点击上方“小白学视觉”，选择加"星标"或“置顶”
重磅干货，第一时间送达

聊起严肃的编程，Anthropic 的 Claude 几乎是公认的王者，在很多开发者心里都是 No.1 的位置。

但最近，风向似乎有点变了。

OpenAI 发布了 GPT-5，我在公众号里、社群里、论坛里，很多地方都在刷屏一个消息：GPT-5 来了，而且在编程能力上“强得可怕”。

虽然看了很多说 GPT-5 是“编程新王”所谓的噱头和关于 GPT5 的评测，说实话，我还没看到一份有说服力的报告。要么是拿官方的 demo 说事，要么是测了几个美观度还行的 web 网页就说 GPT-5 强。用这些下结论有点草率了吧。

所以，对于 GPT-5 和 Claude 谁更厉害，模型编程 feature 各自擅长什么，好多人和我一样好奇，

今天刷到国外的一位开发者老哥 Rohit 发布了一篇 GPT-5  vs Claude Opus 4.1 编程能力的评测博客，比较实用，这里 share 出来。

首选，评测生成的所有代码都开源了，可以在这个链接查看。

https://github.com/rohittcodes/gpt-5-vs-opus-4-1

先说核心的结论：

• 算法：GPT‑5 在速度与 token 数量上胜出（8K vs 79K）。

• 网页开发：Opus 4.1 对 Figma 设计稿的还原度更高，但消耗的 token 量更大（90 万 vs 140 万 + token）；

GPT-5 响应更快且成本更低， token 消耗比 Opus 4.1 节省约 90%，更适合作为一个高效的日常开发助手使用；如果你想要设计还原度高，而且预算灵活，Opus 4.1 则更具优势。

再来看模型基础信息与 token 使用效率对比：

上下文窗口：Claude Opus 4.1 支持 20 万 token，上限输出不详；而 GPT‑5 支持 40 万 token 上下文，最大可输出 128K token。

Token 使用效率：尽管 GPT‑5 的上下文空间更大，但在相同任务下它总是使用更少的 token，从而大幅降低运行成本。

虽然在 SWE-bench 等编码基准测试中，GPT‑5 略微领先于 Opus 4.1，但作者后续还实测了一些 case。

测试内容涵盖实际开发常见场景：

• 编程语言与任务类型：

• • 算法题：使用 Java 语言实现 LeetCode Advanced 题目。

  • Web 开发：使用 TypeScript + React，编写基于 Figma 设计的 Next.js 页面，通过 Rube MCP（一种通用 MCP 接入层）进行代码生成。

  • 其他任务：包括客户流失预测模型等业务逻辑实现。

• 环境：所有任务均在 Cursor IDE 联合 Rube MCP 的环境中完成。

• 测量指标：token 数量、耗时、代码质量、实际结果。

两个模型使用完全一样的提示词。

Figma 设计稿开发

Rohit 从 Figma 社区找了一个复杂的仪表盘设计，要求它俩用 Next.js 和 TypeScript 把它复刻出来。

提示词如下：

Create a Figma design clone using the given Figma design as a reference: [FIGMA_URL]. Use MCP's Figma toolkit for this task.

Try to make it as close as possible. Use Next.js with TypeScript. Include:

• Responsive design

• Proper component structure

• Styled-components or CSS modules

• Interactive elements

两位选手的表现：

GPT-5：

• 耗时：约 10 分钟

• Tokens：906,485（90 万 token）

GPT-5 的效率没得说，10 分钟就交卷了，应用也能跑。但成品……怎么说呢，功能完备，但视觉效果一言难尽。它 get 到了设计的框架，却完全忽略了灵魂。颜色、间距、字体都和原稿相去甚远，仿佛开了“低保真”模式。

是一个能干活的工程师，但是不懂审美而且干活很粗糙。

Claude Opus 4.1：

• 耗时：更长（因为反复迭代）

• Tokens：超过 140 万 token (比 GPT-5 多了 55%！)

Opus 4.1 上来先耍了点“小脾气”，明明指定了 styled-components，它非要用 Tailwind，需要人工纠正。但当它“认错”并开始工作后，结果令人震惊。

UI 几乎与 Figma 设计稿一模一样！ 视觉保真度堪称完美。

一位追求完美的“艺术家”，虽然烧钱又有点犟，但作品无可挑剔。

LeetCode 算法题

为了考验纯粹的逻辑和效率，Rohit 抛出了经典的 LeetCode 难题：“寻找两个正序数组的中位数”，并要求时间复杂度为 O(log(m+n))”。

提示词如下：

Given two sorted arrays nums1 and nums2 of size m and n respectively, return the median of the two sorted arrays. The overall run time complexity should be O(log (m+n)).

GPT-5：

• 耗时：约 13 秒

• Tokens：8,253

GPT-5 几乎没有任何废话，13 秒内给出了一个干净利落、完全正确的二分查找解法。代码优雅，效率拉满。

Claude Opus 4.1：

• 耗时：约 34 秒

• Tokens：78,920 (接近 GPT-5 的 10 倍！)

Opus 4.1 则完全是另一种画风。它不仅给出了答案，还附上了一篇“小论文”：详细的推理步骤、全面的代码注释，甚至内置了测试用例，生怕你学不会。虽然算法核心是一样的，但它的输出附带了极高的“教育价值”。

想快速要答案，找 GPT-5；想学习解题思路，Opus 4.1 是你最好的老师。

ML 复杂任务

最后一个挑战是构建一个完整的机器学习的 pipeline，预测客户流失。

然而，在见识了 Opus 4.1 在第一轮中惊人的 token 消耗后，Rohit 出于对钱包的尊重，明智地让它“轮休”了。这一局，只有 GPT-5 单挑。

提示词如下：

Build a complete ML pipeline for predicting customer churn, including:

1. Data preprocessing and cleaning

2. Feature engineering

3. Model selection and training

4. Evaluation and metrics

5. Explain the reasoning behind each step in detail

结果显示，GPT-5 完全能胜任这种复杂的端到端任务。从数据预处理、特征工程，到多模型训练（逻辑回归、随机森林、XGBoost），再到使用 SMOTE 处理数据不平衡问题和全面的效果评估，整个流程一气呵成，代码扎实可靠。

• 耗时：约 4-5 分钟

• Tokens：约 86,850

成本对决：真金白银的较量

效果看完了，那我们来算算账。毕竟，这才可能是最能影响开发者选择的因素。

• GPT-5 (Thinking 模式)-完成三项测试任务

• • Web 应用：~$2.58

  • 算法：~$0.03

  • ML 流水线：~$0.88

  • 总计：约 $3.50

• Opus 4.1 (Thinking + Max 模式)-仅完成两项测试任务

• • Web 应用：~$7.15

  • 算法：~$0.43

  • 总计：$7.58

结论一目了然：Opus 4.1 的使用成本是 GPT-5 的两倍以上。

评测结论

GPT-5 的优势

• 算法任务中 token 使用少、响应快，效率极高。

• 更适合日常开发，尤其是快速迭代与原型验证。

• 整体 token 成本大幅低于 Opus 4.1。

Claude Opus 4.1 的优势：

• 提供清晰的、一步步解释的代码逻辑，对学习过程友好。

• 在视觉 fidelity（设计还原度）方面表现出色，非常贴近 Figma 原稿。

• 适合对界面精度要求高的场景。

所以，如果你是日常开发，优先使用 GPT‑5，性能与成本兼顾。如果界面还原要求高的设计任务，可选择 Claude Opus 4.1，提升最终效果，但需预算充足。

推荐组合策略：先用 GPT‑5 打好基础，然后在关键界面环节，用 Opus 4.1 打磨细节，实现效率与精度的平衡。

下载1：OpenCV-Contrib扩展模块中文版教程

在「小白学视觉」公众号后台回复：扩展模块中文教程，即可下载全网第一份OpenCV扩展模块教程中文版，涵盖扩展模块安装、SFM算法、立体视觉、目标跟踪、生物视觉、超分辨率处理等二十多章内容。


下载2：Python视觉实战项目52讲
在「小白学视觉」公众号后台回复：Python视觉实战项目，即可下载包括图像分割、口罩检测、车道线检测、车辆计数、添加眼线、车牌识别、字符识别、情绪检测、文本内容提取、面部识别等31个视觉实战项目，助力快速学校计算机视觉。


下载3：OpenCV实战项目20讲
在「小白学视觉」公众号后台回复：OpenCV实战项目20讲，即可下载含有20个基于OpenCV实现20个实战项目，实现OpenCV学习进阶。


交流群

欢迎加入公众号读者群一起和同行交流，目前有SLAM、三维视觉、传感器、自动驾驶、计算摄影、检测、分割、识别、医学影像、GAN、算法竞赛等微信群（以后会逐渐细分），请扫描下面微信号加群，备注：”昵称+学校/公司+研究方向“，例如：”张三 + 上海交大 + 视觉SLAM“。请按照格式备注，否则不予通过。添加成功后会根据研究方向邀请进入相关微信群。请勿在群内发送广告，否则会请出群，谢谢理解~