势汹汹。该系列包含三个梯度模型：能力最强的 Opus，其次是 Sonnet，以及轻量级的 Haiku。这样的分层策略，无疑是为了满足不同场景和预算的需求，其价格也从高到低（更新至 2025-05）。
根据 Anthropic 公布的测试数据，Opus 在包括本科生知识、研究生推理、数学等多个维度的测试中，均取得了优于 GPT-4 的成绩。甚至连次一级的 Sonnet 模型，在许多指标上也与 GPT-4 不相上下。除了性能的提升，Claude 3 系列在响应速度方面也有显著进步。例如，Sonnet 的速度据称比 Claude 2.1 快两倍，而 Opus 在保持与 Claude 2/2.1 相似速度的同时，能力却实现了大幅跃升，这对企业级应用而言至关重要。
视觉能力是 Claude 3 的另一大亮点。官方对比测试显示，Opus 的视觉理解能力全面超越 GPT-4V，仅在少数指标上略逊于 Gemini 1.0 Ultra。值得注意的是，Claude 3 全系模型的视觉能力都不容小觑，在图表问答（Chart Q&A）的零样本思维链（0-shot CoT）测试中，它们的表现甚至优于 GPT-4V 的四样本思维链（4-shot CoT）。此外，Claude 以往因过于”谨慎”而频繁拒绝回答问题的现象，在 Claude 3 中也得到了改善。特别值得一提的是，Opus 在”大海捞针”（Needle in a Haystack）测试中，实现了超过 99% 的准确率，这与 Gemini 1.5 Pro 的表现旗鼓相当，其在长文本处理上的独特表现，我稍后会详细展开。
谈及大家关心的价格（更新至 2025-05），我整理了一个对比。以 API 调用为例，Opus 的输入和输出价格分别为每百万 Token 15 美元和 75 美元；Sonnet 为 3 美元和 15 美元；Haiku 则为 0.25 美元和 1.25 美元。相比之下，GPT-4 Turbo (128k) 的价格是输入 10 美元，输出 30 美元，比 Opus 便宜不少。而 GPT-4 8K 版本为 30 美元和 60 美元，32K 版本为 60 美元和 120 美元。即使是 GPT-3.5 Turbo，其价格也略高于 Haiku。综合来看，Opus 的定价确实偏高，而 Sonnet 或许是当前性价比相对突出的选择。
数学推理：GPT-4 的”蹊跷”表现
在数学推理这项基础能力的较量中，我遭遇了一个出乎意料的”蹊跷”现象。 我选择了一道涉及平均年龄和时间变化的代数题：Amy、Ben 和 Chris 的平均年龄是 9 岁；四年前，Chris 的年龄与 Amy 现在的年龄相同；三年后，Ben 的年龄将是那时 Amy 年龄的三分之二。问题是：Chris 现在多大？这道题的正确答案是 13 岁。
我首先在 PoE 平台（我目前通过该平台使用 Claude Opus 200K 上下文模型）上对 Opus 进行了测试。Opus 准确地理解了题意，列出了正确的方程式，并给出了详细的解题步骤，最终答案 13 岁，完全正确。紧接着，我同样在 PoE 中测试了 GPT-4。GPT-4 的表现也堪称完美，它不仅给出了正确的解题过程和答案 13，还以美观的 LaTeX 格式呈现了数学公式，完全符合预期。
然而，当我切换到 ChatGPT 应用（同样选用 GPT-4 模型）进行测试时，情况发生了变化。ChatGPT 中的 GPT-4 虽然也输出了漂亮的格式，但在解第三个方程时出现了错误，最终给出了 12.25 岁的错误答案。这个结果让我颇感意外，因为以往我的体验是，同一模型在 ChatGPT 中的表现通常会略优于第三方平台。看来，凡事无绝对。顺便，我也用英文题目测试了 Gemini Advanced (Ultra 模型)，结果它直接理解错了题意，给出的答案 10.5 岁自然也是错误的。
代码能力对决：Opus 的小胜与 GPT-4 的意外失手
代码生成能力的测试结果，同样让我对这两大模型的表现有了新的认识。 我的需求是编写一个 Python 脚本，用于处理我存放视频字幕的文件夹。这些字幕文件都是 SRT 格式，包含了序号、时间戳、字幕文本以及文本间的空行。我要求脚本仅保留字幕文本，并将所有字幕文件合并到一个 Markdown 文件中，用原字幕文件名作为二级标题区分不同视频内容，同时去除序号、空行和时间戳。为此，我提供了一段 SRT 文件格式的示例，并有意让我的指令（prompt）不那么”完美”。
Claude Opus 生成的代码相当简洁，并附带了清晰的解释。我将其复制到 VSCode 中，修改了目录路径后运行，代码一次通过。生成的 output.md 文件中，标题正确，时间戳也被移除了，但遗憾的是空行依然存在。尽管如此，这个结果基本可用，Opus 算是挑战成功。
接下来是 GPT-4。它同样给出了代码和解释。我重复了相同的操作，代码也顺利运行完成，生成了名为 combinedsubtitles.md 的文件。打开一看，标题正确，空行也确实被移除了，但更令人遗憾的是，时间戳竟然没有被去掉！这样的结果，对于我的需求而言，基本是不可用的。因此，在这次测试中，GPT-4 挑战失败。老实说，这个结果让我有些意外，GPT-4 在编码方面不应该犯这样的错误。
大海捞针：Claude 3 vs GPT-4 的长文本处理显神威
“大海捞针”测试（Needle in a Haystack）则更进一步揭示了 Claude Opus 在长文本处理方面的独特之处。 我使用了上一步编码测试中 Opus 生成的 output.md 文件，这个文件整合了我多个视频的字幕，总计超过十万 Token。由于 GPT-4 在 PoE 中的上下文窗口限制，这项测试我主要针对 Opus 进行。
我在这个庞大的字幕文件的前半部分，随意插入了一句与上下文内容风马牛不相及的话：”Axton 最爱吃的水果是火龙果。”（顺便澄清，火龙果并非我最爱的水果，这纯粹是为了测试。）这便是那根需要被找到的”针”。第一次测试，我直接将文件上传给 Opus，然后提问：”Axton 最爱吃的水果是什么？”经过一番长时间的”思考”，Opus 回答说，根据视频内容，Axton 并未提及他最爱吃的水果，视频主要内容是评测 ChatGPT 插件，未涉及个人食物偏好。
在第二次测试中，我修改了提问方式，在问题前加上了一句引导：”这是上下文当中最相关的句子：Axton 最爱吃的水果是？”这次，Opus 不仅成功找到了”火龙果”，还表现得非常”谦逊”，不停地认错：”对不起，我再检查一遍文本，发现我之前犯了一个错误。文本中确实提到了这样一句话：’Axton 最爱吃的水果是火龙果’。所以根据给出的信息，Axton 最爱吃的水果是火龙果。抱歉，我第一次没有认真阅读，导致了错误的回答。”这种独特的”认错”行为，似乎是 Claude 模型的一个有趣特点，值得后续深入探讨。
图像识别与预测：比特币走势谁更敢言？
图像识别能力的测试，我选择了一个颇具挑战性的任务——预测比特币未来半年的趋势。 我找来一张比特币在过去一年内的价格趋势曲线图，分别丢给 Claude Opus 和 GPT-4，让它们基于图表信息进行预测。
两个 AI 给出了截然不同的回应。第一个回答非常谨慎：”很抱歉，但是我无法提供具体的股票、金融市场或加密货币的未来价格预测。但我可以提供一些分析这些类型图表的方法……”并给出了一些通用的分析建议。第二个回答则相对大胆：”预测比特币半年以后的价格可能是在 75000-85000 美元区间（更新至 2025-05）。这一预测主要是基于以下几点……”
如果让我盲猜，我多半会认为第一个谨慎的回答来自 Claude Opus，因为它以往给我的印象就是谨言慎行，动辄拒绝回答。但结果恰恰相反！拒绝给出具体预测的是 GPT-4，而 Claude Opus 反而大大方方地给出了一个价格区间。当然，这只是一次简单的测试，绝不构成任何投资建议。
经典逻辑推理：Opus 的意外失常
经典的逻辑推理题，往往是检验模型严谨思维的试金石，而这次 Opus 的表现却让我有些始料未及。 我沿用了我常用的那道会议时间安排题：安德鲁 (Andrew) 从上午 11 点到下午 3 点有空；琼妮 (Joni) 中午到下午 2 点和下午 3 点半到 5 点有空；汉娜 (Hanna) 中午有半小时空闲，然后是下午 4 点到 6 点。问题是：安德鲁 (Andrew)、汉娜 (Hanna) 和琼妮 (Joni) 可以开始他们会议的时间选项是什么？
令人大跌眼镜的是，Claude Opus 竟然给出了错误的答案。虽然它分析的第一个共同空闲时段是对的，但第二个选项却是错误的。这完全不符合它在前面几项测试中给我留下的强大印象。当然，我相信如果采用思维链（Chain of Thought）等更高级的提示技巧，Opus 应该能够给出正确答案，毕竟 GPT-3.5 在使用思维链提示后都能正确解答此类问题。
相比之下，GPT-4 在这道题上表现稳定，堪称其”保留曲目”。我用这道题测试过它多次，几乎从未失手。它准确地指出：”安德鲁 (Andrew)、汉娜 (Hanna) 和琼妮 (Joni) 可以在中午 12 点到 12 点半这个时间段开始他们的会议，这是他们空闲时间的唯一交集。”
内容创作终极考验：视频脚本一键转文章
作为一名 YouTuber，我经常需要将视频脚本高效地转化为博客文章，这便成为了对 AI 模型内容创作能力的终极考验。 我的主要内容形式是视频，但对于一些技术性较强的视频，比如我的”智图派”系列，我也会将其整理成文章发布在博客上，方便大家查阅和分享。因此，我的需求是将视频的 SRT 字幕文件直接转换成一篇结构完整、语言流畅的博客文章。
以往使用 ChatGPT 完成这项任务，往往难以一步到位，我甚至为此专门训练了一个 GPTs，通过分步骤引导（通常是三步）来生成最终结果，虽然效果尚可，但过程相对繁琐。这次，我将同样的 SRT 文件上传给 Claude Opus，并从我原有的 GPTs 中复制了一段提示语，稍作修改后交给 Opus。结果令人惊喜，Opus 几乎一次性就输出了接近完美的文章，仅在末尾处需要让它 “Continue” 一下即可完成。与 GPT 的多步骤操作相比，Opus 在这项任务上的效率提升是显而易见的。单从这一点来看，Opus 就已经展现出其订阅价值。
总结：Opus 的超越与 GPT-4 的底蕴
经过这一系列亲手测试，我可以负责任地说，Anthropic 声称 Claude 3 Opus 超越 GPT-4 并非虚言。在短短两天的深度使用中，我已经能清晰感受到 Opus 的强大实力。然而，要说 Opus 已经”碾压”GPT-4，目前看来还为时过早。
那么，回到最初的问题：如果我手中只有 20 美元（更新至 2025-05），我会选择订阅 ChatGPT Plus 还是 Claude Pro 呢？至少在目前这个时间点，我仍然会选择充值 ChatGPT。除了其平台拥有更丰富的功能性（如 GPTs、插件生态等）之外，一个更深层次的原因在于：今天被各大模型厂商努力追赶和超越的 GPT-4，其训练完成时间据称是在 2022 年。OpenAI 已经通过 Sora 的惊艳亮相展示了其后续的潜力，那么下一次的技术飞跃又会在何时到来呢？这不禁让人充满期待。
全局性核心要点总结
在我看来，这次 Claude 3 Opus 与 GPT-4 的对决，揭示了几个值得深思的要点。首先，Claude 3 Opus 在多项任务中确实展现了超越 GPT-4 的能力，尤其在长文本处理、某些代码生成场景以及更”敢言”的预测方面表现突出，其官方宣称的性能提升并非空穴来风。其次，尽管面临激烈竞争，GPT-4 作为一个相对”年长”的模型，在逻辑推理等核心能力上依然保持着极高的水准和稳定性，其深厚的底蕴不容小觑。再者，AI 模型的表现并非一成不变，即使是同一模型在不同平台或不同交互方式下，也可能产生差异化的结果，这提醒我们在评测和使用时需考虑多种因素。最后，对于用户而言，选择哪个模型取决于具体需求和预算，但更重要的是理解 AI 的核心能力，并学会如何有效地驾驭这些工具，使其真正为工作和生活赋能。
独特深度洞见
这次对比测试让我深刻体会到，AI 领域的技术迭代速度远超想象。今天看似领先的模型，明天可能就会被新的挑战者超越。然而，这种”超越”往往并非全方位的碾压，而是在特定维度或特定任务上的性能突破。对于我们普通用户而言，与其过分纠结于”谁是最强王者”，不如将目光投向如何利用这些日新月异的 AI 工具，提升自身的创造力和生产力。真正的壁垒并非模型本身，而是我们运用这些模型解决实际问题的能力。AI 的基础能力和核心方法论，远比追逐层出不穷的新工具和新技巧更为重要，因为前者能够帮助我们适应不断变化的技术浪潮，而后者则可能因技术的快速迭代而迅速过时。
