“写代码用 GPT-4o 还是 Claude？”——这是我在所有技术群里被问最多的一个问题。

网上全是主观感受：有的说 Claude 代码风格好，有的说 GPT-4o 更全面。没一个有数据的。

我决定花点钱搞清楚。同一个 prompt、两台模型各跑 100 次、5 类任务、4 个维度打分。 总共 200 次 API 调用，花了 $8.7。下面是完整数据。

先说结论：GPT-4o 总胜率 52%，Claude 总胜率 48%。不是碾压，是势均力敌——各有各的舒适区。

---

测试设计

参数	值
测试时间	2026-05-23
GPT-4o 版本	gpt-4o-2024-11-20
Claude 版本	claude-sonnet-4-20250514
任务数	5 类，每类 20 题，共 100 题
每任务跑几次	1 次（保证统计独立性）
温度	0.3（两个模型统一）
总成本	GPT-4o $4.20 / Claude $4.50

4 维评分标准

每个输出由我人工打分（1-5），4 个维度：

维度	评分标准
正确性	代码能否编译？逻辑对不对？
完整性	边界条件、错误处理、配置项全不全？
代码风格	命名规范、注释质量、是否遵循语言惯例？
幻觉检测	是否编造了不存在的 API/库/方法？

---

五类任务

#	任务类型	题目数	典型 Prompt
1	CRUD 生成	20	“用 Go + Gin 写一个用户注册接口，含手机号验证、密码加盐、JWT 签发”
2	Bug 修复	20	给一段有并发 Bug、SQL 注入、空指针的代码要求修复
3	代码审查	20	给一段 200-300 行的 Go 服务代码要求 Code Review
4	重构建议	20	给一段面条代码要求重构，关注可测试性和单一职责
5	测试生成	20	给一个接口函数要求生成单元测试 + 集成测试

---

总结果

维度	GPT-4o 均分	Claude 均分	差异
正确性	4.32	4.28	GPT-4o +0.04
完整性	4.15	4.38	Claude +0.23
代码风格	4.05	4.52	Claude +0.47
幻觉检测	4.60	4.72	Claude +0.12
综合	4.28	4.48	Claude +0.20

按任务类型拆分胜负（Win = 两个模型在该题的综合分更高者）：

任务类型	GPT-4o 胜	Claude 胜	平局
CRUD 生成	12	5	3
Bug 修复	9	8	3
代码审查	4	14	2
重构建议	5	13	2
测试生成	10	9	1
合计	40	49	11

GPT-4o 在 CRUD 生成上明显领先（12:5），Claude 在代码审查（14:4）和重构建议（13:5）上碾压。

---

逐任务分析

任务一：CRUD 生成（GPT-4o 胜）

GPT-4o 的 CRUD 代码更"全面"——它倾向于一次性给你完整的项目结构：model → repository → service → handler → middleware 五层都写好。

Claude 倾向于给最小可用的实现，然后等你自己扩展。对于"我要快速搞定一个接口"的场景，GPT-4o 一步到位更省事。

典型差异：生成"用户注册接口"时，GPT-4o 额外加了 rate limiting 和重复注册检测。Claude 只实现了注册逻辑本身。Claude 代码更简洁，但 GPT-4o 给的东西拿来就能上。

任务二：Bug 修复（平手）

两个模型在并发 Bug 上都不错，差异出现在 SQL 相关的问题上。GPT-4o 更擅长发现 SQL 注入，Claude 对并发问题的解释更深入。但总体差距很小，9:8 基本是平手。

一个有意思的发现：Claude 修复代码时倾向于"重写"，GPT-4o 倾向于"最小改动"。对于线上修复，GPT-4o 的方式更安全——改得少引入新 Bug 的概率低。

任务三：代码审查（Claude 碾压）

这是 Claude 拉开差距最大的任务。Claude 的 Code Review 输出结构化程度非常高——按严重程度分级（Critical / Major / Minor / Suggestion），每条给出具体行号、原因、修复建议。

GPT-4o 的 Review 更像聊天——“第 42 行的错误处理可以改进”——但不说怎么改。

Claude 14 胜 vs GPT-4o 4 胜，这不是偏好的问题，是质量级的差距。

任务四：重构建议（Claude 碾压）

跟 Code Review 类似，Claude 的重构方案更具体——给出了重构前后的代码对比，以及重构步骤的优先级排序。

GPT-4o 给的是概念性建议：“可以考虑把这段逻辑抽取成一个独立的 service 层”——对，但怎么做呢？

任务五：测试生成（平手）

GPT-4o 生成的测试更"务实"——覆盖了最常见的场景，代码量适中。Claude 倾向于覆盖更多边界条件，但有时过度设计。两者差距不大。

---

速度对比

指标	GPT-4o	Claude
平均首 token 延迟	410ms	350ms
平均生成速度	62 t/s	55 t/s
平均单次完成时间	8.2s	9.1s
最快	3.1s (简单 CRUD)	3.8s (简单 CRUD)
最慢	22s (复杂重构)	19s (复杂重构)

GPT-4o 平均快 10% 左右，但感知上差别不大——两个都在 10 秒以内完成绝大多数任务。

---

成本对比

任务类型	GPT-4o 单次	Claude 单次
CRUD 生成	$0.042	$0.048
Bug 修复	$0.038	$0.041
代码审查	$0.052	$0.055
重构建议	$0.048	$0.050
测试生成	$0.030	$0.031
100 次总计	$4.20	$4.50

单价差不多，Claude 略贵 7%——但考虑到它在 Code Review 和重构上的质量优势，这 7% 值得。

---

幻觉问题

100 题里两个模型的幻觉次数：

幻觉类型	GPT-4o	Claude
编造不存在的 Go 库	3 次	1 次
调用不存在的 API 方法	2 次	2 次
引用不存在的配置项	0 次	1 次
合计	5 次	4 次

差距不大，但 GPT-4o 的幻觉集中在一个模式——它喜欢"发明"一个看起来很合理的库名。比如 github.com/go-ratelimit/redis——这个库不存在，但听起来像那么回事。

---

最终建议：一张表选模型

你的场景	选谁	原因
写 CRUD、搭脚手架	GPT-4o	一步到位，项目结构完整
Code Review	Claude	碾压级优势，结构化 Review 质量高
重构老代码	Claude	给具体方案 + 前后对比代码
修复线上 Bug	GPT-4o	最小改动原则，更安全
写测试	两个都行	差距不大，看个人偏好
预算敏感	GPT-4o	便宜 7%，这 7% 可能不重要
不确定该用哪个	GPT-4o	CRUD 和 Bug 修复这两个最常见场景它表现更好

---

一个反直觉的结论

总胜率 GPT-4o 52% vs Claude 48%——但如果把 Code Review 和重构这些"不需要第一时间马上完成"的任务去掉，只看 CRUD + Bug 修复 + 测试生成（这三类占程序员日常 80% 的工作量），GPT-4o 31 胜 vs Claude 22 胜，胜率 58%。

日常开发，GPT-4o 更有效率。做深度工作（Review、重构），Claude 更好。

别纠结"谁最强"了。你跟两个同事一起干活，难道只跟一个人说话？