OpenAI o3 vs Claude 3.5 vs Gemini 2.0 Benchmark：跑分怎么读、现在该用谁

先说清楚这篇的定位：o3、Claude 3.5 Sonnet、Gemini 2.0 是 2024 底-2025 初那一代的标志性模型，到 2026 年它们各自都有了后继者。这篇保留下来回答两个仍然每天有人问的问题：①那一代的基准对比到底说明了什么；②怎么把基准数字翻译成今天的选型决策——这套读法对任何新模型都适用。各家现役模型的实时对照见模型库。

一、那一代跑分的官方口径（可核实）

以下数字来自各厂商发布时的公告（注明出处口径，非本站实测）：

基准o3（OpenAI 公告）Claude 3.5 Sonnet（Anthropic 公告）Gemini 2.0（Google 公告）

定位推理特化（思维链计算换准确率）通用旗舰，编码见长多模态 + 原生工具调用，速度/性价比 标志性成绩ARC-AGI 半私有集 87.5%（高算力档）、竞赛数学大幅领先SWE-bench Verified 49.0%（2024-10 升级版，当时编码 SOTA）多模态基准全面提升 + 2x 速度（对比 1.5 Pro） 上下文200K 级200K1M（系列特性）

这张表当年的正确解读：o3 证明了"推理时算力换智能"路线可行（但单题成本可达普通调用的几十上百倍）；Claude 3.5 Sonnet 是写代码的实用之王；Gemini 2.0 赢在多模态、长上下文和单位成本。三者不在同一个使用场景里竞争——这正是跑分表最容易误导的地方。

二、读任何跑分表的五条纪律

先看分布外风险：基准是公开的，训练数据可能"见过题"（污染）。新基准/私有集（如 ARC-AGI 半私有集、SWE-bench Verified 人工核验子集）比老基准可信。

看成本列：没有"每分多少钱"的跑分表是营销。o3 的高分挂着极高的推理算力账单——生产上"95 分但贵 100 倍"通常输给"88 分但便宜"。

基准≠你的任务：数学竞赛分数对"客服摘要"几乎零预测力。选型只看与你任务同类的基准（编码看 SWE-bench 系、Agent 看工具调用基准、长文看大海捞针类）。

方差比均值少被报告：同一模型换提示词措辞，分数可能摆动好几个点（提示词敏感性）。厂商公告报的是调优后的最佳档。

最终裁判是你的私有评测集：拿 50-100 条你真实业务的样本做评测（方法见 LLM 评估工作流），半天时间，比读十张榜单可靠。

三、那一代格局如何映射到今天的选型

当年三家划下的赛道延续至今，按任务路由的逻辑没变：

你的任务当年答案2026 选型逻辑（同一条赛道的现役模型）

复杂推理/数学/难题攻坚o3各家推理档模型（思考模式），按难度分级路由控成本 编码/Agent/重构Claude 3.5 SonnetClaude 现役旗舰系仍是编码强势选项 多模态/超长文档/性价比走量Gemini 2.0Gemini 现役系 + 各家 mini/flash 档 API 生态与工程细节对比—见 Claude API vs OpenAI API 推理模式横向对比—见 Claude 思考 vs o3 vs Gemini 推理

生产架构上更稳的姿势是多模型路由：简单任务走便宜档、难任务升级旗舰、单家故障自动切换——实现模式见回退链。

FAQ

Q：现在还能用这三个模型吗？ o3/Gemini 2.0 已被各自后继档位取代；Claude 3.5 Sonnet 作为"工作马"档仍被大量部署使用。新项目直接选各家现役模型即可。

Q：为什么不同榜单同一模型分数不一样？ 提示词模板、采样参数、评测框架版本都影响分数；只有同一框架同一配置下的对比才有意义。

Q：开源模型追上了吗？ 在编码和 Agent 基准上，开源第一梯队（如 Kimi K2、Qwen/Llama 系）与闭源旗舰差距明显缩小，性价比路由里已是重要选项——对比见本地模型横评。

---

*最后更新：2026 年 6 月。跑分以各厂商原始公告为准；选型以你的私有评测集为准。*