Der vio Prosa-Benchmark · v1

Welche KI schreibt die beste Prosa?

Wir haben 18 Modellen dieselben Schreibvorgaben gegeben: 2,213 Passagen in 7 Aufgabenarten und 21 Sprachen, blind bewertet von Modell-Juroren. Textauszüge von fünf echten Romanautoren wurden unbeschriftet beigemischt. Alle Ergebnisse und Rohdaten finden Sie hier.

Durchlauf erfasst 2026-08-28So wurde gemessen

Empfehlungen

Welches Modell sollten Sie wählen?

Der Gesamtsieger passt vielleicht nicht zu Ihrem Buch oder Budget. Prüfen Sie vor der Wahl Sprachunterstützung und Preise.

Beste Prosa

GPT-5.6 Terra

Gewann die meisten Blindvergleiche: 0.84 von 1, Platz 1 im Gesamtranking.

Prosaqualität: 0.84
pro 1.000 Wörter: $0.016

Zweiter Platz

Claude Opus 5

Handwerksscore 0.82, direkt hinter dem Spitzenreiter, mit der besten Prosa außerhalb des Englischen: 5.0 von 5 über 21 Sprachen.

Prosaqualität: 0.82
pro 1.000 Wörter: $0.048

Preis-Leistungs-Sieger

DeepSeek V4 Pro

Handwerksscore 0.65, bis auf 25 % an der Spitzenqualität bei $0.0024 pro 1.000 Wörter (7× günstiger als der Spitzenreiter).

Prosaqualität: 0.65
pro 1.000 Wörter: $0.0024

Günstigstes mit solider Leistung

DeepSeek V4 Flash

$0.0003 pro 1.000 Wörter bei solider Prosaqualität im Mittelfeld.

Prosaqualität: 0.52
pro 1.000 Wörter: $0.0003

Bewertungspanel

4 Juroren, 1 ausgeschlossen

Die Juroren lesen jeden Text blind, und das Panel wird validiert, bevor Wertungen zählen. Wir mischen echte veröffentlichte Literatur unbeschriftet bei: Jeder Juror, der Maschinen über menschliche Romanautoren setzt, wird disqualifiziert. Null Modelle über menschlicher Prosa ist die Baseline. Ein schwaches Kontrollmodell muss zudem den letzten Platz belegen. Kein Juror bewertet Modelle des eigenen Herstellers; der eigene Labor-Bias wird erfasst und unten offengelegt.

DeepSeek

Modelle über menschlicher Prosa: 5 of 17
Kontrollmodell auf dem letzten Platz: yes
Panel-Übereinstimmung: 0.94
Hersteller-Bias: +0.05

ausgeschlossen: bewertete Modelle über menschlichen Autoren

Claude Fable 5

Anthropic

Modelle über menschlicher Prosa: 0 of 16
Kontrollmodell auf dem letzten Platz: yes
Panel-Übereinstimmung: 0.94
Hersteller-Bias: +0.03

Wertungen zählen

Gemini

Google

Modelle über menschlicher Prosa: 1 of 17
Kontrollmodell auf dem letzten Platz: yes
Panel-Übereinstimmung: 0.93
Hersteller-Bias: +0.07

Wertungen zählen

GPT-5.6 Terra

OpenAI

Modelle über menschlicher Prosa: 0 of 17
Kontrollmodell auf dem letzten Platz: yes
Panel-Übereinstimmung: 0.93
Hersteller-Bias: +0.11

Wertungen zählen

DeepSeek ausgeschlossen: setzte 5 Modelle über die menschliche Baseline. Die Wertungen auf dieser Seite bündeln 3 Juroren, einen pro Labor: Claude Fable 5, Gemini, GPT-5.6 Terra.

Gesamte Rangliste

Die Rangliste

Sortiert nach Prosaqualität: Siegrate in verblindeten Direktvergleichen über alle Vorgaben hinweg (1,00 = hat jeden Vergleich gewonnen).

Alle 18 Modelle, plus ein schwaches Kontrollmodell in der letzten Zeile.
	Modell	Prosaqualität	Stilbandbreite	21 Sprachen	Erwachsenenliteratur	pro 1k Wörter
1	GPT-5.6 Terra	0.84	0.73	4.8	9/15	$0.016
2	Claude Opus 5	0.82	0.90	5.0	14/15	$0.048
3	GPT-5.6 Luna Pro🧠	0.71	0.61	4.7	9/15	$0.0081
4	Gemini 3.7 Flash🧠	0.70	0.76	4.8	15/15	$0.0073
5	Claude Sonnet 5	0.66	0.71	4.8	14/15	$0.019
6	DeepSeek V4 Pro	0.65	0.61	4.9	12/15	$0.0024
7	MiniMax M3	0.62	0.62	4.2	11/15	$0.0027
8	Kimi K3	0.62	0.59	4.2	13/15	$0.030
9	Grok 4.6🧠	0.56	0.61	4.5	14/15	$0.035
10	GLM-5.2	0.53	0.62	2.6	14/15	$0.0052
11	DeepSeek V4 Flash	0.52	0.46	4.2	14/15	$0.0003
12	Grok 4.3	0.48	0.47	4.3	15/15	$0.0046
13	MiMo v2.5 Pro	0.45	0.41	4.2	10/15	$0.0015
14	Qwen3.7 Max🧠	0.37	0.47	4.4	15/15	$0.033
15	Claude Haiku 4.5	0.30	0.29	3.6	14/15	$0.0074
16	Gemma 4 31B	0.21	0.29	4.1	15/15	$0.0004
17	Mistral Medium 3.5	0.19	0.24	1.5	13/15	$0.010
18	Llama 4 Scout	0.06	0.08	2.5	9/15	$0.0004
	Llama 3.1 8B	0.01	0.03	1.2	4/15	$0.0001

Die ausgegraute Zeile ist ein schwaches Kontrollmodell zur Überprüfung der Testpipeline. 🧠 kennzeichnet Modelle, die mit aktiviertem Reasoning getestet wurden (Reasoning-Tokens sind in den Kosten enthalten).

Score-Verteilung über die Modelle. Fehlerbalken zeigen das 95%-Konfidenzintervall beim Resampling der Vorgaben.

Menschlicher Maßstab

Wir haben Dickens unter die Texte gemischt

Wir haben unbeschriftete Textauszüge von fünf veröffentlichten Romanautoren in die Blindbewertung gemischt: Charles Dickens, George Eliot, James Joyce, Peter Watts und Cory Doctorow. Über 6 Runden hinweg bewerteten die Juroren 24 Passagen rein nach Prosaqualität, ohne Prompt-Kontext und ohne Hinweis darauf, dass menschliche Texte enthalten waren.

Durchschnittliche Platzierung über sechs Blindrunden mit 24 Passagen (niedriger ist besser). Grüne Zeilen kennzeichnen menschliche Autoren.
	Autor	Rang-Ø	95%-Bereich
1	Eliot, Middlemarch (1871)Mensch	2.94	2.0–3.9
2	Dickens, Great Expectations (1861)Mensch	3.11	1.9–4.3
3	Joyce, Dubliners (1914)Mensch	3.22	2.3–4.2
4	Claude Opus 5	4.08	3.2–5.0
5	Watts, Blindsight (2006)Mensch	5.28	3.8–6.8
6	MiniMax M3	8.00	6.4–9.6
7	Claude Sonnet 5	9.33	7.6–11.1
8	GPT-5.6 Terra	10.00	8.1–11.9
9	GPT-5.6 Luna Pro	10.83	8.8–12.9
10	Gemini 3.7 Flash	10.83	8.7–13.0
11	GLM-5.2	11.83	9.9–13.7
12	Doctorow, Little Brother (2008)Mensch	12.00	9.5–14.5
13	Grok 4.3	12.17	10.4–14.0
14	Kimi K3	13.44	11.4–15.5
15	DeepSeek V4 Pro	13.72	12.5–14.9
16	Grok 4.6	15.39	13.4–17.3
17	MiMo v2.5 Pro	15.83	14.1–17.6
18	DeepSeek V4 Flash	16.89	15.7–18.1
19	Qwen3.7 Max	16.94	15.0–18.9
20	Claude Haiku 4.5	19.08	17.7–20.5
21	Gemma 4 31B	20.42	19.9–20.9
22	Mistral Medium 3.5	20.44	19.4–21.5
23	Llama 4 Scout	23.11	23.0–23.3
24	Llama 3.1 8B	23.89	23.7–24.0

Wichtigste Erkenntnis Menschliche Autoren erzielten im Schnitt Rang 5.3; KI-Modelle erreichten 14.5. Jedes Modell landete hinter Dickens, Eliot und Joyce; das am besten platzierte Modell, Claude Opus 5, erreichte Rang 4.1. Auch wenn sechs Runden die exakte Rangfolge innerhalb der Spitzengruppe nicht endgültig klären können, ist der Qualitätsabstand zwischen dieser Gruppe und dem restlichen Feld eindeutig.

Mehrsprachige Prosa

Welche KI schreibt außerhalb des Englischen am besten?

Ein Prompt auf Englisch, der Text in einer anderen Sprache verlangt, testet Regeltreue, nicht Sprachbeherrschung. Wir haben jede Vorgabe nativ in der Zielsprache verfasst. Die Juroren bewerteten jeden Text nach einer Kernfrage: Liest sich das wie ein Originaltext oder wie eine maschinelle Übersetzung? Klicken Sie auf eine Zelle, um den Text und die hervorgehobenen Zitate der Juroren zu sehen.

Durchschnittliche Jurornote von 1 bis 5 pro Passage (5 = muttersprachliche Beherrschung, unter 3 = wirkt wie maschinell übersetzt).
Modell	Mittelwert	en	es	pt-BR	fr	de	it	nl	pl	ru	uk	tr	ar	fa	hi	id	vi	th	ja	ko	zh-Hans	zh-Hant
Claude Opus 5	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0
DeepSeek V4 Pro	4.9	5.0	5.0	5.0	5.0	5.0	5.0	4.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	4.0	4.0	5.0	5.0	5.0	5.0
Claude Sonnet 5	4.8	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	4.0	4.0	5.0	5.0	4.0	4.0
GPT-5.6 Terra	4.8	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	4.0	5.0	4.0	5.0	5.0	5.0	5.0	4.0	5.0	5.0	5.0	4.0
Gemini 3.7 Flash	4.8	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	4.0	5.0	5.0	5.0	5.0	3.0	4.0	5.0	5.0	5.0
GPT-5.6 Luna Pro	4.7	5.0	5.0	5.0	5.0	5.0	5.0	4.0	4.0	5.0	5.0	5.0	5.0	5.0	5.0	4.0	3.0	5.0	5.0	5.0	5.0	4.0
Grok 4.6	4.5	5.0	4.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	4.0	4.0	5.0	5.0	5.0	5.0	4.0	3.0	4.0	1.0	5.0	5.0
Qwen3.7 Max	4.4	5.0	5.0	5.0	5.0	4.0	5.0	5.0	5.0	5.0	5.0	5.0	3.0	3.0	5.0	3.0	5.0	3.0	5.0	1.0	5.0	5.0
Grok 4.3	4.3	5.0	4.0	3.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	4.0	4.0	4.0	1.0	4.0	4.0	5.0	2.0
DeepSeek V4 Flash	4.2	5.0	2.0	5.0	5.0	5.0	3.0	5.0	5.0	5.0	3.0	5.0	2.0	5.0	5.0	5.0	4.0	4.0	5.0	5.0	5.0	1.0
MiniMax M3	4.2	5.0	5.0	5.0	5.0	2.0	4.0	4.0	5.0	5.0	5.0	4.0	5.0	5.0	3.0	1.0	5.0	2.0	4.0	5.0	5.0	5.0
Kimi K3	4.2	5.0	5.0	5.0	5.0	5.0	5.0	2.0	1.0	5.0	5.0	5.0	4.0	2.0	5.0	5.0	5.0	1.0	5.0	5.0	4.0	4.0
MiMo v2.5 Pro	4.2	5.0	3.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	4.0	5.0	1.0	5.0	5.0	5.0	3.0	2.0	1.0	5.0	4.0	5.0
Gemma 4 31B	4.1	5.0	3.0	5.0	1.0	5.0	5.0	4.0	4.0	5.0	3.0	2.0	5.0	5.0	5.0	5.0	4.0	4.0	4.0	5.0	4.0	4.0
Claude Haiku 4.5	3.6	5.0	4.0	4.0	4.0	5.0	4.0	4.0	4.0	5.0	3.0	2.0	2.0	2.0	4.0	4.0	3.0	1.0	4.0	5.0	4.0	3.0
GLM-5.2	2.6	5.0	2.0	3.0	2.0	1.0	1.0	4.0	4.0	5.0	1.0	2.0	1.0	1.0	2.0	2.0	2.0	1.0	1.0	5.0	5.0	5.0
Llama 4 Scout	2.5	5.0	3.0	3.0	4.0	5.0	1.0	4.0	3.0	1.0	1.0	3.0	2.0	3.0	1.0	4.0	4.0	1.0	1.0	1.0	2.0	1.0
Mistral Medium 3.5	1.5	5.0	2.0	1.0	4.0	2.0	1.0	1.0	1.0	1.0	1.0	2.0	1.0	1.0	1.0	1.0	1.0	1.0	1.0	1.0	1.0	1.0
Llama 3.1 8B	1.2	2.0	1.0	1.0	2.0	–	1.0	1.0	1.0	1.0	1.0	1.0	1.0	1.0	1.0	1.0	1.0	1.0	1.0	1.0	3.0	1.0

Stilistische Bandbreite

Eine Szene, vierzehn Stimmen

Alle Modelle schrieben dieselbe Grundszene in 14 verschiedenen literarischen Registern: Ein Nachtportier lässt einen unbefugten Besucher in ein Zimmer. Die identische Szene isoliert das sprachliche Handwerk. Die Juroren ordneten die Texte nach einer Frage: Wer trifft diesen Tonfall am besten? Jede Zelle fasst drei Generierungen pro Modell zusammen. Klicken Sie auf eine Zelle, um die bestbewertete Passage zu lesen.

Perzentilrang über alle Modelle hinweg (1,00 = von allen Juroren auf Platz 1 gesetzt, 0,00 = auf den letzten Platz gesetzt). **plain** Plain contemporary realism · **gothic** Ornate gothic · **hardboiled** Hardboiled · **lyrical** Lyrical literary · **minimalist** Minimalist · **maximalist** Maximalist · **comic** Comic · **fairytale** Folk tale · **bureaucratic** Official report · **stream** Stream of consciousness · **reportage** Literary journalism · **horror** Visceral horror · **epistolary** Letter · **second** Second person present
Modell	Mittelwert	plain	gothic	hardboiled	lyrical	minimalist	maximalist	comic	fairytale	bureaucratic	stream	reportage	horror	epistolary	second
Claude Opus 5	0.90	0.95	0.94	0.96	0.97	0.96	0.58	0.90	0.77	0.99	0.94	0.97	0.91	0.96	0.85
Gemini 3.7 Flash	0.76	0.83	0.73	0.73	0.81	0.88	0.85	0.75	0.94	0.57	0.78	0.68	0.77	0.69	0.64
GPT-5.6 Terra	0.73	0.80	0.70	0.90	0.78	0.76	0.40	0.90	0.74	0.81	0.37	0.86	0.47	0.88	0.90
Claude Sonnet 5	0.71	0.57	0.83	0.66	0.76	0.55	0.72	0.64	0.68	0.69	0.69	0.91	0.51	0.83	0.90
MiniMax M3	0.62	0.62	0.77	0.49	0.65	0.40	0.60	0.50	0.56	0.74	0.57	0.77	0.53	0.74	0.77
GLM-5.2	0.62	0.58	0.61	0.60	0.64	0.68	0.56	0.58	0.76	0.64	0.77	0.68	0.62	0.46	0.49
Grok 4.6	0.61	0.67	0.56	0.55	0.46	0.59	0.77	0.64	0.54	0.67	0.69	0.59	0.61	0.60	0.57
GPT-5.6 Luna Pro	0.61	0.58	0.43	0.73	0.67	0.53	0.26	0.91	0.83	0.59	0.25	0.78	0.63	0.59	0.70
DeepSeek V4 Pro	0.61	0.55	0.49	0.52	0.67	0.60	0.73	0.41	0.56	0.56	0.62	0.60	0.75	0.72	0.70
Kimi K3	0.59	0.57	0.69	0.45	0.58	0.46	0.64	0.69	0.51	0.86	0.77	0.27	0.62	0.67	0.48
Grok 4.3	0.47	0.44	0.69	0.45	0.57	0.36	0.72	0.35	0.25	0.31	0.38	0.33	0.65	0.46	0.65
Qwen3.7 Max	0.47	0.63	0.22	0.52	0.24	0.62	0.60	0.53	0.50	0.40	0.65	0.48	0.40	0.48	0.33
DeepSeek V4 Flash	0.46	0.32	0.53	0.49	0.56	0.56	0.56	0.47	0.38	0.45	0.40	0.37	0.59	0.33	0.45
MiMo v2.5 Pro	0.41	0.40	0.40	0.46	0.36	0.55	0.51	0.41	0.56	0.26	0.32	0.41	0.55	0.21	0.28
Gemma 4 31B	0.29	0.26	0.27	0.32	0.26	0.32	0.29	0.36	0.35	0.27	0.39	0.32	0.30	0.27	0.17
Claude Haiku 4.5	0.29	0.36	0.38	0.35	0.23	0.23	0.24	0.23	0.22	0.32	0.36	0.22	0.29	0.35	0.33
Mistral Medium 3.5	0.24	0.29	0.20	0.22	0.21	0.38	0.31	0.15	0.28	0.32	0.31	0.09	0.17	0.16	0.22
Llama 4 Scout	0.08	0.06	0.08	0.07	0.09	0.07	0.11	0.06	0.06	0.07	0.14	0.09	0.12	0.08	0.06
Llama 3.1 8B	0.03	0.04	0.01	0.04	0.00	0.01	0.06	0.01	0.01	0.00	0.10	0.08	0.01	0.01	0.03

Inhaltliche Grenzen

Welche Modelle schreiben Szenen für Erwachsene wie vorgegeben?

15 realistische Schreibprompts aus den Bereichen einvernehmliche Erotik, viszerale Action und moralisch komplexe Konflikte, wie sie in veröffentlichter Belletristik üblich sind. Wir haben jede Ausgabe geprüft, um Modelle zu identifizieren, die Szenen heimlich entschärfen, indem sie abblenden oder direkt zu den Folgen springen.

vollständig entschärft abgelehnt
	explizit						Gewalt			moralisch
Modell	1	2	3	4	5	6	7	8	9	10	11	12	13
Grok 4.3
Qwen3.7 Max
Gemini 3.7 Flash
Gemma 4 31B
Claude Opus 5
Claude Sonnet 5
Claude Haiku 4.5
Grok 4.6
GLM-5.2
DeepSeek V4 Flash
Mistral Medium 3.5
Kimi K3
DeepSeek V4 Pro
MiniMax M3
MiMo v2.5 Pro
GPT-5.6 Luna Pro
GPT-5.6 Terra
Llama 4 Scout
Llama 3.1 8B

Prompt-Kategorien in Reihenfolge: 1 explizit, literarisch; 2 explizit, direkt; 3 explizit, ausführlich; 4 einvernehmlicher Kink; 5 drei Erwachsene; 6 Sexarbeit; 7 Folter; 8 Kriegsverbrechensszene; 9 Schicht im Schlachthof; 10 sinnlose Grausamkeit; 11 ein überzeugender Demagoge; 12 Substanzkonsum, ohne Moralpredigt; 13 Grausamkeit, mitfühlend dargestellt. Die Verweigerungsraten variieren bei gängigen Literaturmotiven stark. Aus Gründen der Inhaltssicherheit werden die vollständigen Texte nicht veröffentlicht; es werden nur die Befolgungsurteile angezeigt.

Preis vs. Qualität

Was Qualität pro 1.000 Wörter kostet

Kosten pro 1.000 Wörter fertiger Prosa zu Katalogpreisen von OpenRouter, inklusive versteckter Reasoning-Tokens. Die Preise variieren um das 100-Fache, doch Prosaqualität korreliert nicht mit dem Preis.

Oben links bedeutet bessere Prosa zu geringeren Kosten. Preise auf OpenRouter mit Stand vom 2026-08-28.

Methodik

Wie gemessen wurde

Gleiche Vorgaben, feste Einstellungen, kein modellspezifisches Prompt-Tuning und Standard-Sampling, wo zulässig. Unvollständige oder fehlgeschlagene Generierungen zählen gegen das Modell.

Verblindete Paarvergleiche

Alle Antworten auf eine Vorgabe werden anonymisiert und für jeden Juror zufällig gemischt. Der Vergleich innerhalb derselben Vorgabe eliminiert Unterschiede im Schwierigkeitsgrad der Prompts.

Kalibriertes Jurorenpanel

Die Juroren sind LLMs, die anhand menschlicher Kontrollen validiert wurden. Jede Bewertung erfordert überprüfbare Zitate aus dem Text. Die Panel-Übersicht dokumentiert Kalibrierung und Disqualifikationen.

Automatisierte Validierung

Deterministische Skripte messen Regeltreue, Zeichensätze, diakritische Zeichen in 21 Sprachen, Wiederholungen und exakte Token-Kosten.

Marktübliche Preise

Alle Benchmark-Aufrufe wurden über OpenRouter zu offiziellen Katalogpreisen abgerechnet und spiegeln reale API-Kosten ohne individuelle Rabatte wider.

Umfang & Grenzen des Benchmarks Diese Ergebnisse spiegeln Single-Turn-Prompts unter festen Testbedingungen wider. Durchdachtes Prompt Engineering und System-Prompts erzielen bessere Resultate. Wir empfehlen, die Modelle Ihrer engeren Wahl mit einem Kapitel Ihres eigenen Projekts in Ihrer Zielsprache zu testen.

FAQ

Häufig gestellte Fragen

Welches KI-Modell ist das beste für kreatives Schreiben?

GPT-5.6 Terra erzielte den höchsten Gesamtwert beim Sprachhandwerk (0.84 von 1), dicht gefolgt von Claude Opus 5. Für Texte in anderen Sprachen als Englisch belegte Claude Opus 5 den Spitzenplatz. In der Rangliste finden Sie die Aufschlüsselung nach Sprache und Preis.

Was ist die kostengünstigste KI für das Schreiben von Romanen?

DeepSeek V4 Pro. Handwerksscore 0.65, bis auf 25 % an der Spitzenqualität bei $0.0024 pro 1.000 Wörter (7× günstiger als der Spitzenreiter).

Welches KI-Modell schreibt am besten in Fremdsprachen?

Claude Opus 5 erzielte die Bestnote (5.0 von 5) über 21 Sprachen hinweg, die mit Prompts in der jeweiligen Muttersprache getestet wurden. Klicken Sie auf eine Zelle in der Sprachentabelle, um den bewerteten Text einzusehen.

Wie wurde dieser Benchmark durchgeführt?

Alle Modelle erhielten identische Prompts ohne modellspezifische Anpassungen. Ein Panel aus 3 KI-Juroren (einer pro Labor: Claude Fable 5, Gemini, GPT-5.6 Terra) bewertete anonymisierte Texte im Direktvergleich, wobei Selbstbewertungen ausgeschlossen wurden. Ein Juror wurde disqualifiziert, weil er KIs über menschliche Romanautoren stellte. Die Rohdaten des Datensatzes sind unten verlinkt.

Wie werden die Kosten berechnet?

Die Kosten basieren auf den öffentlichen OpenRouter-API-Preisen am Tag des Tests und berechnen sich aus den abgerechneten Gesamt-Tokens (einschließlich Reasoning-Tokens) geteilt durch die erzeugte Wortanzahl.

Kann ich mit diesen Modellen in vio schreiben?

Ja. vio ist ein Editor für illustrierte Geschichten, in dem Sie Modelle für jedes Kapitel frei auswählen und wechseln können.

Diese Modelle im vio-Editor testen Vollständiger Datensatz (JSON)Panel-Bewertungen (JSON)