gemini-2.5-pro 一次 0.031 元，claude-sonnet-4-5-thinking 一次 0.09 元，差了快三倍。日常问答、文档总结、简单代码这类占工作量七成的活，用 Gemini 能省下大半预算，而这类任务上的能力差距小到可以忽略。选型最容易犯的错是拿最难的任务去衡量两个模型，然后给所有任务都配上最贵的那个。预算有限时，正确的做法是先把任务按难度分成三档，让每一档都花最少的钱。
写代码、改 bug、做长链路重构，Claude 的输出更接近"可以直接提交"，Gemini 的输出偏"能跑但要收拾一下"。项目工期紧的时候，这个差异比价格重要得多，因为收拾代码的时间成本远高于那几分钱的差价。判断手感好不好有个土办法：把它给的代码原封不动贴进项目，看编译器和测试报几处错，报错超过三处，它就是在给你制造工作。
便宜不等于弱。gemini-3.1-pro-preview 0.09 元，和 claude-sonnet-4-5-thinking 同价，能力也在同一档。只是 Gemini 的低价档位覆盖更宽，让你能用白菜价买到中上水平的能力，而 Claude 的起步价就摆在那里。按任务分档用，两家的钱都能花在刀刃上，也能避免长期只用一家导致对另一家的能力产生误判。
丢一张架构图给 Gemini，它能读出箭头方向和模块依赖关系；Claude 读图更偏"描述画面里有什么"。做 UI 还原、流程图转代码、报表数据提取，Gemini 明显更准，也更能理解截图里那些非文字信息，比如按钮的层级、表格的对齐关系。手写流程图拍照丢进去让它转成可运行代码，Gemini 出的结构基本对得上，Claude 经常把分支关系画反。
NanoBanana-Pro 一次 0.27 元，同一个 Key 直接调，不用再注册第二家平台。做电商主图、公众号封面、技术示意图，出图质量和风格一致性都能打，省掉在几个平台之间搬 Key 的麻烦。批量出图的场景下，一次调用一个 Key，脚本里不用维护两套环境变量。出图这条路两家目前不是同一水平，硬要用 Claude 做图纯属跟自己的工期过不去。
Gemini 系列对视频帧的理解是原生支持，丢一段录屏进去问"第三步该点哪里"，能给出正确答案。Claude 这条线目前不是强项，别指望它做视频分析，硬塞进去只会得到含糊的描述。要把视频内容转成结构化步骤，Gemini 是当下更省事的选择。
十万字以上，Gemini 的细节定位更准，塞一本产品手册进去问具体条款，不容易跑偏。Claude 更擅长把长文本压成结构和洞察，让它找原文出处容易漏，有时会给出一个意思对但原文里没有的表述。要核对合同条款、政策原文、数字口径，选 Gemini；要把它讲清楚给别人听，选 Claude。
按这个分工用，两边的短板都被绕开了：Gemini 不需要写得漂亮，Claude 不需要记得精确，各自只干自己擅长的那一半。
塞满上下文会稀释注意力，模型容易在中段失焦，开头结尾记得清楚，中间那段像没读过。实用的做法是先检索再喂，只给最相关的几千字，效果往往比硬塞十万字更好，成本也低得多。检索这一层本身也能用便宜的模型来做，比如拿 gemini-2.5-pro 做相关性排序，一次只要 0.031 元。
单函数、单组件、脚本类任务，两家产出差距很小，用便宜的 Gemini 就行。gemini-3-pro-preview 一次 0.05 元，跑一天的批量任务也就几块钱，性价比没有对手。这类任务上省下的钱，够你在真正难的项目上多用十几次最强模型。做爬虫解析、数据清洗、定时脚本这类一次写好的活，Gemini 完全够用，没必要为它们付高价。
多文件改动、依赖链长、需要反复试错的任务，Claude 的优势拉大。Claude Code 这类 agent 工具配合 claude-sonnet-4-6-thinking（0.2 元）或 claude-opus-4-5-thinking（0.12 元），一轮改完的东西 Gemini 可能要三轮，多出来的两轮不只是钱，还有你盯着它改的时间。
审 bug 用 Claude，找逻辑漏洞更狠；审风格、查 API 用法过时，Gemini 的知识覆盖更新。两家交叉审一遍，比单跑任何一个都靠谱，尤其适合上线前的最后一次检查。
写公众号、产品文案、技术文档，Claude 的中文有节奏，句长有变化，读起来不像翻译。Gemini 的中文偏严谨，写规范文档和说明书反而更合适，写营销文案就有点干巴，短句堆在一起像在念条目。要发朋友圈或者公众号的推广稿，别省这 0.04 元的差价，省下来的钱不够你改两遍稿子。
成语、双关、网络梗这些，Claude 抓得更准。做中文客服机器人、评论情感分析、社区内容审核，Claude 的误判率更低，尤其能分辨反讽和真的差评，这一个能力直接决定客服机器人会不会在客诉里火上浇油。审核类业务最怕的不是漏判，是把正常表达误判成违规，那种误伤会直接得罪老用户。
写中文注释、docstring，Claude 更容易写出"人话"，Gemini 容易写成"参数 x 表示 x 的值"这种废话。这一条看着小，长期维护时差别巨大，因为读注释的人只有你未来的自己。
Gemini 系列首 token 通常在一秒内，Pro 版本开思考也就两三秒；Claude 的 thinking 模型常见三到八秒，opus 系列更慢。做输入即反馈的交互工具，Gemini 的体感好很多，用户不会在等待里怀疑程序卡死了。做打字补全、实时翻译、搜索建议这类功能，超过两秒的延迟基本等于不能用，这时候模型再强也白搭。
评测里的延迟数字只能当参考，你自己的网络和提问长度才是决定因素。写个最小脚本，把同一个问题各发十次，首字时间一眼就能比出来：
for i in $(seq 1 10); do
curl -s -o /dev/null \
-w "gemini time_starttransfer=%{time_starttransfer}s total=%{time_total}s\n" \
-X POST https://xyuapi.top/v1/chat/completions \
-H "Authorization: Bearer $XYU_API_KEY" \
-H "Content-Type: application/json" \
-d '{"model":"gemini-3-pro-preview","messages":[{"role":"user","content":"用一句话解释幂等"}]}'
done把 model 换成 claude-sonnet-4-6-thinking 再跑一遍，两组数字并排看。哪个能放在用户等着的按钮后面，哪个只能丢后台跑批，测完就不用再争了。
跑批处理、爬虫摘要、评论审核这类高并发场景，Gemini 单价低加上响应快，单机能扛的并发更高，同样的机器能跑更多任务，账算下来差距是双份的：单价便宜一半，吞吐又高一截。做大规模内容处理的人，模型单价省下的钱往往比服务器贵得多，这是容易被忽略的一块成本。
Claude 的慢主要慢在思考。给它三秒想清楚，胜过你返工三次。把 Claude 放在质量敏感的环节，Gemini 放在吞吐敏感的环节，是最省心的分法，比强行只用一家舒服得多。
| 模型 | 单次价格 | 适合什么 |
|---|---|---|
| gemini-2.5-pro | 0.031 元 | 日常问答、批量任务 |
| gemini-3-pro-preview | 0.05 元 | 通用主力 |
| gemini-3.1-pro-preview | 0.09 元 | 复杂任务、长上下文 |
| NanoBanana-Pro（生图） | 0.27 元 | 电商图、封面图 |
| claude-sonnet-4-5-thinking | 0.09 元 | 日常写代码 |
| claude-opus-4-5-thinking | 0.12 元 | 架构设计 |
| claude-sonnet-4-6-thinking | 0.2 元 | 长任务重构 |
| claude-opus-4-7-thinking | 0.25 元 | 最难的那批活 |
按次计费下，一次对话发 1 个字和发 20 万字同价。用 gemini-3-pro-preview 做长文档多轮追问，每轮 0.05 元封顶；同样的活换成按 token 计费，几块钱起步，而且轮数越多差得越离谱。这也是为什么做文档类产品时，计费方式比模型选择更影响你的成本结构。
claude-opus-4-7-thinking 一次 0.25 元，跑一百次 25 元。如果它能替你把一个线上事故挡在发布之前，这钱花得毫无心理负担。贵的模型不是日常口粮，是保险，买的是你晚上能睡着。
| 任务 | 选谁 | 理由 |
|---|---|---|
| 图片、视频理解 | Gemini | 原生多模态 |
| 生成图片 | Gemini（NanoBanana-Pro） | 同 Key 直调 |
| 十万字文档问答 | Gemini | 便宜且定位准 |
| 写代码、改 bug | Claude | 输出可直接提交 |
| 中文对外内容 | Claude | 语感自然 |
| 高并发批处理 | Gemini | 快且便宜 |
| 硬骨头推理 | 两家都上 | 交叉验证 |
| 多轮格式约束 | Claude | 约束记忆更牢 |
这张表可以直接贴到团队文档里当规范用。规则越具体，争论越少，也越不容易出现"我觉得 Gemini 也行"这种靠感觉的判断。
让 Gemini 干粗活，Claude 干细活：Gemini 做初筛、抽取、分类、批量摘要，Claude 做最终决策和代码产出。一条流水线里分工明确，成本能压到只用 Claude 的三分之一，而最终产出质量几乎不变。
from openai import OpenAI
client = OpenAI(api_key="你的Key", base_url="https://xyuapi.top/v1")
def pipeline(doc: str) -> str:
# 第一步：便宜模型做粗筛和抽取
extract = client.chat.completions.create(
model="gemini-3-pro-preview",
messages=[{"role": "user", "content": f"抽出这份文档里的所有待办事项，只输出列表：\n{doc}"}],
).choices[0].message.content
# 第二步：强模型做决策和产出
plan = client.chat.completions.create(
model="claude-sonnet-4-6-thinking",
messages=[{"role": "user", "content": f"按优先级排序并给出执行方案：\n{extract}"}],
).choices[0].message.content
return plan接入地址填 https://xyuapi.top/v1，Key 用同一个，模型名当参数改。Chatbox、Cherry Studio、酒馆、Tavo 都支持自定义 OpenAI 兼容地址，配一次就能在两个系列之间来回切，省掉管理多套账号和多张账单的麻烦。小鱼API（https://xyuai.cc）国内直连不降智不限速，按次计费，支持支付宝微信，最低充值 7 元就能开工试。