180 次调用对比 Claude 与 GPT：单次测试不可靠

2026 年 10 月 28 日，一位开发者在 DEV Community 上发布了一篇对比测试文章，主题是 Claude 与 GPT 系列的对比。测试覆盖 3 个模型、12 项任务，每项任务重复 5 次，累计 180 次调用。单次调用成本在 0.0033 至 0.0265 美元之间。

这位开发者提出的核心观点是：单次运行不足以证明模型稳定。一个在 3 次测试请求中没有出错的模型，并不能被视为已经得到验证，只能说明错误尚未被注意到。因此他把测试思路反过来做，不再反复尝试不同模型，而是把同一道题重复提问，最终通过 180 次调用观察到了被单次运行结果掩盖的规律。目前这篇对比测试的公开记录停留在该次测试的结论上，作者据此主张评估模型时应多次运行同一任务，而非依赖单次结果。