烧3亿Token实测DeepSeek搜索API：与Claude搜索五轮对决

AI回答准不准，一半看模型本身，一半看它背后调用的搜索能力。模型是答题的脑子，搜索则是替它翻资料的助手。当DeepSeek开始单独售卖自家搜索API，且定价仅为1000次5元时，一个关键问题浮出水面：它真的比Claude自带的搜索更好用吗？

B站UP主「懒得理你」自费消耗3亿Token，做了一场全网首个将DeepSeek^广告搜索与Claude搜索放在一起对比的开源评测。测试不仅覆盖中英文，还延伸至日语、韩语、泰语等小语种，从准确率、速度、成本到诚实度五个维度展开五轮对决。本文将结合实测数据与截图，拆解这场搜索API之争的真实结果。

测试设计：公平比卷与开卷规则

为了公平对比，评测设定了一套类似考试的规则：每个模型先闭卷答题一遍（不允许搜索），再开卷答题一遍（允许搜索）。开卷时最多搜索五次，只能查看搜索返回的结果和摘要，不能点进原网页，以此纯粹比拼搜索本身递回的信息质量。算分规则为：答对加5分，答错硬交扣3分，不答不扣分，从第二次搜索起每搜一次扣1分。

主角选择Claude，因为它是当时最强档位的模型，且能同时配置两种搜索——Claude的搜索不对外提供，而DeepSeek的搜索可以外带给任何模型使用。测试派出Claude Sonnet和Opus，对比DeepSeek的Flash和Pro两档，共十组考题一百道题，中英文各半，大部分来自谷歌和阿里淘天公开题库，其余为自拟冷知识和近期新闻。判卷采用盲判，由Claude、DeepSeek各出一位裁判，再请OpenAI的GPT一位，三票两胜，连考试程序也是GPT写的。

开卷/闭卷测试：借鉴教育评估中的开卷与闭卷考试形式，闭卷指模型仅凭内部知识作答，开卷则允许模型调用搜索工具获取外部信息。这种设计能分离模型固有知识与其利用外部信息的能力。盲判：指裁判在不知道答案由哪个模型生成的情况下进行评分，以避免偏见，类似于学术评审中的双盲实验。三票两胜：采用多数投票机制，由三个独立裁判（Claude、DeepSeek、GPT）分别评判，取多数结果作为最终判定，提高评分的客观性。

第一轮：准确率——开卷后差距悬殊

剔除八道答案模糊的题后，按92道计算。闭卷时，四个模型答对60到73道，最近一个月的新闻题全军覆没得0分。一开卷，所有模型答对87道以上。最便宜的Flash开卷后，比最贵的Opus闭卷还多对18道。

同一个Sonnet，用自家搜索有五道没答对，换上DeepSeek搜索后全部答对。其中一道题问「给小桃的信的导演是谁」，Claude的搜索翻回来的是情书相关内容，没答出来；DeepSeek搜索一次就找到了导演冲浦启之。不过两边只差这五道，还不能排除运气。高档的Opus更干脆，两种搜索都是全对。但Claude的搜索平均要多搜几次，一算分，DeepSeek小胜。

为什么Claude要多搜？因为Claude的搜索会先交给自家一个小模型读一遍，只递回两千来字的摘要；DeepSeek直接递回十条结果，一万多字。资料少，自然要多搜几次。只是第一轮题太简单，开卷几乎全对，分差未能拉开。

搜索API的返回机制差异：Claude的搜索会先由内部小模型对搜索结果进行摘要，仅返回约2000字的浓缩信息；而DeepSeek搜索直接返回十条原始结果，总计约一万多字。这种差异导致Claude搜索需要更多次调用才能获取足够信息，但摘要可能丢失细节；DeepSeek搜索单次信息量大，但可能包含冗余内容。Token消耗：在AI模型中，Token是文本处理的基本单位，搜索返回的字数直接影响Token消耗，进而影响处理成本和速度。

第二轮：小语种——DeepSeek搜索优势明显

第二轮换上难度更高的多语种题库，来自当年七月公开的多语种数据集，照当地资料出题而非从英文翻译，覆盖日语、韩语、泰语、印尼语、俄语、西班牙语，每种二十道。试跑时DeepSeek账户曾因余额不足报错一次，可见消耗之大，正式开考前只好请GPT来当裁判。剔除二十五道模糊题后按95道计算。

结果难度陡增：开卷时四个模型只答对36到56道。给Claude开卷，Sonnet用自家搜索答对73道，换上DeepSeek搜索后飙到85道；Opus从83道涨到90道。差距最大的是日语：用DeepSeek搜索的四个考生二十道全对，用Claude搜索的只对了十五、十六道。Sonnet的分数几乎翻了一倍。

第三轮：速度与成本——各有胜负

同一套DeepSeek搜索交给两家的模型，又是另一场比赛。高档对高档、小语种场景，Claude的Opus答对90道，DeepSeek自家Pro答对83道；中档Flash还多对三道。但Flash平均搜两次半，Sonnet只搜一次半，算分后Sonnet赢。四场算分全是Claude的模型赢，其中DeepSeek搜索赢的那一场只有一位裁判，UP主随后又用多个Agent复核了两轮。

速度上，同一个Sonnet用Claude自家搜索每道题要二三十秒，换上DeepSeek搜索只要十秒出头，原因是Claude搜索多了小模型写摘要的步骤。这一轮DeepSeek赢。

成本上，按标价，同样搜一次Claude搜索的价钱是DeepSeek的十三倍。但Sonnet换上DeepSeek搜索后，一道题反而贵了两成多——因为开发者用Claude是按读进去的字数付费，DeepSeek递来的资料多了好几倍，搜索省下的钱全花在读资料上。换成Opus，贵了一半还多。更便宜的组合是DeepSeek模型配DeepSeek搜索：Sonnet一道题五毛多，Flash只要四分钱。这一轮打平——DeepSeek搜索单价便宜但处理贵，Claude搜索单价贵但处理便宜。

第四轮：诚实度——Claude更少幻觉

最后一轮比诚实：不会的题是直说不知道，还是硬编一个？开头那道「给小桃的信」的导演题，Claude搜索没找到就直说没查到，没用别的片子充数。闭卷时评测方交代过不知道就说不知道，但答错也分几种：直说不知道、答了一半猜了一个又说不一定对、以及斩钉截铁答错——最后这种就是常说的幻觉。

两轮加起来，斩钉截铁答错的次数：Opus一道、Sonnet四道、Flash十八道、Pro二十六道。这一轮Claude赢。

幻觉（Hallucination）：指AI模型生成看似合理但实际错误或虚构的信息，是评估模型可靠性的关键指标。在搜索增强的场景下，模型可能因搜索结果的误导或自身知识缺陷而产生幻觉。诚实度评估：通过区分模型在不确定时的回应类型（直接承认不知道、猜测但声明不确定、斩钉截铁答错）来量化模型的诚实性，斩钉截铁答错即典型幻觉，对用户体验危害最大。

五轮总结与不可测的边界

五轮比完：比搜索的四轮，DeepSeek以几分钱优势赢三轮、平一轮；比模型的附加赛和诚实度，Claude全赢。两轮的最高分都由Claude的Opus搭配DeepSeek搜索取得。

UP主也澄清了测不出来的部分：小语种题有些出处其实是中英文网页，说明不了DeepSeek小语种网页收得更全；两家的模型和搜索都在更新，这只是十月的一次结果，每道题也只考了一次；不许点开网页其实对Claude搜索不利，平时它会自己点开网页读原文；论价位Flash更接近Claude的Haiku，但Haiku已经在Claude搜索里帮忙写摘要，这次没让它单独考。

全部题目、考试程序和原始记录均已开源，链接在视频置顶评论。这场评测的价值不在于给两家搜索下定论，而在于提供了一套可复现的评测框架——在AI搜索API逐渐成为基础设施的当下，开发者需要的不只是单价，更是搜索质量、处理成本与诚实度的综合权衡。