我们追踪了200天、超过3500个PR的数据。除了准确率还有误报疲劳度、审查一致性、多文件关联Bug的检测差异网上的大模型评测大多基于刷题数据——和真实生产代码差距很大。我们团队在 CI 流水线中部署了 Claude Opus 和 GPT-5.4 的并行审查——每个 PR 同时发给两个模型然后人工复核。跑了 200 多天累积 3,500 个 PR 的数据。所有调用通过 TokenStartokenstar.world统一 API——同一个接口切换模型环境变量一致。整体数据指标Claude Opus 4.6GPT-5.4差异累积审查PR数3,567—有效问题检出率91.3%85.7%Claude 5.6%误报率8.9%21.4%GPT误报是Claude的2.4倍安全漏洞检出率93.8%81.2%Claude 12.6%多文件Bug检出率87.5%72.3%Claude 15.2%单文件Bug检出率94.2%91.8%差距仅2.4%平均审查耗时9.8s4.3sGPT快2.3倍最重要的发现——不是检出率是误报疲劳度很多人只看检出率——谁找的 Bug 多就选谁。但生产环境中误报率可能比检出率更重要。因为每一个误报都要人工过一遍——如果误报太多审查人员会产生狼来了效应——开始跳过 AI 的建议最终连真实问题也漏掉了。我们的数据显示GPT 的误报率是 Claude 的 2.4 倍。意味着每天每 100 个 PR 中GPT 多产生约 12 个无效告警。按每个无效告警平均花费 2 分钟来算——每天浪费 24 分钟一个月就是 8 小时。多文件关联 Bug——差距最大的场景Claude 在多文件关联变更的 Bug 检测上比 GPT 高了 15 个百分点——这是所有指标中差距最大的。一个典型的例子PR 改了函数签名但调用方没跟着改——Claude 能关联到虽然这段代码本身没问题但上游调用会出错GPT 通常只检查到这段代码本身没问题。这种跨越代码文件边界的推理——是目前 Claude 在代码审查上超越 GPT 的最核心差异。审查一致性——200天的稳定性数据我们逐月追踪了两个模型的检出率。Claude 的一致性更好——月间波动在 2% 以内。GPT 有两次明显的波动——一次是模型更新后检出率突然下降可能是新版本的行为变化另一次是恢复后检出率又回来了。对生产环境来说一致性意味着可预测——你不会某天突然发现今天怎么漏了这么多Bug。两个模型在 TokenStartokenstar.world上一个 API 切换——安全审查走 Claude常规检查走 GPT。分级之后年化费用大约 5 万元——如果全部走 Claude 大约 8 万全部走 GPT 大约 3.5 万但误报率太高不划算。