每次新模型發表，網路上很快就會出現同一種問題：

Claude、GPT、Gemini、Grok，到底誰最強？

我以前也會直接找排行榜、比較分數，再替每家排一個名次。實際用 AI 寫過幾個完整專案後，我才發現這個問題少算了最重要的一半。

真正影響工作成果的，不只有模型智力，還包括：

它被放在哪一套 Agent 工具裡
能不能讀完整個專案、修改檔案和執行指令
長任務跑到一半會不會撞上配額或冷卻
回答速度快不快，失敗後要重試幾次
遇到正常技術需求時，會不會過度拒答
最後花掉的是幾美元，還是幾個小時的人力

所以這篇不再試圖選出一個「永遠的榜首」。我更想回答的是：如果目標不是聊天，而是真的把網站、程式或 Agent 任務做完，四個生態系各自適合放在哪裡？

本文資料與使用感受更新於 2026 年 7 月。模型、價格與方案變動很快，圖表只代表當時的快照。

先把四件事分開：模型、檔位、工具、配額#

很多比較文最大的問題，是把四個不同層次混在一起。

模型不是產品的全部#

同一個模型放在聊天網頁、API、IDE Agent 或命令列工具裡，體驗可能完全不同。

層次	真正要看的問題
模型能力	推理、寫碼、長文與多模態能力夠不夠？
Reasoning 檔位	是快速檔、平衡檔，還是願意花很久思考的最高檔？
Agent 工具	能不能讀 repo、改檔、跑測試、操作 Git 與部署？
方案與配額	一個月實際能跑多少長任務？高峰期會不會降速？

例如 GPT 家族內部就有不同定位與 reasoning 強度。只寫「GPT-5.6」而不說檔位與執行環境，資訊其實不完整。

GPT-5.6 Sol / Terra / Luna 分檔對照

圖：Artificial Analysis〈GPT-5.6 has landed〉中的模型分檔快照。

Claude Code、Codex、Antigravity、Grok Build 也不是模型名稱，而是讓模型真正「動手做事」的工作環境。比較 Agent 時，不能只比較背後的模型分數。

四個生態系的實際個性#

先說結論：這四家都已經強到能完成大部分日常工作，差別主要出現在長任務、工具整合與使用摩擦。

Claude：穩定、會整理，但高強度使用成本明顯#

Claude 的優勢一直很清楚：長文結構好、語氣穩定、閱讀大型程式碼時不容易失去上下文。需要寫文件、整理規格、審查架構或進行謹慎重構時，我仍然很願意用它。

Claude Code 也證明了 Anthropic 不只是做聊天模型。當工具能直接讀專案、執行指令和修改檔案後，Claude 的程式能力才真正變成生產力。

但它的缺點同樣直接：高階模型昂貴，長時間 Agent 任務很容易消耗大量配額。對每天都要讓 AI 在 repo 裡工作的人來說，「很強但捨不得一直開」就是實際限制。

我會在這些情況選 Claude：

長文、規格、技術文件與內容潤稿
需要保守修改的程式碼審查
複雜需求的第二意見
願意用較高成本換穩定表現的任務

GPT + Codex：適合長時間深入專案#

GPT 生態最大的優勢不是單一榜單分數，而是工具完整度。從 ChatGPT 到 API，再到能操作實際工作目錄的 Codex，模型可以一路從討論需求走到修改、測試與交付。

在長時間的 repo 任務裡，Agent 是否願意持續調查、修錯、重新建置，往往比第一次回答漂不漂亮更重要。高 reasoning 檔位雖然可能等待較久，但適合需要數十分鐘持續推進的工作。

它的問題是產品與檔位很多，價格和用量不能只看模型名稱。官方 API、訂閱方案、第三方渠道與不同 reasoning 設定，成本可能差非常多。

我會在這些情況選 GPT／Codex：

多檔案重構與完整功能開發
需要長時間調查、測試、修復的 Agent 任務
要同時處理程式、圖片、文件等多種內容
希望從聊天一路接到實際專案操作

Gemini + Antigravity：價值在 Google 生態，風險也在方案機制#

Gemini 如果只拿聊天視窗比較，很容易被低估。它真正有吸引力的地方，是長上下文、多模態以及 Google 文件、搜尋、雲端服務與開發工具的整合。

Antigravity 讓 Gemini 進入開發工作流後，評價標準也跟著改變：模型少幾分不一定重要，能不能把 Google 生態裡的資料和工作台串起來才重要。

但 Credits、冷卻時間與方案調整會直接中斷工作流。當一套工具已經融入專案，突然限額造成的成本，不只是少幾次請求，而是必須把上下文搬到另一套 Agent 裡重來。

我會在這些情況選 Gemini／Antigravity：

Google Workspace、雲端與搜尋相關任務
超長文件、影音或多模態內容理解
已經以 Google 生態為主的開發流程
能接受 Credits 與方案變動風險的工作

延伸閱讀：AI 配額與方案變動筆記。

Grok + Grok Build：速度快、摩擦少，適合高頻率推進#

Grok 的吸引力不是每一項評測都第一，而是整體使用摩擦低。回答通常直接、串流速度快，面對一般技術問題較少出現過度說教或不必要的拒答。

搭配 Grok Build 後，它也不再只是 X 裡的聊天工具，而是能進入 repo、修改檔案與執行工作的 Agent。對大量試作、腦力激盪和快速推進 side project 而言，這種「叫得動、跑得快、願意一直做」的體感很重要。

它的短板是生態成熟度仍不如 GPT，部分精細推理和大型重構也可能需要其他模型複核。

我會在這些情況選 Grok／Grok Build：

高頻率問答、研究與快速原型
希望減少拒答和對話摩擦
對速度與可持續使用量敏感
先快速完成，再交給另一個模型審查的工作流

排行榜有用，但不能直接替你做決定#

Artificial Analysis 的 Intelligence Index、Coding Index 和速度／成本圖表，適合用來確認模型大致位於哪個梯隊。

但排行榜常有三個陷阱。

一分差距，未必等於實際工作差距#

模型只要進入前沿梯隊，多數日常任務的差距已經不再明顯。真正拉開體驗的，可能是工具能否讀取專案、任務途中是否中斷，以及失敗時能不能自己恢復。

同模型換一個 Harness，結果就可能不同#

Coding Agent 評測不只測模型，也測模型被放在哪套工具裡。提示詞、上下文管理、終端操作與錯誤恢復策略，都會影響最後分數。

Coding Agent 相關圖

圖：Artificial Analysis 的 Coding Agent 對照快照。Agent 工具本身也是能力的一部分。

榜單不會替你計算配額#

一個榜首模型，如果每天只能認真跑少量長任務，對重度開發者未必比次一級、但能持續工作的模型更有效率。

因此我現在看榜單的方式是：

先確認模型有沒有進入可用梯隊
再比較 Agent 工具與穩定性
最後計算自己真正買得到的用量

成本不只是每百萬 Token 的價格#

API 定價很好比較，但它只代表成本的一部分。

我更在意以下四種成本：

成本	說明
請求成本	Input、Output、快取與 reasoning token 的價格
重試成本	第一次做錯後，要再燒多少輪才能修好
配額成本	冷卻、限速或突然改方案造成的中斷
切換成本	把專案背景重新交代給另一套 Agent 的時間

一個單價較低、但需要重做三次的模型，不一定便宜；一個很強、但在工作一半時耗盡配額的訂閱，也不一定划算。

Cost per Intelligence Index Task（2026-07-16）

圖：Artificial Analysis · Cost per Intelligence Index Task（2026-07-16）。任務成本通常比單看 Token 標價更接近實際體驗。

另外，官方 API、訂閱方案與第三方渠道的計費不能混為一談。看到一個任務只花幾美分，不代表所有人都能用相同價格取得相同模型；比較時必須先確認渠道、快取與計費規則。

速度要看「完成任務」，不是只看吐字速度#

每秒輸出多少 Token 會影響聊天手感，但 Agent 任務更重要的是總牆鐘時間。

真正的完成時間大約是：

1
思考等待
2
+ 工具呼叫
3
+ 建置與測試
4
+ 錯誤重試
5
+ 人類重新說明需求
6
= 任務完成時間

Output Speed（2026-07-16）

圖：Artificial Analysis · Output Speed（2026-07-16）。串流速度只是工作流中的一段。

有些模型首字很快，但需要來回修正；有些高 reasoning 模型會安靜思考很久，最後卻能一次完成更多工作。對長任務而言，後者不一定比較慢。

我現在會同時記錄三件事：

第一次可用結果要等多久
完成任務總共跑了幾輪
最後有沒有通過建置與實際驗收

使用限制與服務穩定性，也是產品能力#

「審查嚴不嚴」很容易變成立場爭論。對開發工作來說，我更在意具體結果：正常需求是否能完成，以及服務規則是否可預期。

問題	對工作流的影響
正常技術問題被過度拒答	必須改寫提示或換模型
學生／低價方案移除高階模型	原有工作流突然失效
Credits、限速或長冷卻	Agent 任務被迫中斷
帳號、地區與付款限制	工具無法成為可靠主力

Claude 通常最保守；GPT 與 Gemini 的政策和方案層級較複雜；Grok 的對話限制相對少。但「限制少」不等於答案一定正確，重要內容仍然需要驗證。

對我而言，最理想的服務不是完全沒有限制，而是規則清楚、正常任務能穩定完成，而且不會每隔一段時間重寫配額邏輯。

我現在的選法：不是單押一家，而是分工#

如果一定要替四家排出唯一名次，文章很快就會過時。更實際的做法，是替每個模型安排它最擅長的位置。

工作類型	我會優先考慮	原因
完整功能、多檔重構、長時間 Agent	GPT／Codex	工具鏈完整，適合持續調查與驗證
文件、規格、審查與第二意見	Claude	結構穩定，長文與程式閱讀表現好
Google 生態與多模態資料	Gemini／Antigravity	Workspace、搜尋、雲端整合有優勢
快速研究、試作與高頻率推進	Grok／Grok Build	回應快、摩擦少，適合大量使用
隱私、離線與服務中斷備援	本機模型	不受帳號與雲端方案影響

我的實際工作流更接近：

1
Grok 快速發散與試作
2
        ↓
3
GPT / Codex 深入 repo、實作與測試
4
        ↓
5
Claude 做文字、架構或風險複核
6
        ↓
7
Gemini 處理 Google 生態與多模態任務
8
        ↓
9
本機模型作為隱私與斷線備援

順序不是固定的，重點是不要要求一個模型同時扮演所有角色。

如果只能訂閱一套，怎麼選？#

先不要問哪家分數最高，先回答自己一週花最多時間做什麼。

1
你的主要工作？
2
├─ 長時間寫程式、修改 repo、跑 Agent
3
│    → 優先看 GPT / Codex，也比較 Grok Build 的可用量
4
├─ 長文、研究、規格與程式審查
5
│    → Claude
6
├─ Google 文件、搜尋、影音與雲端
7
│    → Gemini / Antigravity
8
├─ 快速問答、原型、低摩擦高頻使用
9
│    → Grok
10
└─ 預算極低或資料不能上雲
11
     → 本機模型或 API 按量組合

如果每月預算大約只有 20 美元，尤其要確認：

高階模型是不是方案常駐，而非限時提供
Agent 與聊天配額是否分開
長任務會不會有冷卻或每日限制
超過配額後能否按量付費，而不是整套停用
自己是否真的需要最貴的模型處理所有工作

很多時候，「平衡檔當主力、最高檔只攻堅」會比每次都把 reasoning 拉滿更有效率。

最後答案：我不再選一個永遠的冠軍#

如果只談模型能力，Claude 與 GPT 的最高檔通常仍在最前沿；Gemini 有其他家難以取代的 Google 與多模態整合；Grok 則用速度、使用摩擦與高頻率體驗形成自己的甜蜜點。

但我現在真正願意付費的，是一套能把任務推到完成的組合：

Grok／Grok Build：快速想、快速試、保持推進速度
GPT／Codex：進入專案，長時間實作、修錯與驗收
Claude：需要穩定文字、審查與第二意見時使用
Gemini／Antigravity：遇到 Google 生態和多模態工作再上場
本機 AI：保留隱私、離線與服務變動時的退路

榜首會換，方案會改，模型名稱也會不停增加。真正不會變的是：

好工具不是回答時看起來最聰明，而是能在你的預算與工作流裡，把事情可靠地做完。

延伸閱讀#

Typelin · 2026-07-18 重寫