这不会是一篇详细的评测，只是这一段时间自己各种高难度“边界”尝试后，一个大体的主观评价，纯主观。可以分为几部分：
- GPT-5，Claude-4，Gemini-2.5，三个模型适用的场景；
- 三大模型网页版、手机APP与终端工具（Codex，Claude Code，Gemini Cli）；
- 如果让我选择国产“平替”的话。
一、三大模型：GPT-5最全面，Claude-4最专最稳定，Gemini-2.5最深
距离GPT-5的发布已经一周，关于它们三者的感受与结论，其实与发布后那个周末的“第二感觉”变化不大。GPT-5的优势在于思考强度、Agent调用，以及舍得下“算力”。综合而言，是两点，模型层面是强化学习能力，使用层面是更“努力”。在绝大多数场景下，例如，问一些问题，做一些实时搜索，提供一些文档语料进行互动，产出一些结构化文档，GPT-5其实都能给出不错的答案。可以明显看到“思考”在其中发挥的巨大作用，如果开启“ChatGPT-Agent”模式，甚至很多时候还有一些惊喜。这背后更多是强化学习的功劳，无论是“思考”，还是Agent（其实就是工具）调用。
当然，这并非没有代价：思考与Agent调用的过程并非可控，大多数场景下，当用户要求GPT-5给出更大的“努力”，无论是调用级别更高的模型，还是提出长且具体的任务清单，这些都可以让GPT-5“消耗”更多的算力，然后得到更好的结果。我有一系列定时任务就是这么实现的。但是，但是，更多的思考和Agent努力，也往往意味着过程的失控。上面的截图显示出一个每日任务大概使用了22分钟，然而，这个数字每天的波动巨大，有不到二十分钟的，也有超过四十分钟的，甚至有过一次持续两小时（超时被服务端停止）。
这并非网络和系统响应速度造成的，看日志过程，就是会有大量的无效重复，或者错误的路径。虽然，目前看起来对结果的影响并不致命，一个持续的流程在最后往往有机会回到正轨，但是小瑕疵，任务遗漏，也是随时可见的。这也会有一个风险，GPT在历史上关于“降智”上的斑斑劣迹，模型总会在发布后经过一段时间的磨合与微调变得很好用，然后在大概三个月以后，开始变差，“降智”。如今看来，大概率就是“降算力”的原因。当然，目前，它可能还是最符合绝大多数用户绝大多数场景的。
Claude-4的优点和缺点都很突出。它毫无疑问依旧是“代码能力最突出”的，这点已经不需要再去描述了。但它确实也是目前三大模型里“幻觉”最严重的，这在大多数代码生成场景里不是个大问题，但是在日常使用中，就会成为一个问题。这个问题可以在下一部分再深入，涉及到一个对于Anthropic（Claude模型开发者）非常重要且致命的问题。
Gemini-2.5在Google生态里自然如鱼得水，是内核最稳定，同时也是延展性最强的模型。实际上，Gemini-2.5可能在每一项任务中都能在三大模型里排前二，在需要深度的任务里都可以稳稳的第一。但是，前提，就是“Google生态”。简单而言，就是会发现，同样一个搜索，可能在Gemini的APP里结果错误很常见，但是开启Deep Research后，事实性的结果又如此准确，在AI Studio中开启Grounding模式后，搜索结果也如此“精准”。
用久了，你也会发现，它会很聪明的偷懒，同样一个描述较为简单的程序任务下去，比如建一个关于某主题内容的网站，Gemini和Claude都可以完成，区别是，Claude可能加上了很多mock的内容，还会把页面调到它认为的“美观”。例如，一个C++学习网站。最近Tailwind的创始人出来澄清，我才可以证实那个一直存在的疑问：这种独特的“紫色品味”一定是学某种CSS风格“学废了”。
相反，Gemini-2.5从不这么干，除非用户给出很具体的要求，否则它都是完成基本任务，比如，上面的页面，目录是有的，卡片模式可能是有的，但是卡片可能是点不开的，因为没生成具体内容，CSS风格一定是因陋就简的，大概率就是最简单的黑白风格。Gemini-2.5能完成用户的任务，但是不会多给一些，你说它“能力不行”吧，同样一个网站，它的基础构架就是比Claude-4来的更合理，更简练，它生成的代码一次性通过的比例就是远远高于Claude-4。然后，当你把类似于上面的截图发给它，说“不能偷懒，要做到这个样子的”后，它又确实可以全部生成出来，甚至无论结构、内容，还是审美上，都要高一点点的样子。
很多时候，我都会有一种奇妙的既视感：面对Gemini-2.5，仿佛就是在面对Demis，一个天赋异禀，又无比狡黠的学霸。你需要跟他斗智斗勇，才可以获得更好的结果，当你认为这是自己“聪明”时，其实，它根本没在意过你。相比之下，GPT却活成了需要付出巨大的后天努力才可以成绩领先的样子，Claude更像是一个自以为聪明的投机分子。这才是我们绝大多数人真实的样子。
二、应用与终端工具
经历了一个周期后，三家都有网页版，APP，终端工具（GPT的Codex，Claude Code，Gemini Cli），还有一堆乱七八糟的其他工具（目前就属Google家最多，OpenAI也不少）。
前几天，我的帖子是，如果从“ChatGPT、Gemini、Claude、Perplexity”四个APP里删掉一个，会选哪一个，我的答案是Claude。如果，今天，换一个问题，只能留一个，我会留哪一个？答案是，ChatGPT。抛去Perplexity不说，在三家的APP应用里，如今的Claude是最没有场景的，因为写代码在手机上并不合适，需要桌面，需要ide环境，或者终端环境。Gemini因为上面提到的一些原因，很多时候，反而是在网页版和AI Studio里更好用。ChatGPT如今就代表了OpenAI几乎90%以上的努力和功能。
同时，我现在几乎不会在手机上用Claude的网页版（在电脑上偶尔会用，两三天打开一两次的频率），ChatGPT的网页版只在电脑上高频使用，但是我会在手机上非常高频的使用Gemini的网页版和AI Studio。虽然，我在不断增加自己“案头”的时间，但是在移动场景下：地铁，公交，外面跟人交流，我会通过手机访问网页版，讨论一些突发的灵感，或者安排一些离线任务。活跃用户数其实就说明了上面的情况，ChatGPT不仅基数大，日访问量还在快速增长，Gemini的日访问量在这个半年里也在快速增长以不断匹配Google的地位，Claude就乏善可陈了（Similarweb侦测的页面访问量包含手机端和网页端）。前两天，Similarweb在X上发了这个统计，可以说明很多问题。
但是，访问量区别的背后的原因也很复杂：比如ChatGPT不仅因为是最早占领用户心智的，也更因为它的免费使用量更慷慨，Claude对“免费用户”并不友好，等等。
三家的战场也在慢慢的扩大化和转移，现在一个完整可比的新战场就是终端工具，分别是Codex，Claude Code，Gemini Cli。就目前这种形态的工具而言，Claude Code发布最早，Codex Cli（OpenAI很早就发了codex，但是终端工具的形态，是今年四月份）和Gemini Cli跟上。在过去一段时间里，我对终端工具使用的时长快速增长，因为它不仅仅是个代码工具，更可以是一个全能的工作交互平台。我在上个月底开始的OpenResearch项目就是一个基于终端工具的使用场景，对我而言最大的变化是：大幅降低了很多自动化任务部署的复杂度，大幅提高了每日的产出。
在Cursor对用户越来越不友好（限制使用额度）的背景下，代码方面我已经基本转向了Claude Code。日常任务都在Gemini Cli或者自己写的一些其他基于Gemini的工具中。GPT-5发布后，我开始尝试Codex。Gemini Cli可能是最不可稀缺的工具，原因很简单，它有Google的Web Search工具加持，或者说，有整个Google的搜索引擎加持。而除了代码生成的工作外，其实最重要的两项工作就是，搜索，本地文件生成和管理。
我隐隐有一个判断，但还需要时间来证明，AI时代，Google的搜索引擎的价值不仅不会被削弱，甚至还可能得到更大的加强，这不仅仅是一个准确性的问题，还有一个Google长时间积累带来的“搜索成本足够低，搜索效率足够高”作为支撑。这方面，Claude Code虽然也可以发起搜索，但是准确性，就（其实Claude的幻觉本身就是相对高的，加上没有搜索的积累，结果就是错误百出）……
Codex在最近几天给我到惊喜，原因跟上面说的GPT-5有点类似。特别是我昨天给三个终端工具下了同样的命令，在一堆文章里，把所有的网页链接内容下载下来。Gemini Cli反复以各种花式理由“拒绝”我，在我“连哄带骗”下终于同意用web fetch来干活的时候，我停掉了会话，原因是这明显会快速消耗掉每日的请求次数额度。Claude Code基本没把任务搞明白。Codex很干脆，读了一遍所有文章，建立了一个下载列表，使用了curl和python代码两种方式去处理，还写了失败日志方便重新尝试，虽然干的很慢很辛苦，但是一个晚上后，我得到了很清晰的结果。Gemini-1.5之后我一直认为它是劳模，如今，劳模称号易主了。
然而，终端工具虽然有可能带来更多的模型调用量，创造更多的收入（用户时长即收入），回到“终端”时代也确实让很多程序员着迷。但是在一个深度经历过Linux开发环境的人越来越少的时代，这样的用户很可能目前已经被挖掘完毕了。Github号称copilot用户在七月份达到两千万，从四月份到七月份增长了五百万，一个很合理的假设就是，因为AI Coding的渗透，大量其他领域的专业用户也变成了Vibe Coder。题外话，我在确认github copilot用户数的时候，问了一下Perplexity，两千万这个数字我是早就知道的，但是对于130万订阅客户这个数字我没有印象，因为我首先看到的是summary部分，所以在summary后的来源里没找到这个数字。然后我在给出的所有来源里看了一遍，终于找到了，24年一月份的信息。
同样的问题，给到GPT-5，我想，很容易就不会被“误导”了。
回到正题，用户体量有限，但是ARP值很高的领域（上面说的终端工具），自然很重要。但是它就无法讲“互联网逻辑”，拼的就只是产品能力，而且在这个领域里，因为用户长时间的使用，所以能力高低清晰可见，用户也是没有黏性的。这个问题，其实对Anthropic非常致命，前面说了，它的APP和网页版应用的用户数就是增长乏力。更多的场景都在各种编程IDE中，例如Cursor，VS Code，Cline，Trae，等等。唯一原因就是Claude模型在代码生成方面的能力，一旦有模型真正在绝大多数场景的编程任务中超越它，就什么都没了。
三、国产“平替”
前段时间我曾经写过一篇：简单测试后的长文：GLM-4.5惊艳，MiniMax Agent不错，Kimi-K2还可以，DeepSeek亟待升级。他们都有自己想成为的样子，如同每年NBA选秀时，都会对新秀设定一个参考模板。很明显，GLM-4.5更像ChatGPT，MiniMax是一个被“Manus”深度影响的Claude，Kimi曾经想做Gemini，如今想成为Claude，QWen-3，它可能只想取代Llama……
我一直都不太习惯于使用“平替”，更不习惯成为“平替”，但是也会被问很多次，确实因为各种原因，国产才是更理性的选择。那我会选GLM-4.5，主要原因自然是更像ChatGPT，它的应用里，也最舍得给“算力”，思考也很努力，搜索也很努力。我只是有时候好奇，全球有千万量级的资深用户，不断在三大模型上提高付费率，可是又有多少愿意给到“国产平替”呢？我们真的只能依靠低价甚至免费来吸引客户吗？在一个token即收入更是成本的时代，这真的是正确的选择吗？
当然，很多人也会选择类似于豆包，还有DeepSeek，虽然已经半年了需要更新了，但还是用户体量巨大。有习惯，有所谓“用户体验”，可是习惯了“免费又好用”的“用户体验”的我们，也许对真正的“好”已经越来越缺乏判断力了。我们可以被信息流推送占据一天的绝大多数时间，却很少愿意让自己主动去搜索，去获取。AI在那里，压缩完的人类知识库就在那里，或许，免费的就是不值得“亲自”花时间去哪怕看一眼。