长文档与多文件处理
可直接上传 Word、PDF、Excel、PowerPoint、CSV、代码和图片等格式，一次给多份材料让它对照分析。官方列出当前模型上下文窗口多在 100 万 token 量级，Haiku 为 20 万；超大材料仍建议按主题拆分后再问。
搜索内容为网络公开分享链接的搜索索引，本站不存储、不上传任何资源文件，也不对第三方链接内容的合法性与安全性负责。资源仅供个人学习与试看，请于 24 小时内删除。
Anthropic
Anthropic 推出的 AI 助手，擅长长文本理解、写作与编程辅助。
Claude 是 Anthropic 的人工智能助手，覆盖网页、手机、桌面客户端与开发者接口。它强调接手具体工作而非只回答问题：一次读入多份长文档与表格，联网检索补信息，记住跨对话的背景，最后产出文档、表格和幻灯片等文件供人审核。开发者一侧有模型接口、命令行工具与连接器，便于把能力接进现有系统。产品线按个人、团队、企业划分，额度与管理能力逐级增强，适合要处理长材料并保留人工把关的个人与团队。
可直接上传 Word、PDF、Excel、PowerPoint、CSV、代码和图片等格式，一次给多份材料让它对照分析。官方列出当前模型上下文窗口多在 100 万 token 量级，Haiku 为 20 万；超大材料仍建议按主题拆分后再问。
在对话里提出要求后，它可以产出文档、表格和幻灯片这类实际文件，而不是只给一段文字，你可以打开检查、修改后签核。生成结果属于初稿，涉及数字、引用和结论时需要自己核对，复杂排版和品牌模板仍要人工调整，企业场景建议先定好输出规范。
开启联网搜索后，它会在回答里引用网页来源，方便核对最新价格、政策或产品信息，减少凭记忆作答。研究模式适合多步骤调研，会花更长时间做检索与整理。前提是信息确实在公网上，付费档的检索额度更宽，来源可靠性仍要自己判断。
它可以记住你的偏好和长期背景，让后续对话不必反复交代，也能把相关对话、文件和指令放进项目里集中管理，团队档还支持项目共享与协作。免费档项目数量有上限，记忆内容可以在设置里查看和删除，敏感信息不要长期留在其中。
内置代码执行可以处理你上传的数据文件、做统计与画图，也能生成脚本，产出以文件形式交付。适合数据分析、格式转换和批量处理这类任务。运行环境与可用库有边界，涉及私有数据时要评估输入内容范围，关键计算建议用本地环境复算。
通过连接器可以把常用服务接进来，让它读取范围内的资料再作答，扩展则让它直接在你使用的浏览器和办公软件里工作。前提是账号所在套餐支持相应能力，企业版可集中管理连接器权限与部署范围，接入前需要确认数据访问边界和合规要求。
Anthropic 在 2026 年 7 月发布 Claude Opus 5，官方称其接近 Fable 5 的前沿智能而价格约一半，在编码与知识工作评测上超过上一代 Opus 4.8，单位任务成本更低，是 Max 的默认模型。
2026 年 9 月起 Anthropic 把 Claude Cowork 与聊天合并成同一个 Claude，先向 Pro 和 Max 用户滚动推送。原有对话、项目、产物、连接器和技能都在原处，用户可以接着做，任务不必再选择放在哪个入口。
Anthropic 在 2026 年 9 月发布 Fable 5.1 与 Mythos 5.1，官方描述为面向编码与知识工作的进阶模型。开发者文档给出的 API 标识是 claude-fable-5-1，默认高投入度，适合长周期智能体任务。
为符合欧盟人工智能法案对生成内容的标注要求，Anthropic 说明后续 Claude 模型生成的文本会带水印，用于判断内容与 Claude 相关的可能性，并强调水印不改变输出质量、不增加 token 成本、不携带可追溯到个人的信息。
产品经理一周内做完十几场用户访谈，录音转写和竞品资料堆在一起，还要交一份结论。做法是把多份材料一起上传，让它按主题归类痛点，把量化结果整理成表格，再据此生成汇报大纲，自己逐条核对原话与数据。结果是原本两天的整理工作压缩到半天。
工程师接手陌生仓库，先要弄清调用链才能改一个支付逻辑。做法是把仓库交给 Claude Code，让它定位相关文件、解释数据流，生成改动方案和小步补丁，改动由本人审阅后再提交测试。结果是熟悉代码的时间缩短，回归风险由人工审查控制。
咨询顾问需要在短时间内交付行业分析与方案框架。做法是上传访谈纪要和公开报告，用搜索补最新数据与政策，让它整理框架、对标案例和测算表格，自己核验口径与来源后重写结论。结果是初稿成型快，判断与结论仍然由顾问负责。
研究生要读大量英文论文并把结论整理成综述。做法是逐篇上传提要，让它提取方法、样本和结论，汇总成对比表格，标出相互矛盾之处，再回到原文核对关键段落。结果是筛选文献的速度提升，引用与原文的一致性由本人把关。
运营每周要合并导出的多张报表并画出趋势。做法是上传数据文件，让它写脚本做清洗、按维度汇总并出图，同时把口径写进说明，自己抽样核对结果后再交付。结果是重复的表格工作省下来，指标口径能沉淀成可复用的脚本，下次只需换数据。
免费档 0 美元，用量有限
| 版本 | 价格 | 说明 |
|---|---|---|
| Free | $0，所有人可用 | 覆盖网页、iOS、Android 与桌面端聊天，可联网搜索、执行代码、创建文件、使用记忆与连接器。用量限制适用，流量高峰时访问优先级低于付费档。 |
| Pro | 月付 $20，年付折合 $17 | 官网标注年付一次性支付 $200，折合每月 17 美元，月付为 20 美元。含更高用量，以及 Claude Code、Cowork、Design |
| Max | 每月 $100 起 | 官方标注从每月 100 美元起，可选 5 倍或 20 倍于 Pro 的用量、更高的输出上限、新功能早期体验与高峰时段优先访问。 |
| Team | 标准席位 $20 起，年付 | 面向 2 至 150 人的团队，标准席位年付每席每月 20 美元，月付 25 美元；高级席位为 5 倍用量，年付每席每月 100 美元。 |
| Enterprise | 席位费加按 API 计费的用量 | 官网标注每席每月 20 美元按年计费，加按模型和任务计算的用量费用。含花费上限、角色权限、审计日志、自定义数据保留与单点登录等管理能力。 |
以上为 claude.com/pricing 公开标注的美元价格，不含税费，官方声明价格与套餐可能调整。团队与企业档按席位与用量计费，实际支出取决于成员数量与使用强度。
免费档可以正常用：网页、iOS、Android 和桌面端都能聊天，可以联网搜索、写代码、处理文件与执行代码，对话之间有记忆，也能通过连接器接入外部服务，并且支持扩展思考处理较复杂的问题。额度上，官方在定价页明确写了用量限制适用，并且是按滚动时间窗口计算，不是每月固定条数；免费用户的额度低于付费档，流量高峰时段付费用户享有优先访问，所以同一时间免费用户可能更早碰到上限。付费档的价值主要体现在更高的额度、更多的模型选择、以及 Claude Code、Research、Design 等能力，团队与企业档还额外提供集中管理、单点登录和审计等管理功能。具体数值官方未固定公布，会随模型和时段调整，以账号内提示为准。
官方在定价对比中以「模型训练」一栏标注了各档位的设置，消费者档位提供退出选项，团队与企业档默认不使用你的内容训练模型，企业档还可以配置数据保留策略，这也是不少公司选择团队或企业档的原因。需要注意几点：不同套餐、不同地区的默认状态可能不同，开通后应当在设置里确认当前状态；把内容交给任何云端模型处理，都等于内容离开了自己的设备，涉及客户数据、未公开财报或受监管信息时，要先过一遍公司自己的合规要求；对话内容可以删除，但删除操作与保留策略的关系要看官方隐私政策的最新说明。商业使用前建议读一遍当前的服务条款与隐私政策，而不是依赖第三方转述。
两者定位接近，取舍看具体工作。ChatGPT 在通用对话、图像生成、语音交互和消费级插件的覆盖面上更宽；Claude 被官方强调的地方是长文档处理、按指令产出可编辑的文件，以及通过连接器接入工作资料后完成任务，对需要反复处理长材料并交付文件的人更顺手。如果你主要是问答和写作灵感，两者都能满足，可以先各自用一个真实任务试；如果工作里有大量 PDF、表格和会议记录要一次喂进去，先测长文本和文件输出的稳定性；如果要接入内部系统，则要比较两家在权限管理、审计日志和数据保留策略上能否满足公司的合规要求。两边都提供免费档，用同一个真实任务做对比比看评测榜单更可靠。
主要有四类。首先是事实准确性：模型会给出看似确定但错误的内容，涉及数字、法律条文、医疗建议和引用时必须以原始来源核对。其次是资料边界：上传前确认文件里没有不该外传的内容，企业内部资料按公司规定处理，必要时先脱敏。再者是产出的可追溯性，官方已说明后续模型生成的文本会带水印以配合生成内容标注要求，对外发布的内容需要按所在地区的规则处理。最后是成本与额度：付费档按订阅计费但有用量限制，接口按 token 计量，把模型接进自动化流程前先估算用量并设置花费上限，避免任务规模失控带来意外账单。
官方文档给的思路是先按任务类型选。日常编码、写作和一般分析可以从最新的主力模型开始，它们在价格和能力的平衡上更成熟；需要长时间、多步骤自主完成任务，或者对推理深度要求高、试过主力模型仍达不到效果时，再换用更高一档的模型；对响应速度和成本敏感、任务又相对简单的场景，用小模型更划算。具体到当前阵容，开发者文档列出的是 Fable 5.1、Opus 5、Sonnet 5 和 Haiku 4.5，模型能力和价格差异明显，界面与接口里会标注可选项。判断方法是用自己的真实任务各跑一遍，比较完成质量和单位成本，而不是只看公开评测分数，因为评测集与你的工作内容未必接近。