GPT-5.6 Sol、Claude Opus 4.8、Gemini 3.1 Pro：两个月都用下来，我给的选择清单

先说结论，省得你往下拉：预算敏感、要读长东西、要跑量，Gemini 3.1 Pro；改老项目的代码、要模型别自作主张，Claude Opus 4.8；要它自己在终端里泡半小时把一件事从头干到尾，GPT-5.6 Sol。

这个结论是我这两个月把三个都当主力用过之后的偏见。下面说怎么来的。

先看谁什么时候出的，这决定了你在网上看到的评测有多少水分

Gemini 3.1 Pro 是 2 月 19 日发的，Claude Opus 4.8 是 5 月 28 日，GPT-5.6 Sol 最晚，7 月 9 日。

时间差有个很实际的后果：你现在搜到的三方对比，一大半是拿 Gemini 3.1 Pro 去比 Claude Opus 4.6、GPT-5.4 这些已经下架的版本，数字全是过期的。而 Sol 出得太晚，社区的长期使用反馈还没攒够，你看到的多是首周体验帖，那玩意儿的信噪比你懂的。

另外 OpenAI 这次挺鸡贼——Sol 发布时只放了 Terminal-Bench 2.1 这一个头条基准，GPQA、SWE-Bench、OSWorld 这些大家最想看的对照数字，到现在都没给全。一家公司选择公布什么、不公布什么，本身就是信息。

战场一：在一个十万行的老项目里改东西

这是最能拉开差距的场景，也是我个人权重最高的场景。

Opus 4.8 在这块是目前的天花板，而且不是靠一点点。SWE-bench Verified 88.6%，SWE-bench Pro 69.2%——后面这个数字更值得看，因为 Pro 版本收录的是更长、更脏、依赖关系更复杂的真实 issue。同一批题目上 GPT-5.5 是 58.6%，Gemini 3.1 Pro 是 54.2%。十几个点的差距在实际使用里的体感是：你让它改一处，它是只改这一处，还是顺手把周围三个文件也”优化”了一遍。

Gemini 3.1 Pro 在 SWE-Bench Verified 上是 80.6%，看起来跟 Opus 差得不算离谱，但一到 Pro 那种复杂度就掉得厉害。Reddit 上 Day 1 那波评测里有个说法我很认同：3.1 Pro 相比 3 Pro 最大的进步不是变聪明了，是终于肯听系统提示词了，简单任务不再啰嗦一大堆，重构代码也干净了不少。这是从”能用”到”敢用”的跨越，但离 Opus 那种”你说改哪就改哪”还有距离。

Sol 在这块的公开数据是 DeepSWE 72.7%，跟前两个不是一套题，没法直接比。我自己的体感是它比 Opus 更爱动手，好处是遇到需要跨文件大改的任务它不怯场，坏处是你得盯着。

战场二：扔进去一本书，然后问问题

这个战场 Gemini 赢得毫无悬念，而且赢的原因一半是能力一半是价格。

三家的上下文都在百万 token 这个量级上——Opus 4.8 是 100 万输入、128k 输出，Sol 是 105 万输入、128k 输出，Gemini 3.1 Pro 官方口径在不同文档里有 100 万和 200 万两种说法，输出上限 65k。参数上大家拉平了。

真正的分水岭在钱。你把一本 60 万字的书扔进去，光输入就是几十万 token，这个动作用 Gemini 做和用 Opus 做，账单差两倍半。如果你是一天要跑几百次这种任务的场景（合同审查、论文综述、财报解析），这个倍数直接决定项目能不能立项。

Gemini 还有一点很实用：它在超长上下文里的注意力衰减控制得比另外两个好。同样是把一份 80 万 token 的材料喂进去，问一个只在中间某处出现过一次的细节，Gemini 的召回稳定性明显更高。Google 在这块投入了很多年，DeepMind 那套长上下文的工程积累是真的。

另外提一句 ARC-AGI-2 这个基准，Gemini 3.1 Pro 拿了 77.1%，上一代 Gemini 3 Pro 只有 31.1%。这个基准考的是抽象规律归纳，翻一倍多是一个很反常的跳变，说明 Google 在训练方法上改了什么比较根本的东西。GPQA Diamond 94.3% 也是三家里最高的。

战场三：让它自己在终端里干半小时活

这是 Sol 存在的理由。

OpenAI 给 Sol 挂的头条数字是 Terminal-Bench 2.1 88.8%，Sol Ultra 91.9%。这个基准考的是模型能不能在一个真的 shell 环境里，自己装依赖、跑命令、看报错、改方案、再跑，直到任务完成。BrowseComp 90.4% 考的是自己上网找东西的能力，ExploitBench 73.5% 考的是安全相关的自动化。

这三个数字放一起，画像很清楚：Sol 不是被设计来跟你一问一答的，它是被设计来接一个目标然后消失半小时的。用过 Codex 那套 CLI 的人应该有体会，模型愿不愿意”再试一次”这件事，比它第一次答得多准更重要。长任务里错误会累积，能自己发现走错了并回头的模型，最终成功率高得多。

反过来说，如果你的用法是在聊天框里一句一句地问，Sol 的这些能力你一点都用不上，还得为它更贵的输出价买单。

账单

这部分不绕弯子，直接摆数字。所有价格都是每百万 token。

输出价从 $12 到 $30，两倍半。绝大多数应用的成本大头在输出侧，所以这个倍数基本就是最终账单的倍数。

Opus 4.8 这次还有个容易被忽略的变化：Fast Mode 从上一代的 $30/$150 砍到了 $10/$50，速度大约是标准模式的 2.5 倍。同样的速度，价格是原来的三分之一。如果你之前因为 fast mode 太贵而放弃过某个交互式产品的设想，现在这笔账可以重算了。

那些榜单不告诉你的事

三个模型我都在生产里跑过一段时间，说几个基准测不出来的差异。

指令遵循的稳定性。 Opus 是三个里最”听话”的，你说输出 JSON 它就输出 JSON，不会在前面加一段”好的，我来帮你……”。Gemini 3.1 Pro 相比上一代进步很大但偶尔还会犯病。Sol 在这方面居中，不过它有个特点是任务越长越稳，短任务反而容易发挥。

拒答和过度谨慎。 这块 Gemini 最松，Opus 中间，Sol 在涉及安全、代码执行的边界话题上会比较啰嗦，可能跟它的 ExploitBench 训练目标有关——一个被专门训练过安全攻防的模型，对这类请求天然更敏感。

中文。 三个都够用，但风格差别很明显。Opus 的中文最像人写的，句子长短有变化；Gemini 的中文有一股翻译腔，尤其是长段落；Sol 介于两者之间，但它特别喜欢用破折号，写出来的东西一眼就能认出是它。做中文内容的话这个差异比跑分重要得多。

榜单领先 ≠ 生产可靠。 这句话是我从一个在生产环境用 Gemini 3.1 Pro 的工程师那儿看到的，他的原话大意是：基准分领先没能转化成实际的可靠性。这个观察对三家都成立。基准是静态的、干净的、有标准答案的；生产环境是脏数据、模糊需求、要求一次做对。这中间的落差谁也没填平。

怎么选

按你的钱和场景对号入座：

选 Gemini 3.1 Pro，如果：你要处理大量长文档；你的调用量大到价格敏感；你在做偏推理和分析的活；或者你只是想找一个性价比最高的日常主力。它是三个里最容易证明 ROI 的一个。

选 Claude Opus 4.8，如果：你每天的主要工作是在已有代码库里改东西；你受够了模型自作主张；你要做的是中文内容且在意文字质感。它贵，但在它最强的那条赛道上没有替代品。

选 GPT-5.6 Sol，如果：你在搭那种”给个目标就自己干完”的 Agent；你的任务链条长、需要模型自己纠错重试；你需要它自主上网检索。日常聊天用它是浪费。

最后一句实在话：这三个的差距，比它们跟一年前的自己的差距要小得多。真到了选不出来的时候，选你团队已经接好的那个，省下来的时间比省下来的 token 值钱。

想直接上手试的，站内条目在这儿：Claude、ChatGPT、Gemini。写代码的场景建议配合 Cursor 或 Codex 一起用，光有模型没有趁手的壳子，体验会差一大截。