给照片写描述、打标签，哪个 AI 模型最好？GPT-6 与 Claude 5.5 盲测对比

我用 10 个 AI 模型盲测了自己 14 万张照片的图库：GPT-6.1 Sol 胜过 Claude Opus

摘要

我每天用 Claude Opus 5.5 写代码、跑工作流，这类活儿上我一直觉得它比 GPT-6 快，也更好用。我以为描述照片它也会最强，就专门测了一下。参加测试的有 10 种配置：Claude Haiku、Sonnet、Opus 5.5，以及 OpenAI 的 GPT-6.1 Sol、GPT-6 Astra、GPT-6 Luna 的几个推理强度档位。每个配置都要给我图库（共 142,521 张）里的 50 张真实照片写标题、写描述、打关键词、选相册，再挑出该删的照片。我从两家厂商各选了一个模型做盲评，Claude Fable 5.1 和 GPT-6 Astra，从事实、有无编造、删除判断、相册是否合适、是否实用五个方面，给全部 500 份答案打分。GPT-6.1 Sol 最高，9.72 分（满分 10 分）；Opus 8.57 分；Sonnet 和 Haiku 在 7.7 到 7.8 分之间。ultra 档并不比 max 档好。按官方 Batch API 价格，给整个图库写描述，medium 档的 Sol 大约 $240（9.56 分），Opus 要 $661，Luna 只要 $11 到 $20，分数还比 Haiku 高。

为什么要测

我每天大部分时间在写代码、跑 agent 工作流、做自动化，用得最多的就是 Claude Opus 5.5。这类工作上，我的感受一直是它比 GPT-6 快，也更好。所以想让 AI 给照片写描述、打标签时，我想都没想就选了 Opus。

这个图库是我 25 年的生活：142,521 张照片，从早年的数码相机到上周的手机照片，光截图就有一万六千多张，几乎都没写过描述。我希望每张照片都有标题、描述和搜得到的关键词，放进合适的相册；如果是重复或没用的照片，也要老实标出来。真要为 14 万张照片花钱之前，我想先搞清楚哪个模型做得最好，差别又值多少钱。

我原本以为 Opus 会赢。结果在这 50 张照片上，GPT-6.1 Sol 高出了一分多。

结果一览

图 1：两位盲评的平均分，满分 10 分。

成本按各厂商官方 API 价格，给全部 142,521 张照片写描述计算。

按这次的结果，我会这样选：

• 只看分数，选 GPT-6.1 Sol 的 max 档。
• 我自己的图库，选 GPT-6.1 Sol 的 medium 档。拿到最高分的 98%，只要 $240，大约是 Opus 的三分之一。
• 预算很紧，选 GPT-6 Luna 的 max 档。只要 $20，分数比同价位的 Haiku 高，也比成本贵约 17 倍的 Sonnet 高。
• 不选 Claude Sonnet 5.5：价格中等，分数最低。

参加测试的模型

两家的价格档位正好对得上：GPT-6.1 Sol 和 Claude Sonnet 5.5 单价相同，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 之间。所以单价相同的模型，处理同一批照片时，谁用的 token 多，谁就更贵。

Claude 模型各按默认设置跑了一次，Opus 默认是 medium 档；GPT 模型我测了好几个档位。两边都用 medium 档时，GPT-6.1 Sol 得 9.56 分，Claude Opus 5.5 得 8.57 分，这样比较最公平。

怎么测的

我用的是当时图库里最新的 50 张照片，不含视频，就是普通一周的手机相册：家里和出去逛街时的家庭照、高楼窗外的城市景色、桌上的一张存储卡、电子元件的商品详情页截图、订单物流截图、一条社交媒体帖子、一个停车优惠二维码立牌，还有一个充电桩标签。

每张照片，每个模型都要做五件事：写一个短标题；写一到三句中文描述；给 5 到 12 个中英双语关键词；从我已有的相册里选一个最合适的，或者不选；打一个质量分，并说明该留还是该删，重点看重复、拍废、过期截图和没有保存价值的照片。所有模型拿到的指令和每张照片的上下文都一样，每次处理 10 张。

图 2：50 张测试照片中的一张，以及其中三个模型写的描述。注意它们怎么处理地名，后面会再讲到。照片中的路人已模糊处理。

怎么评分

我没有自己打分。我天天用 Claude，测试前就认定 Opus 会赢，自己打分难免偏心。

我把每张照片的 10 份答案打乱，标成 A 到 J，每张照片重新随机一次。两位评审对着照片，各自独立给 500 份答案打分：一位是 Anthropic 能力最强的 Claude Fable 5.1，另一位是 OpenAI 的前沿模型 GPT-6 Astra（xhigh 档）。

图 3：盲评流程。

每份答案按五项打分，每项 0 到 2 分，满分 10 分：

两家各请一位评审，是想看看有没有谁偏袒自家模型。两位评审的结论很接近：500 组配对分数的相关系数是 0.71，排在前五的都是同样五个 GPT 配置。Claude 评审也把 GPT-6.1 Sol 和 GPT-6 Astra 排在 Claude Opus 前面。GPT 评审整体打分更严，给 Claude 模型的分扣得最多。

图 4：每位评审给各配置的平均分。

测试结果

图 5：两位评审合并后的各项平均分。带星号的分数被下文提到的评分失误压低了。

GPT-6.1 Sol 和 GPT-6 Astra

Sol 和 Astra 基本只写画面里能确认的内容，文字读得准，很少写出照片里看不出来的东西。本地地名也是它们处理得最好，这对在国内拍的照片很重要。

图 6：两道本地地名题。勾表示写对了中文名，叉表示按字面直译，EN 表示保留了英文。

有几张照片的定位是 Rainbow Department Store，这是深圳连锁商场天虹的英文名，直译成「彩虹百货」就错了。所有 Sol 和 Astra 配置都写对了，Opus 和 medium 档的 Luna 也对；Haiku、Sonnet 和 max 档的 Luna 用了直译。图 2 那张咖啡店照片的定位是 Galaxy Shengshi，中文名是星河盛世。所有 Sol 和 Astra 配置都写成星河；Opus 和 Sonnet 直译成了银河；Haiku 和两个 Luna 配置直接保留了英文。

删照片它们也很谨慎，50 张里只建议删 4 到 6 张。测试集里有 8 张电子元件的商品详情页截图，GPT 模型几乎都留下了，只有一个 Sol 配置把其中一张标成近似重复；Claude 模型各标了两到四张要删。两位评审都认为应该留，因为这些页面上有引脚定义、尺寸和板子实物照片，以后我还要查。

Claude Opus 5.5

Opus 有时会把画面里无法确认的内容也写进描述。它会写出单看照片无法确定的关系，比如兄弟姐妹、父母和孩子。姿势也有写错的时候：一张照片里孩子站在大人身后，它写成孩子趴在大人背上。两位评审都为此扣了分。

这一点让我很意外。盲测之前我先看过一遍结果，当时还夸 Opus 猜对了两个孩子是姐弟。我认识自己的家人，评审不认识。可是 14 万张照片，我不可能每条描述都自己核对，写出照片里没有的东西就是隐患。

Opus 也是建议删得最多的模型，50 张里提了 13 张。其中三张商品详情页截图被它说成过期，可上面的参考信息我是要留的。它也是唯一一个想把停车优惠二维码当成没价值删掉的模型。另外，它还把几张单人照放进了「全家福」相册。

Claude Sonnet 5.5 和 Haiku 5.5

这两个模型事实错误最多，把天虹直译成「彩虹」的也有它们。Sonnet 选相册最弱，把日常照片放进了一个不相关的旧活动相册。Haiku 编了一个细节，结果删错了照片：一组几乎一样的连拍里，它说最好的一张有人在低头，跟照片正好相反，还建议删掉。

GPT-6 Luna

Luna 单价和 Haiku 一样，两个档位的分数却都比 Haiku 高：8.41 和 8.11，Haiku 是 7.81。max 档得分也高于 Sonnet；同样给这个图库写描述，Sonnet 的成本贵约 17 倍。Luna 主要在实用性和相册上丢分，描述比较平淡，相册也选得不够准。

推理强度

图 7：不同推理强度的得分。橙色线是默认设置下的 Claude Opus 5.5。

这次 Sol 和 Astra 都是 max 档比 ultra 档得分高：Sol 在 max 档 9.72 分、ultra 档 9.59 分，Astra 分别是 9.61 和 9.58 分。这次 ultra 档的输出 token 甚至比 max 档少。Sol 的 medium 档也很接近，9.56 分，成本不到 max 档的一半。推理强度高，细节也不一定更准：medium 档的 Luna 写对了天虹，max 档反而写错了。

我评分里的一个失误

评分做完之后我才发现，写描述的模型拿到了每张照片的拍摄日期和时间，评审却没有。所以 GPT-6 Astra 评审把描述里写了具体日期或时间的地方当成了编造。排在前面的 GPT 配置最常写日期，「无编造」这一项的分数因此被压低了。

只把因为日期扣掉的分加回去，前四名 GPT 配置会升到 9.84 到 9.90 分，基本打平；Opus 还是 8.58 分。文中我保留了原始分数，下次会把模型看到的信息全部给评审。

速度

图 8：每批 10 张照片的实际耗时。这不是严格的延迟测试，两家模型是通过不同渠道调用的。

这和我平时的感觉一致：Opus 很快，大约是 max 档 Sol 的 3 倍。不过 medium 档的 Sol 和 Opus 一样快，分数还高出差不多 1 分。

要花多少钱

所有配置我都按厂商官方 API 价格来算。如果把订阅套餐里包含的用量当成免费，有些模型就会显得比实际更划算。

官方价格（每百万 token，标准档）：

两家的 Batch API 都便宜一半，这种不需要马上出结果的任务正好合适。价格来自 Anthropic 定价页（claude.com/pricing）和 OpenAI API 定价页（developers.openai.com/api/docs/pricing），2026 年 10 月 20 日核对。

图 9：按 Batch 价格给整个图库写描述的成本与得分。成本轴为对数坐标。

medium 档的 Sol 拿到最高分的 98%，成本只有 Opus 的 36%、max 档 Sol 的 43%。Astra 质量和 Sol 差不多，价格却是大约 5 倍，因为它的单价就是 Sol 的 5 倍。Opus 比 max 档的 Sol 还贵，分数却更低；它跑的已经是 medium 档，但单价是 Sol 的两倍。Luna 给整个图库写描述只要 $11 到 $20，得分还高于 Claude 的 Haiku 和 Sonnet。

方法说明：GPT 的 token 数来自运行实测，Claude 的 token 数根据运行日志估算。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，所有模型都没有计入提示缓存等其他折扣。

我的收获

我先按写代码的习惯选了 Opus，等盲评结束才发现选错了。写代码、跑工作流，我还是更喜欢 Claude Opus 5.5，我自己用下来，它更快，效果也更好。描述真实照片是另一回事：要看清画面里到底有什么，不能自己补出姿势和关系。这一点 GPT-6.1 Sol 做得更好。如果我按习惯直接用 Opus、不做盲测，就会花更多的钱，拿到更差的描述。

下次我先盲测，让至少两家厂商的评审模型拿到写描述时的全部输入。比较成本也继续按官方 API 价格算。推理强度不是越高越好：这次 ultra 没赢 max。

最好的模型偶尔也会把有用的照片标成要删，所以每一条删除建议，我都会自己看过再删。

局限

这次测试规模不大：50 张同一个城市的近期照片。老照片、扫描文件、其他语言和视频都没测。Claude 模型只跑了默认设置，高推理强度的 Opus 也许分数更高，成本也会更高。评审是 AI 模型，不是人；两位评审结论接近，但不完全一致，如果有人工抽查会更扎实。模型和价格变化很快，文中所有数字截至 2026 年 10 月。

我的选择

我的图库：GPT-6.1 Sol，medium 档。写代码和跑工作流，我还是继续用 Claude Opus 5.5。