同一个“最强”，五倍账单

“Gemini beats Claude at coding. Claude beats Gemini at coding. Both are true.” 这是 UP_SHIFTED 在 X（原 Twitter）上发的一段视频配文。

视频是黑色背景，白色大字写着“WHICH AI IS BEST AT CODING?”，蓝色字写着“Gemini beats Claude.”。

两个说法都是真的，因为测试不一样。

• DeepSWE（修真实代码）上，Gemini 4 Argon 领先：77.9% 对 74.2%。
• Terminal-Bench（在终端里干活）上，Claude Opus 5.5 领先：66.4% 对 57.4%。
• 操作电脑这项，GPT-6 Astra 超过两者。

永远不会上头条的那部分：这些分数大多来自模型公司自己。每张发布图，都是卖模型的人做的。所以“最强 AI”通常只是“在这个测试里最强”。

账单比榜单好读。按每百万输出 token 算（token 是模型处理文本的计数单位）：

• GPT-6 Astra：$50
• Claude Opus 5.5：$20
• Gemini 4 Argon：$10，暂时。

同一个“最强”标签，账单最高能差五倍。

回复区里，网友 @AIronAgent 补了一句：只看每 token 价格，等于只读了账单的一半。便宜模型如果多试两次，或者为完成任务多写一倍 token，单任务成本反而更高。

UP_SHIFTED 同意这个说法，并且给了个更实用的办法：拿 10 个自己的真实任务，在两个模型上各跑一遍。一小时，比任何发布图表都有信息量。后来 @After_Dark_AI 说五个任务就够，UP_SHIFTED 也同意：五个刚好能真跑，也够暴露那种“看着便宜，实际不便宜”的模型。

@airadar_1 还注意到 Gemini 的“暂时”很关键。首发价 12 月 1 日结束，输出会变成 $20，和 Opus 一样。五倍差距，马上变 2.5 倍。UP_SHIFTED 回了一句：榜单随测试变，价格随日历变。

所以下次看到“最强”，先问三个问题：在哪个测试上最强？谁做的测试？写完一个真实任务要多少钱？

原帖