AI 大模型对比 2026 年中版：blog080 写完两个多月，模型层换了一轮

3 月初我写过一篇 2026 AI 大模型全景对比，当时测的是 GPT-4 Turbo / GPT-4o / Claude 3 Opus / Claude 3.5 / Gemini 2.0 Pro / Qwen 2.5 Max / Kimi 等 12 款模型。那篇成了我博客流量最大的文章——但两个多月过去，我自己的选型已经改过两次，原文里的结论几乎全部失效。

这篇是我自己跑完一遍迁移后的二次复盘。

我的实测背景

为了避免又成一篇”benchmark 罗列文”，先交代我自己在这两个多月里的真实使用情况：

• 3 月：日常 ChatGPT Plus（GPT-4o）+ Claude Pro（3.5 Sonnet）双订阅，月费 $40
• 4 月：Claude Opus 4.6 发布当周切了主力，加 Cursor 订阅，月费跳到 $80
• 5 月（现在）：Claude Code（Opus 4.7 + Sonnet 4.6）+ 自托管 Qwen 3 Coder 处理批量任务，月费回到 $35

跑过的项目：博客本身（Astro 5→6 迁移、URL 重构、JSON-LD 修复）、anyfreetools 工具站（53 个工具持续迭代）、内部 blog-preflight Subagent（blog158 详细写过）。总 token 消耗在两个多月里大约 8M+，足够让我对每款模型的真实手感形成判断，不是单看 benchmark 的”纸面分析”。

下面这篇就是基于这些实际跑过的项目和踩坑，回答一件事：3 月看过 blog080 做了选型的读者，现在该怎么调整？不重复讲基础（什么是 GPT/Claude/Gemini），只讲变了什么、为什么变、该不该跟着换。

核心变化总览

变化 1：编程能力新格局

blog080 写时，“哪个模型编程最强”还是 Claude vs GPT 二选一。现在的真实格局：

4 月之前：默认 Claude / GPT 二选一。 5 月之后：要按任务类型选——这是 blog080 时代不存在的精细化分工。

我的实际感受：我同时跑过 blog 项目的多文件重构（Opus 4.7）和 anyfreetools 工具站的一次性脚本（GPT-5.5）。Opus 4.7 在跨文件理解上明显更好——它能记住 5 个文件之前我做了什么，GPT-5.5 在 file 3 之后就开始”健忘”。但 GPT-5.5 在”打开终端跑一串命令、看输出、决定下一步”这种 Agentic 工作流上更顺，跟它 Terminal-Bench 2.0 拿 82.7% 的数字对得上。SWE-bench Pro 这种”读完整个 repo 修一个 issue”的活，Opus 4.7 仍是最佳——这跟它 64.3% 的领先一致。

我个人的结论：单看一个 benchmark 数字是没用的，得把”你日常实际跑什么”和”哪个 benchmark 测什么”对上号。

blog156 我写过 GPT-5.5 vs Claude Opus 4.6 vs Gemini 2.5 Pro 的编程对比——那篇是 4 月数据，Claude 4.6 / Gemini 2.5 数字已经过期。5 月的对比建议看本文表格。

变化 2：价格分化——头部腰斩，Anthropic 持平，Google 上涨

这是两个多月里最重要的变化之一。但不是全行业降价——是分化：OpenAI 和 DeepSeek 大幅降价，Anthropic 维持原价（在别人降价背景下相对变贵），Google 反而涨价。

整体趋势：OpenAI 大跨度降价（GPT-4 Turbo → GPT-5.5：input -82.5% / output -53%），DeepSeek 价格腰斩，Anthropic 持平（Opus 4.7 仍 $5/$25，相对变贵），Google 反而上涨（Gemini 3.1 Pro 输出价 +140%）。

对独立开发者的真实意义：4 月前”跑一个完整 Agent 工作流” 月费约 $80-100，现在用 DeepSeek V4-Flash + Qwen 3 Coder 组合可以降到 $15-20。这是用户行为的拐点——不是”AI 工具便宜了”，是”独立开发者用得起完整工具链了”。

变化 3：开源旗舰追上来了

blog080 写时，开源模型和闭源前沿的差距是 25-40 分（SWE-bench / MMLU 任意基准）。现在缩小到 5-15 分。

最值得关注的开源候选：

• GLM-5.1：SWE-bench Pro 58.4%，距 Claude Opus 4.7 的 64.3% 仅 5.9 分。完全开源 + 商业可用
• Qwen 3 Coder 32B：单卡 H100 或 2×4090 即可跑，API 价 $0.30/$1.50（比 GPT-5.5 便宜 6-9 倍，按 input/output 不同维度）
• DeepSeek V4-Pro：长上下文 + Agentic 推理专项优化，性价比惊人

意义：blog080 时代”开源模型只能做 demo”的认知已经过期。5 月之后，“严肃项目用开源主力 + 闭源补强”是真实可执行的方案。

我自己的实测：我把 anyfreetools 工具站里的”重复批量任务”（修旧文章 frontmatter、批量改 tag、扫描隐私关键词）全部切到了自托管 Qwen 3 Coder 32B。开销几乎归零——服务器本来就在跑，模型推理用空闲算力。Claude Code 主力仍是 Opus 4.7（处理新功能、架构变更），但70% 的”机械活”已经不用上 Claude。3 月时这是不可能的——Qwen 2.5 在那种任务上经常乱来。

唯一注意：自托管 Qwen 3 Coder 32B 在中文长上下文（超过 50k tokens）下还是不如 Claude 稳，重要文档不要全压在它身上。

变化 4：Anthropic 内部更新节奏

Claude 这边变化非常密集，单独一节讲：

• Opus 4.7（2026-04-16 发布）—— 4.6 → 4.7 主要提升：编程任务 +5%、长上下文一致性显著改善
• Opus 4.6 退役时间：2026-06-15——6 月中后 API 仍指 opus alias 会自动切到 4.7
• 定价不变：$5/$25，4.7 没涨价（在 GPT-5.5 大幅降价的背景下，相当于变贵）
• Sonnet 4.6 仍是性价比之选：$3/$15，多数日常编程任务用 Sonnet 完全够

给 blog080 读者的实操：如果你当时选的是 Claude 3.5 Sonnet 作为日常默认，升到 Sonnet 4.6（$3/$15）即可——同价位但编程能力大幅提升。如果选的是 Claude 3 Opus 处理复杂任务，应该直接升到 Opus 4.7（$5/$25）——成本仅 1/3 而且能力跨代。

我自己怎么用：90% 任务用 Sonnet 4.6（性价比之选），关键的架构决策 / 复杂多文件重构切到 Opus 4.7。我专门测过同一个任务 Sonnet vs Opus 的差异——多数日常 CRUD 完全感受不到差距，但写涉及”分布式状态、跨模块依赖、数据迁移”这种”想错就废一天”的活，Opus 多花的几倍 token 是值得的。

一个反直觉的观点：4.7 没涨价不是好消息。GPT-5.5 大幅降价、Gemini 实质涨价、Anthropic 维持原价——表面看 Anthropic 在稳定，实际是它在 GPT-5.5 性价比攻势下被动失去成本竞争力。如果你完全只看价格，5 月开始 Anthropic 已经不是最优选了。

变化 5：基础设施层的并购

4 个月里两个影响深远的并购：

• 2025-12 Anthropic 收购 Bun——Claude Code 底层运行时从 Node.js 切到 Bun，启动速度提升 ~28%
• 2025-Q4 Cloudflare 收购 Astro——Astro 6 把 Cloudflare Workers 作为一等部署目标

对模型选型的影响：

• 如果你在 Vercel 或 Cloudflare 部署，模型 + 基础设施的整合度比”哪个模型分数高”更重要
• 选 Claude 系列时，配合 Bun 生态有意外收益
• 选 Vercel v0（5 月转型成 Agentic 工作流）需要重新评估它和 Claude Code 的边界

变化 6：开发者经济门槛降一档

这是综合变化的结果——不是单一事件。

HN 5 月最热 thread 是 “我用 < $20 月费跑完整 AI 工作流”——这是这一变化的直接反映。

3 月做的选型现在该不该换

按 blog080 几个典型场景给”换不换”建议：

总结

blog080 的核心结论”没有绝对最好的模型，只有最适合的模型”——这条没变。

变的是判断标准。3 月时是”GPT vs Claude vs Gemini”三家闭源模型三选一，5 月是 6+ 维度精细化决策（含开源旗舰）：

• 编程任务深度 → Claude Opus 4.7 / GPT-5.5
• Agentic / 终端任务 → GPT-5.5
• 科学推理 → Gemini 3.1 Pro
• 成本敏感 → DeepSeek V4-Flash / Qwen 3 Coder
• 自托管 / 合规 → GLM-5.1
• 长上下文 → Gemini 3.1 Pro / Kimi K2.6

核心判断：如果你 3 月以后没重新审视过模型选型，现在花 1 小时按上面这个表格重审一次。多数人能找到 30%+ 的成本节省或能力提升。

我的观点：5 月之后选型方法论的根本变化

写完这篇我有三个比”换哪个模型”更核心的认知变化：

1. “选一个最强模型”是一种过时的思路——我 3 月用 ChatGPT Plus 一个订阅干所有事，那时候这是合理的。但 5 月的最优解一定是”组合”：Sonnet 4.6 + Opus 4.7（关键任务）+ Qwen 3 Coder（批量机械活）+ Gemini（科学推理偶发任务）。不再有”全能冠军”——任何相信单一模型能做所有事的人都在多花钱。

2. 自托管开源不再是”穷人方案”，而是”专业方案”——我之前对自托管的偏见是”质量差、麻烦多、不值”。Qwen 3 Coder 32B 改变了这个判断：跑机械活的成本降到接近零，质量足够。关键不是”开源能不能跟得上闭源”，而是”机械活根本不需要顶级模型”。

3. 关注模型公司的”姿态”而不只是”性能”——5 月的格局变化里，最大的输家是 Google（涨价）和 Anthropic（被动）。表面上 Anthropic 模型能力仍是 SWE-bench 第一，但它在性价比维度的相对位置已经下滑。模型公司的定价策略和产品节奏，是 6-12 个月后能力地位的领先指标。这一条独立开发者尤其要看——你换模型的成本比企业小，对价格变化更敏感。

这三点是 blog080 时代根本不存在的判断维度。如果你只记住一句话：5 月之后，AI 模型选型不再是”产品选型”，而是”组合策略”。

延伸阅读：

• Vellum LLM Leaderboard - 实时模型排行
• LM Council Benchmarks - 多维度基准对比
• LLM Stats - 300+ 模型对比 - 含价格 / 速度 / 智能度三维