Al选择指南：干活用Claude，科研用Gemini，写码用GPT

Al选择指南：干活用Claude，科研用Gemini，写码用GPT Al选择指南：干活用Claude，科研用Gemini，写码用GPT Modified April 22 评测机构Artificial Analysis刚发布了Claude Opus 4.7的测试结果：57分，和GPT 5.4、Gemini 3.1 Pro并列第一。 这是这个榜单历史上第一次出现三家同时登顶的情况。 Anthropic、OpenAI、Google，三个不同的技术路线，最后在同一个分数上相遇。 准确说，Opus 4.7的实际得分是57.3，Gemini 3.1 Pro是57.2，GPT 5.4是56.8。 但这个榜单的误差范围是正负1分，所以官方认为这是平局。 通用能力的竞赛可能已经接近尾声，真正的差异在具体场景。 谁在哪方面最强 虽然总分一样，但三个模型的能力分布完全不同。 Claude Opus 4.7在实际工作任务上遥遥领先。 它在GDPval AA这个测试中拿到1753分，比第二名高出79分。 这个测试不是做选择题，而是模拟真实工作。 44种职业，9个主要行业，让AI自己用命令行、开浏览器、调工具去完成任务。 比如分析一份财务数据，写一个技术文档，或者调试一段代码。 换句话说，如果你想让AI像助手一样帮你干活，处理那种需要多个步骤、调用多种工具的复杂任务，Opus 4.7现在是最靠谱的选择。 相比上一代4.6版本，它在这个测试上提升了134分。 Gemini 3.1 Pro的强项是知识和科学推理。 它在HLE（人类最后的考试）、GPQA Diamond（研究生级别物理化学题）、SciCode（科学编程）这些学术测试中都排第一。 如果你的工作涉及科研、需要处理专业知识，Gemini更合适。 GPT 5.4则在长周期编程和科学推理上占优。 它在TerminalBench Hard（复杂终端操作）和CritPt（批判性思维）这些需要长时间思考、多轮迭代的任务中表现最好。 三家各有所长，这才是正常的。 就像三个学生考了同样的总分，但一个数学满分，一个语文满分，一个理综满分。 更聪明的表现：少说话，少犯错 Opus 4.7相比上一代，有两个值得注意的改进。 第一个是效率提升。 完成同样的测试，4.7版本只用了1.02亿个输出token，比4.6版本少了35%，但得分反而高了4分。 这意味着它不再像以前那样啰嗦了。 以前可能要解释三遍的事情，现在一遍说清楚。 虽然官方定价没变，还是输入每百万token 5美元、输出25美元，但实际使用成本下降了。 第二个是学会了承认不知道。 在AA Omniscience（全知指数）这个测试中，Opus 4.7的得分从14分跃升到26分，仅次于Gemini 3.1 Pro的33分。 这个提升不是因为它知道更多，而是因为它减少了胡说八道。 具体数据很说明问题： • 准确率：没变 • 幻觉率：从61%降到36%，下降了25个百分点 • 尝试回答率：从82%降到70% 它是怎么做到的？遇到不确定的问题，选择不回答。 一个AI承认自己不知道，比信心满满地给出错误答案要好得多。 特别是在需要准确性的场景，比如医疗咨询、法律建议、技术支持，一个错误的答案可能造成严重后果。 新功能：任务预算 Anthropic这次还加了一个挺实用的功能，任务预算（Task Budgets）。 简单说，你可以给AI设定一个token总量上限，它会看到一个倒计时，然后自己规划怎么在预算内完成任务。 快用完的时候，它会调整策略，确保优雅地收尾，而不是说到一半突然停止。 这就像给员工定项目预算一样。 你告诉它"这个任务最多用5000个token"，它会自己分配，哪些地方详细说，哪些地方简略带过，最后在预算内给你一个完整的结果。 这个功能现在还在公测阶段，但思路很实用。 特别是对于那些需要控制成本的应用场景，比如客服机器人、自动化报告生成。 另外，Opus 4.7还增加了一个新的推理强度档位"xhigh"（超高），介于"high"（高）和"max"（最大）之间。 现在完整的档位是：低、中、高、超高、最大。 档位越高，AI思考得越深入，但也越慢、越贵。 还有一个变化： Extended Thinking（扩展思考）功能被完全移除了，现在只保留Adaptive Reasoning（自适应推理）。 这意味着Anthropic在简化产品线，专注于一个更好的推理模式。 这个局面意味着什么 三个模型并列第一，表面上看是平局，实际上反映了AI发展进入了新阶段。 通用能力的天花板可能真的近了。 当三家顶尖公司用完全不同的技术路线，都达到差不多的智能水平时，说明这个方向上容易摘的果实已经摘得差不多了。 继续往上提升，可能需要更多的资源、更长的时间、更大的突破。 接下来是场景化竞争。 Anthropic专注于实际工作任务的自主执行，Google深耕科学研究和知识处理，OpenAI押注复杂推理和长周期任务。 每家都在自己擅长的领域继续深挖。 对普通用户来说，这其实是好消息。 你不用再纠结哪个模型"最强"，而是可以根据具体需求选择： 需要AI帮你处理复杂工作任务，用Claude Opus 4.7； 做科研或者需要处理专业知识，用Gemini 3.1 Pro； 写复杂代码或者需要深度推理，用GPT 5.4。 工具越来越专业化，这才是成熟市场该有的样子。 原文链接: https://blog.qiaomu.ai/2026 04 18 nmF7XY 评测机构Artificial Analysis刚发布了Claude Opus 4.7的测试结果：57分，和GPT 5.4、Gemini 3.1 Pro并列第一。 这是这个榜单历史上第一次出现三家同时登顶的情况。 Anthropic、OpenAI、Google，三个不同的技术路线，最后在同一个分数上相遇。 准确说，Opus 4.7的实际得分是57.3，Gemini 3.1 Pro是57.2，GPT 5.4是56.8。 但这个榜单的误差范围是正负1分，所以官方认为这是平局。 通用能力的竞赛可能已经接近尾声，真正的差异在具体场景。 谁在哪方面最强 虽然总分一样，但三个模型的能力分布完全不同。 Claude Opus 4.7在实际工作任务上遥遥领先。 它在GDPval AA这个测试中拿到1753分，比第二名高出79分。 这个测试不是做选择题，而是模拟真实工作。 44种职业，9个主要行业，让AI自己用命令行、开浏览器、调工具去完成任务。 比如分析一份财务数据，写一个技术文档，或者调试一段代码。 换句话说，如果你想让AI像助手一样帮你干活，处理那种需要多个步骤、调用多种工具的复杂任务，Opus 4.7现在是最靠谱的选择。 相比上一代4.6版本，它在这个测试上提升了134分。 Gemini 3.1 Pro的强项是知识和科学推理。 它在HLE（人类最后的考试）、GPQA Diamond（研究生级别物理化学题）、SciCode（科学编程）这些学术测试中都排第一。 如果你的工作涉及科研、需要处理专业知识，Gemini更合适。 GPT 5.4则在长周期编程和科学推理上占优。 它在TerminalBench Hard（复杂终端操作）和CritPt（批判性思维）这些需要长时间思考、多轮迭代的任务中表现最好。 三家各有所长，这才是正常的。 就像三个学生考了同样的总分，但一个数学满分，一个语文满分，一个理综满分。 更聪明的表现：少说话，少犯错 Opus 4.7相比上一代，有两个值得注意的改进。 第一个是效率提升。 完成同样的测试，4.7版本只用了1.02亿个输出token，比4.6版本少了35%，但得分反而高了4分。 这意味着它不再像以前那样啰嗦了。 以前可能要解释三遍的事情，现在一遍说清楚。 虽然官方定价没变，还是输入每百万token 5美元、输出25美元，但实际使用成本下降了。 第二个是学会了承认不知道。 在AA Omniscience（全知指数）这个测试中，Opus 4.7的得分从14分跃升到26分，仅次于Gemini 3.1 Pro的33分。 这个提升不是因为它知道更多，而是因为它减少了胡说八道。 具体数据很说明问题： • 准确率：没变 • 幻觉率：从61%降到36%，下降了25个百分点 • 尝试回答率：从82%降到70% 它是怎么做到的？遇到不确定的问题，选择不回答。 一个AI承认自己不知道，比信心满满地给出错误答案要好得多。 特别是在需要准确性的场景，比如医疗咨询、法律建议、技术支持，一个错误的答案可能造成严重后果。 新功能：任务预算 Anthropic这次还加了一个挺实用的功能，任务预算（Task Budgets）。 简单说，你可以给AI设定一个token总量上限，它会看到一个倒计时，然后自己规划怎么在预算内完成任务。 快用完的时候，它会调整策略，确保优雅地收尾，而不是说到一半突然停止。 这就像给员工定项目预算一样。 你告诉它"这个任务最多用5000个token"，它会自己分配，哪些地方详细说，哪些地方简略带过，最后在预算内给你一个完整的结果。 这个功能现在还在公测阶段，但思路很实用。 特别是对于那些需要控制成本的应用场景，比如客服机器人、自动化报告生成。 另外，Opus 4.7还增加了一个新的推理强度档位"xhigh"（超高），介于"high"（高）和"max"（最大）之间。 现在完整的档位是：低、中、高、超高、最大。 档位越高，AI思考得越深入，但也越慢、越贵。 还有一个变化： Extended Thinking（扩展思考）功能被完全移除了，现在只保留Adaptive Reasoning（自适应推理）。 这意味着Anthropic在简化产品线，专注于一个更好的推理模式。 这个局面意味着什么 三个模型并列第一，表面上看是平局，实际上反映了AI发展进入了新阶段。 通用能力的天花板可能真的近了。 当三家顶尖公司用完全不同的技术路线，都达到差不多的智能水平时，说明这个方向上容易摘的果实已经摘得差不多了。 继续往上提升，可能需要更多的资源、更长的时间、更大的突破。 接下来是场景化竞争。 Anthropic专注于实际工作任务的自主执行，Google深耕科学研究和知识处理，OpenAI押注复杂推理和长周期任务。 每家都在自己擅长的领域继续深挖。 对普通用户来说，这其实是好消息。 你不用再纠结哪个模型"最强"，而是可以根据具体需求选择： 需要AI帮你处理复杂工作任务，用Claude Opus 4.7； 做科研或者需要处理专业知识，用Gemini 3.1 Pro； 写复杂代码或者需要深度推理，用GPT 5.4。 工具越来越专业化，这才是成熟市场该有的样子。 原文链接: https://blog.qiaomu.ai/2026 04 18 nmF7XY