2026-08-26 更新。 本文是 2026 年 5 月的快照：benchmark 分数、北京延迟数据和模型阵容都以当月为准。此后 Claude Opus 5 已进入 Router One 目录，Claude Opus 4.7 仅保留 thinking 变体，Qwen 目前不在目录中——今天能调用哪些模型请以模型目录为准。
2026 年 5 月国内开发者的选择不再是"用 GPT 还是用 Claude"。4 月一个月前沿剧烈洗牌：Claude Opus 4.7（4/16）、GPT-5.5（4/23）、DeepSeek V4（4/24）连发。国产模型——阿里 Qwen 3.5/3.6、字节豆包 2.0、DeepSeek V4——已经把差距追到很多任务上是首选而不是兜底。再加上网络可靠性优势（国产模型在国内机房，30ms 而不是 300ms），算盘进一步偏移。
这篇文章是正面对决：Qwen 3.5、豆包 2.0、DeepSeek V4 对 Claude Opus 4.7 / Sonnet 4.6 和 GPT-5.5，在决定一个任务该用国产还是国际模型的维度上。编码、推理、多语言质量、延迟、成本，以及每个模型在哪里崩。
2026 年 5 月全景
对比之前先简短定向。
Qwen 3.5 / 3.6 是阿里旗舰线。Qwen 3.5（2026 年 2 月 16 日发布）出 397B-A17B Mixture-of-Experts，是数据公开充分的主力档；Qwen 3.6 Max（4 月 20 日）是更新更强的预览版。强六边形战士；中文任务和编码尤其好。
豆包 2.0 是字节旗舰（2026 年 2 月 14 日发布），针对低延迟高吞吐优化。豆包 2.0 Pro 是 API 档；豆包 Vision 加多模态。字节官方对标 GPT-5.2 / Gemini 3 Pro 在数学、编码、逻辑推理上同档。
DeepSeek V4（2026 年 4 月 24 日发布）出两档：V4-Pro 是 1.6T 总参 / 49B 激活的 MoE，V4-Flash 是 284B。开源权重；托管 API 也提供。编码和数学尤其强；价格明显低于对手。
Claude Opus 4.7（4 月 16 日）—— Anthropic 顶档。1M 上下文、生产级 Agent 循环最强、推理最深。Claude Sonnet 4.6 是日常档；Claude Haiku 4.5 是成本档。
GPT-5.5（4 月 23 日）—— OpenAI 当下旗舰。1.05M 上下文。指令执行强；覆盖广。GPT-5.5 pro 是高准确率变体，成本档位远高于标准档。
Gemini 3.1 Pro（2 月 19 日）—— Google 旗舰，1M 上下文，prompt 超过 200K token 后进入更高价格档。长上下文之王。
更深的编码 benchmark 见 DeepSeek V3 vs Claude 4 vs GPT-4.1 编程能力对比；最新一代目录模型——Claude Opus 5、GPT-5.6 家族、Grok 4.6、DeepSeek V4 Flash——见2026 年 8 月新模型指南。
编码
2026 年 5 月公开 benchmark。HumanEval 在前沿已经饱和（顶档模型 93-99% 聚团），所以不列；SWE-bench Verified 和 LiveCodeBench 是真正区分前沿模型的考题：
| 模型 | SWE-bench Verified | LiveCodeBench |
|---|---|---|
| GPT-5.5 | 88.7% | 92% |
| Claude Opus 4.7 | 87.6% | 89% |
| DeepSeek V4-Pro | 80.6% | 93.5% |
| Gemini 3.1 Pro | 80.6% | 84% |
| DeepSeek V4-Flash | 79.0% | 91.6% |
| Claude Sonnet 4.6 | 77% | 82% |
| Qwen 3.5 (397B) | 76.4% | 83.6% |
| 豆包 2.0 Pro | ~72% | ~78% |
故事 4 月底剧变。GPT-5.5 拿下 SWE-bench Verified 第一（88.7%）险胜 Opus 4.7（87.6%）；两者在跨文件 repo 任务上明显领先。DeepSeek V4-Pro 在 LiveCodeBench 领先（93.5%）——竞赛编程是它专长——SWE-bench 上和 Gemini 3.1 Pro 打平 80.6%。Qwen 3.5 在第二档稳；豆包 2.0 硬编码上落后但延迟最低。
日常通过 Claude Code、Cursor、Cline 写代码，Claude Sonnet 4.6 是日常主力，Opus 4.7 是"硬任务"备用。DeepSeek V4-Pro 是有公信力的成本敏感替代——benchmark 接近，但处在明显更低的成本档位。
推理
推理意思是：结构化思考、数学、逻辑、"如果……会怎样"模拟。2026 年 5 月公开 benchmark（MMLU-Pro 在前沿接近饱和，差距很窄，故省略）：
| 模型 | GPQA Diamond | AIME 2026 |
|---|---|---|
| Qwen 3.5 (397B) | 88.4% | 91.3% |
| Claude Opus 4.7 | 84% | 90% |
| GPT-5.5 | 83% | 90% |
| DeepSeek V4-Pro | 80% | 89% |
| Gemini 3.1 Pro | 78% | 87% |
| Claude Sonnet 4.6 | 73% | 83% |
| 豆包 2.0 Pro | 65% | 75% |
两个意外：Qwen 3.5 GPQA Diamond 领跑 88.4%——已统计模型中最高——AIME 2026 上也很有竞争力。DeepSeek V4-Pro 延续 V3 数学强项。中国模型在推理 benchmark 上现在是有竞争力的，不再是"二档加打折"。中文推理任务请单独评估。
中文语言质量
国产模型领先的地方，有时差距明显。我们的发现：
- 原生中文对话：Qwen 3.5 和豆包 2.0 读起来比"翻译味"的 Claude/GPT 输出更自然。差距在长文生成（散文、营销文案、文化评论）上最明显。
- 成语和文化语境：Qwen 3.5 处理成语、方言、文化引用比 Claude 或 GPT 好。GPT-5.5 这块明显改进了但仍是第二档。
- 中文技术写作：意外地，Claude Sonnet 4.6 表现不错——可能因为代码 + 技术训练强。Qwen 3.5 优秀。
- 带中文注释的代码：所有模型都能处理；Qwen 3.5 和 DeepSeek V4 略更自然。
面向消费者的中文内容（聊天机器人、客服、内容生成），Qwen 3.5 和豆包 2.0 通常是对的起点。技术内部中文内容（文档、内部工具），Claude Sonnet 4.6 有竞争力。
延迟
网络加推理。北京 2026 年 5 月网络的数据：
| 模型（提供方） | 首 token 时间 | tokens/秒 |
|---|---|---|
| 豆包 2.0 Pro（火山引擎） | 0.3-0.5 秒 | 80-120 |
| Qwen 3.5（阿里云） | 0.4-0.6 秒 | 70-100 |
| DeepSeek V4-Flash（DeepSeek API） | 0.4-0.8 秒 | 60-100 |
| DeepSeek V4-Pro（DeepSeek API） | 0.5-1.0 秒 | 40-80 |
| Claude Sonnet 4.6（通过 Router One） | 0.6-1.2 秒 | 50-80 |
| Claude Opus 4.7（通过 Router One） | 0.7-1.5 秒 | 40-70 |
| GPT-5.5（通过 Router One） | 0.7-1.4 秒 | 50-90 |
| Gemini 3.1 Pro（通过 Router One） | 0.6-1.3 秒 | 50-90 |
跑在国内云上的国产模型从国内访问比国际模型（即便经 Router One）实质性更快。延迟敏感应用（聊天机器人、补全、语音）在这个维度上国产模型赢，跟质量无关。
成本
这里不转载各厂商的价目表——它们一直在变，一张过期的表比没有表更糟。真正能拿来做规划的，是各模型相互之间的相对价位。这一列只讲价格高低，不代表能力强弱：
| 模型 | 相对价位 |
|---|---|
| DeepSeek V4-Flash | 最低 |
| DeepSeek V4-Pro | 最低 |
| 豆包 2.0 Pro | 较低 |
| Qwen 3.5 (397B) | 较低 |
| Claude Sonnet 4.6 | 中等 |
| Gemini 3.1 Pro | 中等，prompt 超过 200K token 后更高 |
| GPT-5.5 | 较高 |
| Claude Opus 4.7 | 较高 |
| GPT-5.5 pro | 最高 |
DeepSeek V4 在 4 月 24 日重画了成本前沿：它落在最低价位，而 SWE-bench 只比前沿模型低 8 分。高量任务 90% 质量够用，V4-Pro 是新的默认。质量重于成本的任务（一次性 agent 工作、硬推理、长程 agent），Opus 4.7 或 GPT-5.5 pro 值这个钱。
上表中 Router One 目录里在售的模型，挂牌单价都列在模型目录，旁边就是上下文窗口和能力标签，部分模型最低官方价 1 折。
每个模型在哪里崩
知道失败模式比看平均分有用。
Claude Opus 4.7 / Sonnet 4.6 —— 有时过于谨慎；会加请求里没要的错误处理、校验、"这个边界情况怎么办"思考。Opus 4.7 还换了新 tokenizer，相同文本可能比 4.6 多用 35% token，实际成本被推高。缓解：精确指明范围；预留 tokenizer 开销预算。
GPT-5.5 —— 冷门话题上比 Claude 更容易幻觉 API 签名；相比 GPT-5 也上调了价格，高量使用感受明显。缓解：生成代码对照实际库文档校验；简单任务退到便宜模型。
DeepSeek V4-Pro —— 长上下文下输出格式漂；长生成晚段有时忘记 schema 约束。缓解：在关键段落重发 schema。
Qwen 3.5 —— 中文倾向过度解释；要简洁的 prompt 不如对 Claude 那么稳。缓解：明确"不要前言、不要后记"指令。
豆包 2.0 —— 硬编码任务上精度不足；边界情况会产出"看着对其实错"的模式。缓解：搭配更强的代码模型做 review。
实战路由策略
多数国内团队最后落到三档策略：
- 高量便宜档给聊天机器人轮次、分类、摘要：DeepSeek V4-Flash、豆包 2.0 Pro 或 Qwen 3.5 32B。
- 中档给写作、结构化推理、多数编码：DeepSeek V4-Pro、Qwen 3.5 397B、或 Claude Sonnet 4.6。
- 顶档给硬任务（复杂 agent 循环、跨文件重构、深度推理）：Claude Opus 4.7 或 GPT-5.5（最难任务用 GPT-5.5 pro）。
这个梯子之所以成立，因为档位之间成本比大约 1 : 5-10 : 30+——什么都用顶档真浪费，但留给硬的 5% 任务在该用的地方拿大幅质量增益。
Router One 让这件事可行：一份 API Key 接入上面这些模型里目录在售的部分——当前阵容以模型目录为准——以及更多选择。你的应用可以为每类任务明确选择模型；使用 model="auto" 时，服务端候选路由可参考延迟、公示成本与可靠性信号。路由边界见 AI 模型路由详解。
多模态
| 模型 | 图像 | 长 PDF | 视频 | 音频 |
|---|---|---|---|---|
| Claude Sonnet 4.6 | ✅ | ✅ | 受限 | ❌ |
| Claude Opus 4.7 | ✅ | ✅（1M 上下文） | 受限 | ❌ |
| GPT-5.5 | ✅ | ✅（1.05M 上下文） | ✅（帧） | ❌ |
| Gemini 3.1 Pro | ✅ | ✅（1M 上下文） | ✅ | ✅ |
| Qwen 3.5 VL | ✅ | ✅ | 受限 | ❌ |
| 豆包 2.0 Vision | ✅ | ✅ | 受限 | 受限 |
| DeepSeek V4 | 受限 | 受限 | ❌ | ❌ |
多模态重的负载，国际领先（Gemini 3.1 Pro、GPT-5.5、Claude）仍领先。Qwen 3.5 VL 和豆包 2.0 Vision 在追，但边界情况上落后。国内访问 Gemini 3.1 Pro 见 国内使用 Gemini 完整指南。
什么时候专门挑国产
一个务实清单：
- ✅ 中文 C 端交互 → 从 Qwen 3.5 或豆包 2.0 起步
- ✅ 高量、成本敏感的吞吐 → 豆包 2.0 Pro 或 DeepSeek V4-Flash
- ✅ 数学重 / 推理重 + 成本上限 → DeepSeek V4-Pro
- ✅ 延迟敏感的中文聊天机器人 → 豆包 2.0 Pro
- ❌ 跨多文件的硬 agent 循环 → Claude Opus 4.7 或 GPT-5.5 仍赢
- ❌ 英文文本上的复杂多步推理 → Claude Opus 4.7 或 GPT-5.5
- ❌ 多模态输入下的严格指令执行 → Gemini 3.1 Pro 或 GPT-5.5
常见问题
国产模型真的便宜很多？ 按挂牌 token 价是——它们比西方前沿低一到两个档位。但同样任务它们常产更多 token（更长解释、更冗长代码），部分把差距吃回去。请按"每完成一个任务的成本"比，而不是按标价比；当期数字以模型目录为准，不要依赖这种表格。
Qwen 3.5 英文水平和中文一样吗？ 397B-A17B 旗舰完全双语，英文 benchmark 有竞争力（GPQA Diamond 88.4 是已统计模型最高）。更小的 Qwen 变体英文比中文衰减更快。
DeepSeek V4-Pro 在编码上真的能比 Claude Opus 4.7？ SWE-bench Verified 上 V4-Pro 80.6% vs Opus 4.7 87.6%——确实有约 7 分差距。LiveCodeBench 上 V4-Pro 反超 93.5%。生产环境长程 agent 循环里 Opus 4.7 仍领先；一次性生成和 review 上 V4-Pro 表现优秀，价格明显更低。
Qwen Coder / 豆包 Coder 怎么样？ 两家都出编码专精变体。在自己训练分布内的代码生成上和 Claude Sonnet 4.6 有竞争力，跨文件 repo 任务上弱。绿地代码生成值得试；agent 工作流不那么有说服力。
国外怎么访问这些？ DeepSeek V4 开源权重（Pro 和 Flash 都是），托管 API 全球可访问。Qwen 和豆包有官方 API，但海外注册需要中国手机验证——能跑但有额外摩擦。通过 Router One，DeepSeek V4 和豆包一份 key 全球可调；Qwen 目前不在目录中。
国外模型在 agent 工作流上的领先会持续吗？ 难说。2026 年 4 月这次前沿剧变（Opus 4.7、GPT-5.5、V4-Pro 8 天内连发）说明竞争比以往任何时候都激烈。Anthropic 和 OpenAI 专门为工具使用和长程 agent 做后训练；中国实验室在快速追。下注前查当下 benchmark，不要相信 6 个月前的画面。
能本地跑 DeepSeek V4 吗？ V4-Pro（1.6T 总参 / 49B 激活）需要严肃硬件。V4-Flash（284B）量化后能在更适中的配置上跑。多数团队调托管 API 比自己运维基础设施便宜。
结论
2026 年 5 月国内开发者的现实是对的选择是"全要，按任务路由"。Qwen 3.5 和豆包 2.0 给中文原生和成本敏感工作；DeepSeek V4-Pro 给数学重和代码重的规模化场景；Claude Opus 4.7 给硬 agent 循环；GPT-5.5 和 Gemini 3.1 Pro 给长尾。一个统一网关如 Router One 是让这件事在不操心 5 个 SDK 和 5 份计费关系下可行的关键。
模型路由的更宏观叙事见 AI 模型路由详解；具体的成本杠杆见 2026 年降低 LLM API 成本的 5 种方法。