大家好，这里是最佳拍档，我是大飞。从今年2月5日 Claude Code 迎来拐点之后，整个 AI编码模型 市场就好像被按下了加速键一样，几乎每周都有大厂或顶尖实验室发布全新的编码专用模型。一连串的模型名字，如 Claude Opus、Mythos、OpenAI Codex、Google Gemini、DeepSeek、Kimi、Qwen、GLM、MiniMax、Composer、Muse Spark，让人眼花缭乱，很多人根本分不清这些模型到底谁强谁弱，官方发布的基准测试分数到底能不能信，自己的日常开发到底该选哪一款工具。

就在25日，SemiAnalysis 的几位资深分析师在过去几个月里亲手实测了所有主流头部模型，不仅拿到了 GPT-5.5 的阿尔法测试资格，还深度对比了 Opus 4.7 和 DeepSeek V4 的真实表现，发表了一份长达万字的实测报告。同时，他们还将行业里基准测试的猫腻、模型的定价逻辑以及市场的竞争格局分析得一清二楚。今天，我们就来给大家分享一下，看看智能编码助手的未来方向在哪里。

智能编码市场核心结论

我们先来给出报告的核心结论：在 GPT-5.5 发布之后，OpenAI 终于重新回到了 AI编码领域 的前沿梯队；而 Anthropic 凭借 Claude Opus 系列，依然牢牢占据市场的主导地位。开源阵营的 DeepSeek V4 虽然技术亮眼，但是已经难以撼动闭源大厂的优势。更重要的是，所有厂商吹嘘的基准测试分数，正在彻底失去参考价值。按任务计费的成本效率（Cost Efficiency per Task: 完成特定任务所需的总投入），才是衡量编码模型的真正核心指标。

接下来，我们来逐个拆解一下三款最具代表性的模型。

OpenAI GPT-5.5：重回前沿的颠覆者

首先登场的，是本次测评中最具颠覆性的产品：OpenAI 的 GPT-5.5。这款模型是 OpenAI 基于代号为 Spud 的全新预训练框架，推出的首个公开发布版本，也是 OpenAI 自失败的 GPT-4.5 之后，第一次真正意义上的预训练规模升级。

在 GPT-5.5 发布之前，从去年11月 Opus 4.5 推出后的半年时间里，OpenAI 的编码模型在绝大多数核心指标上都算不上全球顶尖。当时 SemiAnalysis 团队的日常开发工具清一色都是 Claude Opus。而现在，GPT-5.5 已经全面融入了他们的日常工作流，甚至在部分任务上的表现已经实质性超越了市面上所有其他模型。

分析师团队首先纠正了一个外界广泛传播的错误信息：英伟达 和 OpenAI 都曾用精准的表述宣称 GPT-5.5 是在10万颗 GB200 NVL72 集群上完成训练的，但是这个所谓的“训练”仅仅是后训练阶段的强化学习（RL阶段），模型在预训练核心阶段从未达到过这个规模。这只是 OpenAI 在宣传上的文字游戏，大家要擦亮眼睛。

再看大家最关心的定价。OpenAI 的模型历来比 Anthropic 更加亲民，但 GPT-5.5 打破了这个惯例。它的 API 定价为每百万输入 token 5美元，每百万输出 token 30美元。这个价格是 GPT-5.4 的两倍，甚至比 Anthropic 的 Opus 4.7 还要略高一点。

GPT-5.5 的服务模式与技术亮点

出于安全层面的考量，GPT-5.5 最初只开放了 ChatGPT 和 Codex 的访问窗口，随后才正式上线 API 接口。SemiAnalysis 团队也是在阿尔法测试阶段，通过 Codex 和 API 完成了全方位的实测。除了标准版，OpenAI 还为 GPT-5.5 推出了专属的优先级服务，价格是标准版本的2.5倍。

这里要区分清楚 AI 厂商常用的两种加速服务：分别是快速模式（Fast Mode: 提供模糊的性能承诺，如高倍价格换取加速）和优先级服务（Priority Service: 提供保守且具体的服务等级协议，如99%时间内的最低输出速度）。目前 Anthropic 和 OpenAI 都提供这两种服务，但是真正获得市场认可的，只有 Opus 4.6 的快速模式。

另外，OpenAI 还同步推出了 GPT-5.3-Codex-Spark 模型，这款模型是专门为 Cerebras 芯片设计的蒸馏版 GPT-5.3。还有面向科研场景的 GPT-5.5 Pro 版本，仅通过 ChatGPT 和 API 提供服务，主打科学研究和长程推理任务，而非日常的智能编码工作。这款模型在 BrowseComp 和 FrontierMath 两大基准测试中拿下了当前最优成绩，定价和 GPT-5.4 Pro 保持一致，为每百万 token 30和180美元，未来大概率会在科学发现领域放出更多重磅成果。

GPT-5.5 的标准版和 Pro 版都提供了五档推理强度调节，从 xhigh、high、medium、low 到 non-reasoning，这是一种能力与成本的权衡。从 OpenAI 的 o1 系列开始，高推理强度就意味着更好的输出效果，但是同时会消耗更多的 token、响应速度更慢，这也是所有 大模型（Large Language Model: 基于海量文本训练的 AI 系统）的通用规律。

而 GPT-5.5 最核心的技术亮点就是 token效率（Token Efficiency: 完成任务所需的token数量与效果的平衡）。OpenAI 在模型卡片中明确标注，它在基准测试分数高于 GPT-5.4 的同时，token 消耗量更低。这个点至关重要，也是 SemiAnalysis 团队反复强调的核心逻辑：衡量模型定价的核心指标已经不再是每 token 的价格了，而是完成单个任务的总成本。例如，Mythos 模型的单 token 价格是 Opus 的5倍，但是因为它完成任务需要的 token 更少，整体成本反而被抵消，甚至端到端响应速度更快。Token 效率 将成为2026年 AI模型 竞争的核心关键词。

Anthropic Claude Opus 4.7：小幅升级与成本隐忧

聊完了 OpenAI 的 GPT-5.5，我们把目光转向它的头号对手 Anthropic 的 Claude Opus 4.7。Opus 系列一直是 SemiAnalysis 团队的主力开发工具。Opus 4.7 作为 Opus 4.6 的直接替代版本，整体属于小幅升级，在多项基准测试中分数有所提升，使用体验也保持了一贯的稳定，但是并没有带来颠覆性的技术突破。团队成员也是勉强接受了这款更新。

为什么说勉强呢？原因就是 Opus 4.7 至今没有推出快速模式。而工程师们已经愿意为了更快的速度牺牲一部分微不足道的质量。2.5倍速度、6倍价格的权衡能让开发者进入真正的心流状态，这是当前编码工具的核心需求之一。

从 Opus 4.6 升级到 4.7，用户能感知到的变化更多来自功能层面而非原始性能。现在的头部编码模型已经足够强大，日常开发任务都能完美完成。工程师们的吐槽点已经从功能测试是否通过，变成了代码风格、实现思路、架构设计和 token 效率，几乎不会再出现模型完全搞砸代码提交的情况。

Opus 4.7 的五大功能更新

具体来说，Opus 4.7 的核心功能更新有五个，每一个都直接影响使用体验和成本：

• 新增了高分辨率图像支持：强化学习的训练目标也明显调整，模型可以直接通过截图完成前端样式的开发，不再需要通过无头浏览器或者 Playwright 等工具运行程序测试，前端开发的效率大幅提升。
• 在推理强度层级中新增了 xhigh 的档位，介于 high 和 max 之间，让用户可以更精细地控制模型的推理耗时和能力输出。
• 默认隐藏了思考过程 token：虽然用户依然需要为这部分 token 付费，但是必须主动开启才能查看。Anthropic 通过这种方式简化了输出界面，但是也增加了成本的不透明性。
• 推出了测试阶段的任务预算功能（Task Budget: 用户为模型完成任务设定的效率阈值）：仅支持 API 调用。用户可以给模型建议完成任务的效率阈值，如果预算限制过严，模型会选择简化步骤甚至拒绝执行。这和传统的最大输出 token 限制不同，后者是对输出长度的硬性约束，前者是对任务执行效率的柔性建议。
• 最关键的变化是全新的分词器：Anthropic 直接承认，新的分词器通过更细粒度的 token 计数提升了性能，但是也导致 token 使用量会最多增加35%。这相当于直接涨价35%，是所有用户都无法忽视的成本变化。

在模型行为上，Opus 4.7 默认减少了工具调用的次数，更依赖自身推理完成任务。SemiAnalysis 团队实测后并不认可这种调整，需要手动把推理强度从高调到 xhigh 或 max 才能让模型调用足够的工具，完成复杂任务的多步骤规划，这和官方宣传的 token 效率优化完全相悖。

这里还有个事件：在 Opus 4.7 发布前，大量用户指责 Anthropic 故意降低 Opus 4.6 的性能。Anthropic 对此坚决否认，但是 SemiAnalysis 的多位工程师都明确表示 4.6 的性能在那段时间出现了明显异常。直到4月23日，也就是 Opus 4.7 发布一周后，Anthropic 发布了事后分析报告，承认在3月到4月期间出现了三个影响所有 Claude Code 用户的 bug。这些 bug 潜伏了几周才被发现，这也印证了工程师们的直观感受。这三个 bug 的时间窗口分别是3月4日至4月7日、3月26日至4月10日、4月16日至4月20日。作为一款主打编码的 AI工具，如此长时间的 bug 未被修复，也侧面暴露了闭源模型的潜在风险。

开源阵营DeepSeek V4：技术亮眼，差距犹存

接下来我们再来聊聊开源阵营的扛把子 DeepSeek V4。DeepSeek 在去年凭借 R1 版本惊艳全球，也引发了行业对开源模型是否会让人工智能商品化的激烈讨论，甚至引发了 GPU 短缺的连锁反应。而这次发布的 V4 版本，分为 Pro 和 Flash 两个型号，虽然没有再次颠覆市场，但是技术实力依然不容小觑。

先看参数架构：DeepSeek V4 Pro 总参数1.6万亿，激活参数490亿；V4 Flash 总参数2840亿，激活参数130亿。对比上一代 V3 的6710亿总参数、370亿激活参数，Pro 版本实现了升级，Flash 版本则是轻量化降级。但是客观来说，无论是总参数还是激活参数，DeepSeek V4 和 OpenAI、Anthropic 的闭源前沿模型相比，依然存在明显的差距。

V4 相比 V3 最核心的突破是把上下文窗口从128k直接提升到100万 token。所有技术创新都围绕长上下文性能（Long Context Performance: 模型在处理长文本输入时的理解和生成能力）展开，包括压缩稀疏注意力 CSA（Compressed Sparse Attention）、重压缩注意力 HCA（Heavily Compressed Attention）、流形约束超连接 mHC（Manifold Constrained Hyperconnection）三项核心技术。

官方数据显示，在100万 token 上下文场景下，V4 Pro 的单 token 推理浮点运算量仅为 V3.2 的27%，KV缓存 占用仅为10%，90%的 KV缓存 reduction，甚至比谷歌之前发布的 TurboQuant 论文效果还要惊艳。这对存储行业的影响值得关注。

在基准测试方面，DeepSeek 认为传统基准无法衡量真实任务能力，因此自研了智能编码、中文写作、检索增强搜索、长周期白领任务等专属基准。V4 Pro 虽然在这些任务中能和头部模型抗衡，但是在核心领域依然落后。例如，在高难度中文写作任务中，Claude Opus 4.7 的表现依然优于 DeepSeek V4 Pro。这是一个很有意思的现象：海外模型在中文任务上反而超越了本土开源模型。

DeepSeek V4 的技术开源与推理性能

技术层面，DeepSeek V4 开源了模型权重和详细技术报告，还更新了 DeepEP、DeepGEMM、FlashMLA 等被全球实验室广泛使用的库。甚至在 DeepGEMM 中开源了支持 英伟达 GPU 和 华为昇腾 NPU 的超级内核。虽然目前只公开了 NVIDIA Hopper 和 Blackwell 架构的代码，但是未来大概率会让大量推理任务运行在昇腾芯片上。

推理性能方面，SemiAnalysis 的 InferenceX 团队联合 vLLM、Inferact 和 NVIDIA 的工程师，在 H200 集群上实现了 V4 的首日支持。FP8精度 下，单 GPU 吞吐量约为每秒150个 token，交互速度为每秒20个 token。而 V3 的吞吐量为每秒1300到2300 token。作为一款全新模型，V4 还有很大的优化空间。

总结来看，DeepSeek V4 是一次极其出色的工程化发布，紧跟前沿水平，是闭源模型之外成本最低的选择。但是核心能力依然没有达到全球顶尖，SemiAnalysis 自己的核心工作流也不会被 DeepSeek 替代。开源和闭源的差距，正在重新拉大。

实测对比：Codex与Claude Code的用户体验

拆解完三款核心模型的技术细节，接下来进入最精彩的实测对比环节：GPT-5.5 对应的 Codex 和 Opus 4.7 对应的 Claude Code，到底谁更好用呢？

SemiAnalysis 团队向来更推崇 Claude。在 GPT-5.5 阿尔法测试期间，他们把两款模型放在同一场景下极限对比，得出的结论非常客观：GPT-5.5 在 Codex 插件场景下实现了显著提升。此前团队工程师全部使用 Claude，ChatGPT 编码只限于 Cursor 等工具。而现在，大部分工程师会根据任务类型和 IDE 偏好，在 Codex 和 Claude 之间切换。

有工程师表示，Codex 最让人满意的点是在修改代码前会拉取大量上下文信息。不是简单的结构调整，而是需要深度思考的复杂修改。而 Opus 4.7 往往只是快速浏览代码后就直接修改，缺乏对细节上下文的挖掘。还有工程师明确自己会用 Codex 做代码审查、bug 排查、代码解释、文档创建与修改，它对代码结构的理解和推理能力更出色。

但是 GPT-5.5 的缺点也很明显：它对用户真实意图的推断能力不如 Claude Code。人类在给编码智能体发指令时往往简洁且不严谨，Codex 会过于字面化地执行指令，而 Claude 能更好地理解背后的真实需求。同时，GPT-5.5 在代码修改时过于保守，虽然提升了 token 的效率，但是牺牲了准确性，输出中出现“narrow fix”时必须人工二次检查。

团队还做了一个极端测试：让 Opus 4.6 和 GPT-5.5 分别基于现有 token 经济学仪表板创建新的加速器模型仪表板。结果 Opus 4.6 完美复刻了包含所有标签页链接的主页，而 Codex 则完全忽略了主页设计，除非在提示词中明确要求复制主页，否则无法自主推断这个需求。但是在仪表板的数据准确性上，Codex 远优于 Claude。Claude 甚至出现了在 TPU 图表中加入 NVIDIA GPU 的幻觉问题。这说明 Codex 更擅长复杂数据结构的推理（Complex Data Structure Reasoning: 理解和处理复杂数据关系的能力）和窄范围高难度任务（Narrow-Scope High-Difficulty Tasks: 针对特定领域内复杂问题的解决）。Claude 更擅长开放式、从零到一的全新项目开发（Open-Ended, Green-Field Development: 从概念开始构建全新项目）。

基于这个结论，工程师们形成了全新的工作流：先用 Claude 完成新应用、新功能的初始规划和框架搭建，完成第一个版本的原型开发；再切换到 Codex 解决具体问题、修复 bug。而在 GPT-5.5 发布之前，团队全程都使用 Claude 完成这两个步骤。

除此之外，OpenAI 还有一个致命的短板，那就是插件和命令行工具的功能落后。工程师们普遍需要100万上下文的快速模式、远程控制、沙盒插件，实现电脑和手机的跨设备会话。这些功能 Claude Code 的命令行、VSCode 插件、网页端、移动端全部支持，而 Codex 的所有端侧工具都不具备这些能力。即便 GPT-5.5 模型本身足够优秀，OpenAI 也需要加快功能迭代才能追上 Anthropic 的生态优势。

戳破AI基准测试的泡沫：价值与陷阱

聊完模型的真实体验，我们再来戳破整个 AI 行业最大的泡沫——基准测试（Benchmark Test: 衡量模型性能的标准测试集）。几乎每一款新模型发布，厂商都会贴出一张满是高分的基准测试对比表，用看似客观的数字证明自己的模型全球第一。但是 SemiAnalysis 团队明确指出，基准测试已经无法代表模型的真实实用价值了。虽然所有厂商依然会乐此不疲地宣传，但我们要做的就是学会从数字中筛选有效信息，避开所有陷阱。

一个完整的基准测试由三个部分组成：

• 任务：模型要完成的具体操作。
• 评估方式：模型的打分标准。
• 工具套件：模型完成任务的工具、指令、交互界面。

只有理解前两个要素，才能判断基准测试是否有价值。

我们先看最经典的通用基准测试：2020年发布的 MMLU（Massive Multitask Language Understanding: 大规模多任务语言理解测试），包含57个学科、15908道多选题，是早期 AI模型 的核心测试标准。其 harness（测试框架）极简，不支持网页搜索等工具，评分只需要看选项是否正确。2023年 GPT-4 就达到了86.4%的正确率，基本饱和，而且研究显示 MMLU 中有6.49%的题目本身存在错误。后续的 GSM8K、HellaSwag、MMMU、GPQA 等基准也都面临同样的问题。厂商只能通过筛选难题、增加选项、提高难度，推出 MMLU-Pro、MMMU-Pro 等升级版维持测试价值。

2025年1月 Scale AI 发布的人类终极考试 HLE，邀请全球1000多位专家创建2500道题，80%是精准短答案，20%是多选题，支持网页搜索、代码执行工具。但是问题也很明显，那就是题目不代表真实使用场景。30%的化学生物题答案和同行评审文献冲突。可 谷歌 依然在2025年投入九位数预算，专门针对 HLE 的 STEM 题目优化模型，只为拿到高分向投资人交差。

编码基准与智能体基准的局限性

再看编码领域最核心的基准测试 SWE-bench。2023年发布的初代 SWE-bench 从 django、scikit-learn 等12个 Python 仓库自动抓取任务，没有任何人工验证。GitHub 需求描述模糊、测试用例不全面，导致很多正确答案被误判，错误答案被通过，甚至出现任务描述没提、测试却要求精准匹配19个单词错误信息的荒唐情况。

2024年8月 OpenAI 推出 SWE-bench verified，雇佣93名 Python 开发者人工审核，把2294个任务精简到500个，加入代码执行工具，用 Docker 容器提升稳定性。但是依然存在问题：不仅超过一半的难题依然存在评估不公，而且所有任务都来自开源仓库，模型存在训练数据污染（Training Data Contamination: 模型在训练过程中接触到测试数据，导致评估结果失真）的问题。

2026年2月，OpenAI 宣布不再上报 verified 成绩，转而推荐 SWE-bench pro。后者使用更严格授权的开源仓库和私有仓库避免污染，雇佣开发者编写任务和评估，但是依然没有彻底解决所有问题。除了 SWE-bench 系列，编码基准还有多语言版本、Terminal-bench、NL2Repo 等等，各有局限，但依然是厂商宣传的核心依据。

最后是智能体基准测试（Agent Benchmark: 评估 AI 智能体在复杂、多步骤任务中表现的测试）。最具代表性的是 OpenAI 2025年9月发布的 GDPval，覆盖44种职业的真实经济价值任务。它雇佣各行业专家编写任务、示例方案和评分规则，支持办公软件、CAD 工具、网页搜索、代码执行，甚至模拟日历、邮件、云盘等真实环境，用人类专家评分，比传统基准更贴近真实工作。但是依然存在提示词过于明确、缺乏真实场景的模糊性以及单轮对话无反馈迭代等问题。

而厂商在基准测试上的猫腻远比我们想象的更多。例如，OpenAI 发布 GPT-5.4 时，几乎没有加入任何基准测试，也没有和 Anthropic 模型对比，因为当时 GPT-5.4 会被 Opus 4.6 全面碾压。而 GPT-5.5 发布时，重新加入了 Claude 和 Gemini 的对比，却刻意避开了 OpenAI 自己主推的 SWE-bench pro，改用自定义的 Expert-SWE 基准。原因很简单：GPT-5.5 在 SWE-bench pro 上的成绩远不如 Opus 4.7，更比不上未公开的 Mythos 模型。

还有一个关键误区：很多人认为用统一的工具套件测试才是公平对比。但是 SemiAnalysis 通过实测发现，工具套件本身就是产品的一部分。用户关心的是 Codex 和 Claude Code 的整体体验，而非单纯的 GPT-5.5 和 Opus 4.7 模型本身。而且工具套件直接决定了任务成本：提示词缓存、输入输出比以及工具的调用模式都和 token 效率强相关。初步数据显示，Codex 的输入输出比为80:1，Claude 为100:1。更高的输入输出比看似单 token 更贵，但是整体 token 消耗更少，最终任务成本更低。

智能编码战争的未来格局

最后，我们来预判一下智能编码的战争，最终谁能赢呢？当前的格局显然是 OpenAI 和 Anthropic 的双雄争霸，其他玩家暂时无法撼动。DeepSeek V4 的发布足够惊艳，但是开源和闭源的差距正在重新拉大。SpaceXAI 在收购 Cursor 后，有机会冲击第三名，但是需要奇迹才能超越前两位。谷歌 有足够的资源，只要强化学习团队发力，可能带来惊喜，但是目前依然落后。Meta 的 Muse Spark 刚刚入局，还处于追赶状态。

市场份额层面，只有 Anthropic 和 OpenAI 拥有实质性的市场占有率。Windsurf、Cognition、Replit、Vercel V0 等主打编码的创业公司，即便收入几个月增长3倍，也只是模型的封装工具，毛利率为负。所有公司的年度经常性收入加起来只有几十亿美元。而 Anthropic 的估值从90亿美元暴涨到400亿美元，核心驱动力就是 Claude Code 的智能编码业务。

今年年初，所有人都无法想象 Anthropic 会超越 OpenAI。但是现在，抛开云服务商收入分成的会计差异，Anthropic 的年度经常性收入已经在可比口径下超过了 OpenAI，成为智能编码领域的绝对领导者。而且 Anthropic 的收入质量更高，70%来自 API 调用，随着部署规模增长。而 OpenAI 依赖免费的消费端产品，用户基数大但是商业化的效率更低。

不过，OpenAI 的红色警报即将结束。GPT-5.5 让它重新回到前沿水平。而全球算力紧缺，成为 OpenAI 守住市场的关键。Anthropic 正在疯狂地抢购算力，导致 H100 租赁价格持续飙升。但是今年全球的算力增量有限，Anthropic 的 AGI（Artificial General Intelligence: 人工通用智能，具备人类级别或超越人类级别智能的 AI 系统）研发路线让它不会把超过50%的算力用于用户服务。同时，Anthropic 还在通过涨价、降低峰值速率、移除订阅版 Claude Code、封禁第三方工具等方式，把算力转向高毛利业务，逐渐成为 AI领域 中类似依云一样的高端水品牌。这部分被高价劝退的用户，就是 OpenAI 的机会。

未来的竞争，不再是基准分数的内卷，而是算力储备（Compute Resource Reserves: 可用于训练和运行 AI 模型的大规模计算资源）、token效率、生态工具（Ecosystem Tools: 围绕核心模型构建的插件、命令行、IDE 集成等周边工具）、定价策略（Pricing Strategy: 模型服务的费用结构和收费方式）的综合比拼。闭源模型会持续拉开和开源的差距，封装型创业公司的生存空间会越来越小，只有模型 + 工具套件的完整产品（Integrated Model and Tooling Product: 结合核心模型与配套工具链提供完整解决方案的产品）才能在市场上立足。

对于我们普通用户和开发者来说，需要注意的是不要再被厂商的基准测试分数忽悠，而是要关注真实的使用体验、完成任务的成本效率、生态工具的完整性。这些才是选择编码助手的核心标准。不论如何，智能编码的这场战争，才刚刚开始。感谢收看本期视频，我们下期再见。