GPT-5 vs Claude Opus 4.8 vs Gemini 3.1 Pro:2026 旗舰横评
三家实验室,三个旗舰,牌价相近,各自宣称最强。这是它们在「决定团队标准化用哪个」时真正重要的维度上的对比。
2026 年的旗舰 LLM 档已经收敛到三个真正的竞争者:OpenAI GPT-5、Anthropic Claude Opus 4.8、Google Gemini 3.1 Pro。三家牌价相近,三家都至少在一项基准上声称 SOTA,三家都有忠实用户坚信自己选的「显然是最强」。
这篇文章在团队级决策真正重视的维度上正面对比——百万 token 单价、上下文长度及其实际可用度、代码、推理、多模态、生态。每一轮给出胜者,最后给总评。
先声明:三个我都在生产环境常用。下面观点基于真实工作负载,不是宣传册。样本量小的地方会明说。
候选三方:基本规格
| GPT-5 | Claude Opus 4.8 | Gemini 3.1 Pro | |
|---|---|---|---|
| 输入单价 ($/M) | 1.25 | 15.00 | 1.25 |
| 输出单价 ($/M) | 10.00 | 75.00 | 10.00 |
| 上下文长度 | 400K | 200K | 1M |
| 图像输入 | ✓ | ✓ | ✓ |
| Function calling | ✓ (strict JSON) | ✓ | ✓ |
| 音频输入 | 受限 | ✗ | ✓ |
| 知识截止 | 2026/03 左右 | 2026/01 左右 | 2026/02 左右 |
价格会变动,以本站比较表为准。Opus 4.8 贵到突出——输入贵约 12 倍、输出贵约 7.5 倍。这个价差是本次对比中最重要的单个事实。
第 1 轮:价格
不接近。GPT-5 和 Gemini 3.1 Pro 输入 $1.25/M、输出 $10/M 完全打平。Opus 4.8 是 $15/M 和 $75/M。OpenAI 和 Google 在几轮降价中一直保持同步,Anthropic 选择把 Opus 放在高端、Sonnet ($3/$15) 放在中端。
如果做大批量(自动 pipeline、批量生成、内容工作流),没有非常具体的理由的话,Opus 用不起。互动式编程或一次性精打细磨,价差影响相对小。
判定:GPT-5 和 Gemini 并列第一。Opus 输,除非预算无感。
第 2 轮:上下文长度与长文质量
数字谁都能写,实际能用到什么程度 不一样。
- Gemini 3.1 Pro:1M token,Google 在长文检索质量上确实有实质改进,800K+ 的针刺测试也稳定。代价是单次 API 调用如果真的吃 800K 输入,光输入就 $1.00,而整个 1M 上下文上的推理比 200K 更慢、一致性也更差。
- GPT-5:400K token,在同等长度下我观察到的检索质量比 Gemini 更稳定。OpenAI 习惯于「上下文长度低调宣传、实际效果超出」。
- Claude Opus 4.8:200K token,但「单 token 注意力质量」三家最强。要把 200K 用满,选它。
判定:容量上 Gemini 赢、200-400K 质量上 GPT-5 赢、密集注意力上 Opus 赢。按用途选。
第 3 轮:代码
详细见 编程选型指南。简短版:
- 新写代码:Opus 第一、GPT-5 第二、Gemini 第三。
- 大规模重构:Opus 第一(200K 以内)、GPT-5 第二、Gemini 用于「读完一切」的规划阶段。
- 陌生代码的 bug 修复:GPT-5(隐式上下文跟随略胜)。
- 小众语言代码:大致并列,三家都有弱点。
判定:不算钱 Opus 胜;算上价格 GPT-5 胜。
第 4 轮:推理与数学
基准战最激烈也最无意义的地方。三家都在「主要推理基准能过」档,差别在失败模式。
- GPT-5 的新 “thinking” 模式在长多步演绎(法律分析、复杂代码逻辑、规划)上最强。
- Claude Opus 4.8 在允许长时间外显思考时,原始推理能力最强。同时「不知道就说不知道」这一项最强,不容易编造。
- Gemini 3.1 Pro 在数学应用题和定量推理上最强,但 “extended thinking” 鲁棒性弱于另两家。
判定:头部基本打平。Opus 在诚实度上微胜,GPT-5 在多步 agent 用例上微胜。
第 5 轮:多模态
- 图像:三家都到实用级。Gemini 在 OCR 重的任务(表单、图表、扫描文档)最强。GPT-5 在「带推理描述图像」上最强。Opus 居中,在文本-图像 grounding 推理上最强。
- 音频输入:Gemini 独占。GPT-5 有语音输入但限定在特定端点。Opus 不原生支持音频。
- 视频:原生视频输入只有 Gemini 用得好。其他两家需要抽帧。
判定:多模态 Gemini 全面胜出,GPT-5 第二,Opus 仅文本+图像。
第 6 轮:生态与工具
工程师在选型时最常低估、却最影响月度生产力的一项。
- OpenAI:工具生态最大。Python / JS / Go 等官方 SDK 最成熟。第三方集成(框架、可观测、eval 工具)优先适配 OpenAI。Function calling 和 structured outputs 是事实上的参考实现。
- Anthropic:API 设计最干净。strict JSON 模式、computer use、MCP (Model Context Protocol) 都是一等公民。生态规模小但信噪比高。
- Google:与 GCP 服务集成最紧。需要企业级管控就走 Vertex AI 部署。Gemini Flash 免费 tier 在原型阶段是真的好用。SDK 在进步,但还没有 OpenAI 那么光滑。
判定:广度选 OpenAI、API 质量选 Anthropic、GCP 原生选 Google。
第 7 轮:诚实度与拒答行为
不显眼但生产环境里真的有影响:
- Claude Opus 是最愿意说「不确定」「没数据」的。听起来像缺点,直到你在凌晨两点排查过一次幻觉。
- GPT-5 是最自信、最流畅、超出能力范围时最容易「煞有介事地编造」的。“thinking” 模式改善很多但没消除。
- Gemini 居中,在政策敏感话题上拒答比另两家多。
判定:Opus 在校准度上胜。高 stakes 领域很重要。
总评分卡
| GPT-5 | Opus 4.8 | Gemini 3.1 Pro | |
|---|---|---|---|
| 价格 | ★★★★ | ★ | ★★★★ |
| 上下文容量 | ★★★ | ★★ | ★★★★ |
| 上下文质量 | ★★★★ | ★★★★ | ★★★ |
| 代码 | ★★★★ | ★★★★★ | ★★★ |
| 推理 | ★★★★ | ★★★★ | ★★★★ |
| 多模态 | ★★★ | ★★ | ★★★★★ |
| 生态 | ★★★★★ | ★★★★ | ★★★★ |
| 校准度 | ★★★ | ★★★★★ | ★★★★ |
总判定
只能标准化一个,选 GPT-5。价格、生态、质量三者最平衡,加上 OpenAI 的迭代速度,等于押注最活跃的 R&D 流水线。
能上两模型组合的话:量产用 GPT-5,高价值任务(代码审查、复杂重构、错了代价大的)用 Opus。我尊敬的工程团队大多是这个组合。
Google 原生 / 重多模态需求:Gemini 3.1 Pro 一选。1M 上下文 + 音视频原生支持是真正的差异化。
三家不要用「质量」否决任何一家。旗舰之间的差距,小于旗舰和次一档(GPT-5 Mini、Sonnet 4.x、Gemini Flash)之间的差距。能在旗舰间纠结,说明已经在高质量区域优化了。
接下来值得关注的
- OpenAI o 系列后续。“thinking” 系迭代非常快,可能吸收或取代 GPT-5 主线。
- Anthropic 中间档。Sonnet 4.x 很优秀,论性价比可能比 Opus 更划算。Anthropic 会推一个真正的中间档,还是让 Sonnet 承担更多?
- Gemini 的 agent 能力。Google 在 agent 方向相对其他两家比较安静,预计 2026 下半年发力。
最新价格请在本站比较表查——旗舰每隔几个月就重新定价,上面的判定会随之变化。