幫照片寫描述、打標籤，哪個 AI 模型最好？GPT-6 與 Claude 5.5 盲測對比

我用 10 個 AI 模型盲測了自己 14 萬張照片的圖庫：GPT-6.1 Sol 勝過 Claude Opus

摘要

我每天用 Claude Opus 5.5 寫程式、跑工作流程，這類工作上我一直覺得它比 GPT-6 快，也更好用。我以為描述照片它也會最強，就專門測了一下。參加測試的有 10 種配置：Claude Haiku、Sonnet、Opus 5.5，以及 OpenAI 的 GPT-6.1 Sol、GPT-6 Astra、GPT-6 Luna 的幾個推理強度檔位。每個配置都要給我圖庫（共 142,521 張）裡的 50 張真實照片寫標題、寫描述、打關鍵字、選相簿，再挑出該刪的照片。我從兩家廠商各選了一個模型做盲評，Claude Fable 5.1 和 GPT-6 Astra，從事實、有無編造、刪除判斷、相簿是否合適、是否實用五個方面，給全部 500 份答案打分。GPT-6.1 Sol 最高，9.72 分（滿分 10 分）；Opus 8.57 分；Sonnet 和 Haiku 在 7.7 到 7.8 分之間。ultra 檔並不比 max 檔好。按官方 Batch API 價格，給整個圖庫寫描述，medium 檔的 Sol 大約 $240（9.56 分），Opus 要 $661，Luna 只要 $11 到 $20，分數還比 Haiku 高。

為什麼要測

我每天大部分時間在寫程式、跑 agent 工作流程、做自動化，用得最多的就是 Claude Opus 5.5。這類工作上，我的感受一直是它比 GPT-6 快，也更好。所以想讓 AI 給照片寫描述、打標籤時，我想都沒想就選了 Opus。

這個圖庫是我 25 年的生活：142,521 張照片，從早年的數位相機到上週的手機照片，光截圖就有一萬六千多張，幾乎都沒寫過描述。我希望每張照片都有標題、描述和搜得到的關鍵字，放進合適的相簿；如果是重複或沒用的照片，也要老實標出來。真要為 14 萬張照片花錢之前，我想先搞清楚哪個模型做得最好，差別又值多少錢。

我原本以為 Opus 會贏。結果在這 50 張照片上，GPT-6.1 Sol 高出了一分多。

結果一覽

圖 1：兩位盲評的平均分，滿分 10 分。

成本按各廠商官方 API 價格，給全部 142,521 張照片寫描述計算。

按這次的結果，我會這樣選：

• 只看分數，選 GPT-6.1 Sol 的 max 檔。
• 我自己的圖庫，選 GPT-6.1 Sol 的 medium 檔。拿到最高分的 98%，只要 $240，大約是 Opus 的三分之一。
• 預算很緊，選 GPT-6 Luna 的 max 檔。只要 $20，分數比同價位的 Haiku 高，也比成本貴約 17 倍的 Sonnet 高。
• 不選 Claude Sonnet 5.5：價格中等，分數最低。

參加測試的模型

兩家的價格檔位正好對得上：GPT-6.1 Sol 和 Claude Sonnet 5.5 單價相同，GPT-6 Astra 和 Claude Fable 5.1 相同，GPT-6 Luna 和 Claude Haiku 5.5 相同，Claude Opus 5.5 在 Sol 和 Astra 之間。所以單價相同的模型，處理同一批照片時，誰用的 token 多，誰就更貴。

Claude 模型各按預設設定跑了一次，Opus 預設是 medium 檔；GPT 模型我測了好幾個檔位。兩邊都用 medium 檔時，GPT-6.1 Sol 得 9.56 分，Claude Opus 5.5 得 8.57 分，這樣比較最公平。

怎麼測的

我用的是當時圖庫裡最新的 50 張照片，不含影片，就是普通一週的手機相簿：家裡和出去逛街時的家庭照、高樓窗外的城市景色、桌上的一張記憶卡、電子元件的商品詳情頁截圖、訂單物流截圖、一則社群貼文、一個停車優惠 QR code 立牌，還有一個充電樁標籤。

每張照片，每個模型都要做五件事：寫一個短標題；寫一到三句中文描述；給 5 到 12 個中英雙語關鍵字；從我已有的相簿裡選一個最合適的，或者不選；打一個品質分，並說明該留還是該刪，重點看重複、拍壞、過期截圖和沒有保存價值的照片。所有模型拿到的指令和每張照片的上下文都一樣，每次處理 10 張。

圖 2：50 張測試照片中的一張，以及其中三個模型寫的描述。注意它們怎麼處理地名，後面會再講到。照片中的路人已模糊處理。

怎麼評分

我沒有自己打分。我天天用 Claude，測試前就認定 Opus 會贏，自己打分難免偏心。

我把每張照片的 10 份答案打亂，標成 A 到 J，每張照片重新隨機一次。兩位評審對著照片，各自獨立給 500 份答案打分：一位是 Anthropic 能力最強的 Claude Fable 5.1，另一位是 OpenAI 的前沿模型 GPT-6 Astra（xhigh 檔）。

圖 3：盲評流程。

每份答案按五項打分，每項 0 到 2 分，滿分 10 分：

兩家各請一位評審，是想看看有沒有誰偏袒自家模型。兩位評審的結論很接近：500 組配對分數的相關係數是 0.71，排在前五的都是同樣五個 GPT 配置。Claude 評審也把 GPT-6.1 Sol 和 GPT-6 Astra 排在 Claude Opus 前面。GPT 評審整體打分更嚴，給 Claude 模型的分扣得最多。

圖 4：每位評審給各配置的平均分。

測試結果

圖 5：兩位評審合併後的各項平均分。帶星號的分數被下文提到的評分失誤壓低了。

GPT-6.1 Sol 和 GPT-6 Astra

Sol 和 Astra 基本只寫畫面裡能確認的內容，文字讀得準，很少寫出照片裡看不出來的東西。本地地名也是它們處理得最好，這對在中國拍的照片很重要。

圖 6：兩道本地地名題。勾表示寫對了中文名，叉表示按字面直譯，EN 表示保留了英文。

有幾張照片的定位是 Rainbow Department Store，這是深圳連鎖商場天虹的英文名，直譯成「彩虹百貨」就錯了。所有 Sol 和 Astra 配置都寫對了，Opus 和 medium 檔的 Luna 也對；Haiku、Sonnet 和 max 檔的 Luna 用了直譯。圖 2 那張咖啡店照片的定位是 Galaxy Shengshi，中文名是星河盛世。所有 Sol 和 Astra 配置都寫成星河；Opus 和 Sonnet 直譯成了銀河；Haiku 和兩個 Luna 配置直接保留了英文。

刪照片它們也很謹慎，50 張裡只建議刪 4 到 6 張。測試集裡有 8 張電子元件的商品詳情頁截圖，GPT 模型幾乎都留下了，只有一個 Sol 配置把其中一張標成近似重複；Claude 模型各標了兩到四張要刪。兩位評審都認為應該留，因為這些頁面上有腳位定義、尺寸和板子實物照片，以後我還要查。

Claude Opus 5.5

Opus 有時會把畫面裡無法確認的內容也寫進描述。它會寫出單看照片無法確定的關係，比如兄弟姊妹、父母和孩子。姿勢也有寫錯的時候：一張照片裡孩子站在大人身後，它寫成孩子趴在大人背上。兩位評審都為此扣了分。

這一點讓我很意外。盲測之前我先看過一遍結果，當時還誇 Opus 猜對了兩個孩子是姊弟。我認識自己的家人，評審不認識。可是 14 萬張照片，我不可能每條描述都自己核對，寫出照片裡沒有的東西就是隱憂。

Opus 也是建議刪得最多的模型，50 張裡提了 13 張。其中三張商品詳情頁截圖被它說成過期，可上面的參考資訊我是要留的。它也是唯一一個想把停車優惠 QR code 當成沒價值刪掉的模型。另外，它還把幾張單人照放進了「全家福」相簿。

Claude Sonnet 5.5 和 Haiku 5.5

這兩個模型事實錯誤最多，把天虹直譯成「彩虹」的也有它們。Sonnet 選相簿最弱，把日常照片放進了一個不相關的舊活動相簿。Haiku 編了一個細節，結果刪錯了照片：一組幾乎一樣的連拍裡，它說最好的一張有人在低頭，跟照片正好相反，還建議刪掉。

GPT-6 Luna

Luna 單價和 Haiku 一樣，兩個檔位的分數卻都比 Haiku 高：8.41 和 8.11，Haiku 是 7.81。max 檔得分也高於 Sonnet；同樣給這個圖庫寫描述，Sonnet 的成本貴約 17 倍。Luna 主要在實用性和相簿上丟分，描述比較平淡，相簿也選得不夠準。

推理強度

圖 7：不同推理強度的得分。橙色線是預設設定下的 Claude Opus 5.5。

這次 Sol 和 Astra 都是 max 檔比 ultra 檔得分高：Sol 在 max 檔 9.72 分、ultra 檔 9.59 分，Astra 分別是 9.61 和 9.58 分。這次 ultra 檔的輸出 token 甚至比 max 檔少。Sol 的 medium 檔也很接近，9.56 分，成本不到 max 檔的一半。推理強度高，細節也不一定更準：medium 檔的 Luna 寫對了天虹，max 檔反而寫錯了。

我評分裡的一個失誤

評分做完之後我才發現，寫描述的模型拿到了每張照片的拍攝日期和時間，評審卻沒有。所以 GPT-6 Astra 評審把描述裡寫了具體日期或時間的地方當成了編造。排在前面的 GPT 配置最常寫日期，「無編造」這一項的分數因此被壓低了。

只把因為日期扣掉的分加回去，前四名 GPT 配置會升到 9.84 到 9.90 分，基本打平；Opus 還是 8.58 分。文中我保留了原始分數，下次會把模型看到的所有資訊都給評審。

速度

圖 8：每批 10 張照片的實際耗時。這不是嚴格的延遲測試，兩家模型是透過不同管道呼叫的。

這和我平時的感覺一致：Opus 很快，大約是 max 檔 Sol 的 3 倍。不過 medium 檔的 Sol 和 Opus 一樣快，分數還高出差不多 1 分。

要花多少錢

所有配置我都按廠商官方 API 價格來算。如果把訂閱方案裡包含的用量當成免費，有些模型就會顯得比實際更划算。

官方價格（每百萬 token，標準檔）：

兩家的 Batch API 都便宜一半，這種不需要馬上出結果的任務正好合適。價格來自 Anthropic 定價頁（claude.com/pricing）和 OpenAI API 定價頁（developers.openai.com/api/docs/pricing），2026 年 10 月 20 日核對。

圖 9：按 Batch 價格給整個圖庫寫描述的成本與得分。成本軸為對數座標。

medium 檔的 Sol 拿到最高分的 98%，成本只有 Opus 的 36%、max 檔 Sol 的 43%。Astra 品質和 Sol 差不多，價格卻是大約 5 倍，因為它的單價就是 Sol 的 5 倍。Opus 比 max 檔的 Sol 還貴，分數卻更低；它跑的已經是 medium 檔，但單價是 Sol 的兩倍。Luna 給整個圖庫寫描述只要 $11 到 $20，得分還高於 Claude 的 Haiku 和 Sonnet。

方法說明：GPT 的 token 數來自執行實測，Claude 的 token 數根據執行日誌估算。Claude 有部分推理 token 看不到，所以 Claude 的成本可能略微偏低。除 Batch 外，所有模型都沒有計入提示快取等其他折扣。

我的收穫

我先按寫程式的習慣選了 Opus，等盲評結束才發現選錯了。寫程式、跑工作流程，我還是更喜歡 Claude Opus 5.5，我自己用下來，它更快，效果也更好。描述真實照片是另一回事：要看清畫面裡到底有什麼，不能自己補出姿勢和關係。這一點 GPT-6.1 Sol 做得更好。如果我按習慣直接用 Opus、不做盲測，就會花更多的錢，拿到更差的描述。

下次我先盲測，讓至少兩家廠商的評審模型拿到寫描述時的全部輸入。比較成本也繼續按官方 API 價格算。推理強度不是越高越好：這次 ultra 沒贏 max。

最好的模型偶爾也會把有用的照片標成要刪，所以每一條刪除建議，我都會自己看過再刪。

侷限

這次測試規模不大：50 張同一個城市的近期照片。老照片、掃描文件、其他語言和影片都沒測。Claude 模型只跑了預設設定，高推理強度的 Opus 也許分數更高，成本也會更高。評審是 AI 模型，不是人；兩位評審結論接近，但不完全一致，如果有人工抽檢會更紮實。模型和價格變化很快，文中所有數字截至 2026 年 10 月。

我的選擇

我的圖庫：GPT-6.1 Sol，medium 檔。寫程式和跑工作流程，我還是繼續用 Claude Opus 5.5。