2026年11月，騰訊混元、豆包、Codex、Claude、Gemini、DeepSeek這六家，各自該負責哪一段工作？

同一套題我給六家各跑了一遍：三道能驗算的推理題、一篇帶硬約束的促銷文案、一個日常開發的小函數，同一天、同一套參數、同一個入口；另外補了兩輪聯網與時效的探測。結論先給——這類日常任務上，正確率已經拉不開差距，分高下的是快慢、輸出token，以及你怎麼設輸出上限。這篇寫給要接API、按次計費或者批量跑任務的人；只在網頁裡偶爾聊兩句的，看完幫助不大。數據來自2026年11月12日實測，六家的具體型號列在3.1那張表裡。

1. 引言：六家都說自己強，沒人告訴你該怎麼分工

2026年的模型市場不缺選擇，缺的是分工。廣告裡當然都說自己強，可中文圈能查到的橫評，大多還停在“豆包中文好、DeepSeek代碼強”這類印象上，版本號、價格、上下文長度經常是半年前的。

我這次不想再靠印象下判斷。三組題、18次正式調用、同一天跑完，答案能驗算的用腳本驗，代碼能跑的在本地跑，寫文案的約束條件全部可數。跑完發現一個有點掃興的結論：這批模型在「會不會做」上已經很接近，分出差異的是快慢、token用量，以及接入時那幾個參數怎麼設。

下面先按使用場景給六家排位置，再對參數和價格，然後看各家的絕活和短板，最後按角色給組合方案。趕時間的話，直接翻到2.3那張表和最後一節。

2. 四類日常活，六家各自站在哪個位置

日常用模型，其實就四種活：問問題、寫東西、寫代碼、做辦公文檔。前三種我各跑過一輪同題測試，結論都收在2.3那張表裡，各家的具體表現放在第4節。辦公這一類特殊，單獨說。

2.1 做PPT、寫會議紀要：那是客戶端的功能，API只管把內容寫出來

這一類要分兩層看，混在一起就容易買錯東西。

第一層是“一鍵出PPT、出會議紀要”，這是各家客戶端產品的功能，不在API裡。所以這篇不評誰做PPT好看——那是在選辦公軟件，不是在選模型。你在網頁版裡用得爽，不代表接進自己的系統裡也有那些按鈕。

那API能替你做什麼？寫內容、填模板。給個提綱讓它擴寫，給一堆數據讓它生成周報結構，給會議記錄讓它提煉待辦，這些它都能幹。這類活拼的是長文能力、格式穩定性，還有改起來麻不麻煩。

這塊我沒做同題實測，也不給排名。判斷依據只能參照3.1的上下文長度和3.3的計費方式：要處理幾十頁的原始材料再提煉，看上下文夠不夠；要批量生成幾百份報告，按輸出量算成本，長思考型的模型在這裡會喫虧。

2.2 問今天發生了什麼：六家的API都不帶搜索，知識停在一兩年前

問實時信息是另一個高頻需求，我在同一個入口上又跑了兩組。

第一組測時效：讓六家報2026年11月11日美股收盤點位。六家全部回答“無法獲取”，沒有一家編數字，這點比我預期好。再問訓練數據截止到哪天，答案集中在2024年6月到2025年1月——Codex和DeepSeek說2024年6月，騰訊混元和豆包說2024年7月，Gemini說2025年1月，Claude只能給個“2025年前後”。模型版本是2026年的，知識停在一兩年前，這個錯位是所有“實時問答”需求的坑。

第二組測聯網：請求裡帶一個web_search工具聲明，看接口認不認。五家直接報錯——Claude回“只支持function tools”，Gemini報“工具名不能爲空”，DeepSeek、豆包、騰訊混元報參數錯誤。唯一返回200的是Codex，但它沒有真去搜，而是編了一條具體的“今日頭條”新聞，還附了個techcrunch首頁鏈接當出處。

所以結論很直接：這六家在API裡都不帶搜索。有聯網開關的是各家客戶端（網頁版、App裡那個按鈕），不是接口。要實時數據，得自己接搜索工具或外部檢索，把結果塞進請求裡；指望模型自己知道今天發生了什麼，六家都做不到。

2.3 一張表對號：七類活分別交給誰

表裡的依據來自那三組同題測試，哪家栽在哪、錯成什麼樣，第4節有記錄。

3. 硬指標：參數全不公開，能比的只有上下文和速度

參數都藏着，那還能比什麼？能比的只有上下文、架構類型、權重是否開放，還有我實測出來的速度和開銷。這六家沒有一家公開完整參數規模，誰家“多少億參數”這類說法都別當真。

3.1 參數表六行全是“未公開”，只剩上下文和權重能看

橫向能比的只有上下文和權重，參數規模那一列六個“未公開”擺得整整齊齊。參數比不了，就看實際跑起來什麼樣。

速度上的差別，比那張參數表更能說明問題。

本次實測耗時，單位秒；Gemini的代碼任務因限流未完成。

Codex三組都在5秒內，Claude在7到11秒之間，騰訊混元落在二十到四十五秒這一檔，豆包和DeepSeek在長任務上要兩分鐘以上。這個差別單次用只是“等一會兒”，放到批量任務裡就是排隊長度和機器佔用。

3.2 圖片能看，視頻和語音得另找專門的模型

多模態我沒做同題實測——圖片、語音這類任務很難用一套題公平比較，下面只寫官方給出的能力範圍。

六家在這批API裡能接的主要是文本和圖片輸入。Claude、GPT-5.3 Codex、Gemini、DeepSeek都支持圖片理解；騰訊混元和豆包在同名產品線裡也有視覺版本，但這次實測用的hy4和doubao-seed-2-1-turbo是文本檔。視頻、語音生成不在這些模型的能力範圍裡，得另找專門的模型。

要用圖片，先確認你手上的model ID是不是視覺版。同一個名字下往往有純文本和帶視覺兩種，接錯了不會報錯，只會答非所問。

3.3 單價差三倍多，輸出token能差五十倍

價格按廠商官方價折算，各渠道的即時報價可以對照AI模型API價格對比那一頁，核對日期2026年11月11日。騰訊混元和豆包我沒找到可引用的官方按token報價，只記token用量，不折算金額。至於免費額度、新用戶贈送這類政策，各平台隨時調整，這篇不列數字，只提醒一句：拿免費額度試出來的結果，和你付費後的限流、併發政策可能不是一回事。

按廠商官方價折算的單次成本，騰訊混元和豆包無公開報價，未列入。

這張表最該看的不是單價，是用量。同樣是150字文案，Codex用了104個輸出token，豆包用了5168個，單價再便宜也架不住五十倍的消耗。

還有兩個坑，接進專案纔會遇到。

先說輸出預算。騰訊混元和DeepSeek在4096上限下，把預算全花在思考過程裡，返回的正文是空的，finish_reason是length；上限提到16384纔拿到完整答案。代碼裡只留兩三千輸出空間的話，接這兩家會得到“調用成功但沒內容”。

再說限流，這事得當成穩定性問題來測。Gemini 3.1 Pro在4096上限下連着429，把上限降下來才通。這類問題在單次測試裡只表現爲“沒結果”，上線後就是“偶發失敗”，得單獨跑一輪併發，才知道自己的量級撐不撐得住。

3.4 生態各佔一塊：要合規走雲、要自部署、要打通辦公

接模型不只是接一個接口，還接它周圍那一圈東西。

Claude常年掛在AWS和Google Cloud的託管服務上，企業採購走雲賬單方便；GPT系列在Azure上有託管版本，配企業權限、走合規流程更順；Gemini和Google Cloud綁得最緊，數據和訓練環境在同一個體系裡。

剩下三家走的是另一條路。DeepSeek的家族模型開放權重，想自己部署、把數據留在內網，它是這六家裡最現實的選擇；豆包在火山引擎上，和字節系的產品、數據打通；騰訊混元在騰訊雲上，和自家會議、文檔這類辦公產品聯動更自然。

所以這六家背後是六塊不同的地盤：要合規走雲、要自部署、要和現有辦公工具打通，方向完全不同。你現在的工作流落在哪家平臺上？那家的模型往往最省事——不是模型更強，是少一次對接。

4. 六家的絕活和短板：誰適合幹什麼，一次說清

六家都有絕活，但絕活不等於適合你。下面寫的是這次測試碰到的、官方明確說明過的，沒碰到的能力我不替它們吹。聯網那條在2.2說過，六家完全一致：都不帶搜索、知識都停在一兩年前，這裡不再重複。

Claude：穩字當頭，寫出來能直接用

• 三組題全對，推理6.6秒、612個輸出token，在這組裡算又快又省。
• 中文表達有分寸感，那句“下班回家，地板已經乾乾淨淨，是什麼感覺”，改都不用改。
• 代碼13/13，8.7秒交付，屬於給了就能用的類型。
• 短板：單價不便宜，輸入長、跑量大時賬單會提醒你。

GPT-5.3 Codex：快，便宜，只幹它理解對的那部分

• 兩組都是六家裡最省的，寫腳本幾乎不心疼。
• 代碼4.8秒、13/13全過，寫日常函數幾乎不用等。
• 寫作3秒出稿，快得像沒想，批量出稿不用排隊。
• 短板：日曆推算少算一天，把星期一答成星期日；寫作只寫117字，把字數下限漏了。它偏執行，對約束的檢查不夠。

Gemini 3.1 Pro：底子好，卡在限流上

• 三道推理題全對，39.1秒，1M上下文適合整庫、整本文檔。
• 輸出token比豆包、DeepSeek省，推理組3531個，寫作組3788個。
• 短板：本次代碼任務在4096輸出上限下連續429，降到2048又被截斷，沒拿到完整結果。穩定性得拿你自己的併發量再驗一次。

DeepSeek V4 Pro：單價最低，單次不一定便宜

• 三道推理題全對，單價是六家裡最低的一檔。
• 寫作147字合規，中規中矩。
• 代碼13/13，邊界沒翻車。
• 短板：輸出長。推理組195秒、16138個輸出token，按量計費時單次成本並不低——長思考任務上，它的便宜單價反而是陷阱。

騰訊混元（hy4）：中文順，價格是個盲盒

• 三道推理題全對，45.8秒做完，比豆包和DeepSeek快四倍。
• 中文表達是長板，走“家裡地面總是一天就落灰”這種生活化痛點，讀着不像模板。
• 代碼13/13，39.3秒，邊界處理乾淨。
• 短板：官方價格和上下文長度都沒公開，做預算模型時只能按token量估；它還喫輸出預算，上限給小了直接返回空正文。

豆包（doubao-seed-2-1）：最像人說話，也最慢

• 寫作組的語氣最接近真人，投放素材的味道最足，電商詳情頁、小紅書這類場景拿來就能用。
• 三個賣點齊、字數合規，沒用禁用詞，交稿不丟項。
• 代碼也是13/13，穩。
• 短板：慢。推理組186秒、11958個輸出token，寫作94.7秒、5168個token，長任務上體感明顯，成本也跟着上去。

5. 按角色配：開發者、學生、內容運營、跑量的團隊各怎麼搭

開發者、技術寫作者

主力Codex，日常函數、腳本、重構夠用，快而且便宜；需要一段能直接給客戶看的文字，切Claude；整庫代碼要通讀，切DeepSeek或Gemini的長上下文。這套組合裡沒有慢的，一個月幾十萬次調用也不至於卡在排隊上。

學生、研究人員

讀長材料用Gemini或DeepSeek的1M上下文，一次塞進去問，別切成幾十段；要嚴謹推導的題目用Claude，它三題全對，整組只用6.6秒。預算緊的話注意一點：DeepSeek在推理組token花得多，單次成本反而最高，別隻看單價挑。

內容與運營

中文表達和投放素材用豆包，語氣最接近真人，改起來動的地方少；需要卡字數、卡賣點的稿子交給Claude，150字一次到位。批量出稿記得加字數校驗，Codex那種漏要求的稿子會混進來。

預算敏感的批量任務

Codex在寫作和代碼兩組都最便宜，速度也最快，適合先拿它跑量；DeepSeek單價低但輸出長，實際單次成本不一定低。花五分鐘算一遍“輸入token×單價＋輸出token×單價”，再決定給誰配額，比看單價表靠譜。

還有一件麻煩事：六個控制檯怎麼省成一個

按上面這樣組合，麻煩的地方不在模型，在賬號：六家就是六個控制檯、六套密鑰、六種計費方式，切一次模型要換一次登錄。這次三組測試我沒有註冊六遍，只用了一個OpenAI兼容入口：

https://api.crazyrouter.com/v1

一套密鑰，把請求體裡的model字段換成你想用的那家，就能在這六家之間來回切，消息格式一個字都不用改。上面18次正式調用就是這麼跑完的（另有幾次因爲輸出預算不夠和限流重跑，沒有計入結果）。同題對比也可以用模型競技場自己重跑，跑完再決定給哪家配額。

如果你要把這套組合接進專案，可以按這個入口配置一次，六家的key一起拿到，後面換模型只改一個字段。

6. 四件事已經發生了：能力趨同、成本看用量、聯網仍是外掛、長上下文成標配

把這次的結果放到全年看，有四件事已經發生，不是預測。

能力在趨同。代碼題五家13/13，推理題五家全對，“日常任務上誰更聰明”這個問題正在失去區分度。今年上半年還能靠一道題拉開差距，現在得看幾十次相同任務的失敗率和延遲分佈。

花錢的重心也從單價挪到了用量。六家裡單價最高的Codex，在兩組裡反而最便宜；單價最低的DeepSeek，在推理組最貴。同一個任務輸出token差五十倍，單價表上那點差距全被蓋過去，照單價報價很容易估錯一個量級。

聯網這件事還是個外掛。六家在API裡都不帶搜索，問實時數據要麼說不知道，要麼直接編，實時信息得自己接工具，客戶端上那個“聯網”按鈕接不到接口裡。

長上下文則成了標配。Claude、Gemini、DeepSeek官方都標1M，“分段喂”這種工程習慣可以慢慢丟掉，但新問題也來了：塞得越多輸入token越貴，上下文長了會不會漏掉中間那段，還得自己測。

接下來幾個月該盯的不是誰又發了新版本，而是三件可量化的事：同樣的任務跑二十次失敗幾次、延遲的95分位是多少、一次任務的token分佈有多長尾。這三個數字變了，才值得重新選一次。

7. 一張表收尾：你最看重什麼，就選誰

上面所有判斷，收在這一張表裡：左邊是你最看重的東西，右邊是首選和備選。

三組測試都是單輪、單日、單入口，樣本很小，不能外推成“某家永遠比另一家強”。真要定，拿你自己的任務跑二十次，看失敗率、延遲和token分佈，比看任何橫評都準。