सर्वश्रेष्ठ गद्य
GPT-5.6 Terra
सबसे ज़्यादा ब्लाइंड तुलनाएं जीतीं: 1 में से 0.84, कुल मिलाकर पहला स्थान।
- गद्य-शिल्प
- 0.84
- प्रति 1,000 शब्द
- $0.016
vio गद्य बेंचमार्क · v1
हमने 18 मॉडलों को एक जैसे कहानी प्रॉम्प्ट दिए: 7 कार्य-शैलियों और 21 भाषाओं में 2,213 गद्यांश, जिन्हें मॉडल जजों ने बिना नाम जाने रैंक किया। पाँच इंसानी उपन्यासकारों के गद्यांश बिना किसी लेबल के बीच में मिला दिए गए थे। सभी नतीजे और मूल डेटा यहाँ उपलब्ध हैं।
परीक्षण की तारीख 2026-08-28मापने की पद्धति
सिफारिशें
शीर्ष पर रहने वाला मॉडल ज़रूरी नहीं कि आपकी किताब या बजट के अनुकूल हो। चुनने से पहले भाषा समर्थन और कीमतें ज़रूर देखें।
सर्वश्रेष्ठ गद्य
सबसे ज़्यादा ब्लाइंड तुलनाएं जीतीं: 1 में से 0.84, कुल मिलाकर पहला स्थान।
दूसरे स्थान पर
गद्य-शिल्प स्कोर 0.82, शीर्ष मॉडल के ठीक पीछे, और अंग्रेजी के अलावा अन्य भाषाओं में सर्वश्रेष्ठ: 21 भाषाओं में 5 में से 5.0।
किफायती व सर्वश्रेष्ठ
गद्य-शिल्प स्कोर 0.65, शीर्ष गुणवत्ता के 25% के भीतर, मात्र $0.0024 प्रति 1,000 शब्द पर (शीर्ष मॉडल से 7× सस्ता)।
सबसे सस्ता जो अच्छा लिखता है
$0.0003 प्रति 1,000 शब्द पर मध्यम तालिका की ठोस गद्य गुणवत्ता।
मूल्यांकन पैनल
जज हर गद्यांश को बिना लेखक का नाम जाने पढ़ते हैं, और स्कोर मान्य करने से पहले पैनल की विश्वसनीयता जाँची जाती है। प्रकाशित इंसानी साहित्य को बिना लेबल के शामिल किया गया है: जो जज मशीनों को इंसानी उपन्यासकारों से ऊपर रखता है, उसे तुरंत अयोग्य घोषित कर दिया जाता है। इंसानी गद्य से ऊपर शून्य मॉडल ही मूल मानक है। कमज़ोर नियंत्रण मॉडल को भी अनिवार्य रूप से आखिरी स्थान मिलना चाहिए। कोई भी जज अपने निर्माता लैब के मॉडल को अंक नहीं देता, और लैब-विशेष के झुकाव को पारदर्शिता के लिए नीचे दर्ज किया गया है।
DeepSeek
Anthropic
OpenAI
DeepSeek अयोग्य घोषित: इसने 5 मॉडलों को इंसानी मानक से ऊपर रखा। इस पृष्ठ के स्कोर 3 जजों के संयुक्त मूल्यांकन पर आधारित हैं, प्रति लैब एक: Claude Fable 5, Gemini, GPT-5.6 Terra।
संपूर्ण रैंकिंग
गद्य-शिल्प के आधार पर रैंक: सभी प्रॉम्प्ट्स में आमने-सामने की ब्लाइंड तुलनाओं में जीत की दर (1.00 = प्रत्येक तुलना में जीत)।
| मॉडल | गद्य-शिल्प | शैलियों का दायरा | 21 भाषाएं | वयस्क साहित्य | प्रति 1k शब्द | |
|---|---|---|---|---|---|---|
| 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 |
ग्रे पंक्ति मूल्यांकन प्रक्रिया की पुष्टि के लिए रखा गया एक कमज़ोर नियंत्रण मॉडल है। 🧠 उन मॉडलों को दर्शाता है जिनका परीक्षण रीजनिंग सक्षम करके किया गया (रीजनिंग टोकन लागत में शामिल हैं)।
मानव बेंचमार्क
हमने पाँच प्रकाशित उपन्यासकारों के अचिह्नित अंशों को ब्लाइंड मूल्यांकन में मिला दिया: चार्ल्स डिकेंस, जॉर्ज एलियट, जेम्स जॉयस, पीटर वॉट्स और कोरी डॉक्टरो। 6 राउंड्स में जजों ने 24 गद्यांशों को बिना किसी प्रॉम्प्ट संदर्भ और बिना यह जाने कि इनमें इंसानी लेखन भी शामिल है, विशुद्ध रूप से गद्य गुणवत्ता पर आंका।
| लेखक | औसत रैंक | 95% दायरा | |
|---|---|---|---|
| 1 | Eliot, Middlemarch (1871)इंसान | 2.94 | 2.0–3.9 |
| 2 | Dickens, Great Expectations (1861)इंसान | 3.11 | 1.9–4.3 |
| 3 | Joyce, Dubliners (1914)इंसान | 3.22 | 2.3–4.2 |
| 4 | Claude Opus 5 | 4.08 | 3.2–5.0 |
| 5 | Watts, Blindsight (2006)इंसान | 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)इंसान | 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 |
मुख्य निष्कर्ष इंसानी उपन्यासकारों की औसत रैंक 5.3 रही; AI मॉडलों की औसत रैंक 14.5 रही। सभी मॉडल डिकेंस, एलियट और जॉयस से पीछे रहे; सबसे करीबी मॉडल Claude Opus 5 4.1 रैंक पर रहा। यद्यपि छह राउंड शीर्ष समूह के भीतर सटीक क्रम तय नहीं कर सकते, फिर भी उस समूह और नीचे के अन्य मॉडलों के बीच गुणवत्ता का अंतर पूरी तरह स्पष्ट है।
बहुभाषी गद्य
अंग्रेजी में प्रॉम्प्ट देकर दूसरी भाषा में लिखवाना केवल आज्ञाकारिता की परीक्षा लेता है, प्रवाह की नहीं। हमने हर प्रॉम्प्ट सीधे उसकी लक्षित भाषा में लिखा। जजों ने प्रत्येक गद्यांश को एक मुख्य प्रश्न पर आंका: क्या यह मूल भाषा में लिखा हुआ लगता है या मशीनी अनुवाद जैसा? गद्यांश और जजों द्वारा रेखांकित पंक्तियाँ पढ़ने के लिए किसी भी सेल पर क्लिक करें।
| मॉडल | औसत | 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 |
शैलियों का दायरा
सभी मॉडलों ने एक ही दृश्य को 14 अलग-अलग साहित्यिक शैलियों में लिखा: एक नाइट पोर्टर किसी अनाधिकृत व्यक्ति को कमरे में जाने देता है। दृश्य एक जैसा रखने से गद्य-शिल्प की स्पष्ट परीक्षा होती है। जजों ने गद्यांशों को एक सवाल पर आंका: इस आवाज़ को सबसे बेहतरीन ढंग से किसने प्रस्तुत किया? प्रत्येक सेल प्रति मॉडल तीन गद्यांशों का संकलन है। सर्वोच्च स्थान प्राप्त गद्यांश पढ़ने के लिए किसी भी सेल पर क्लिक करें।
| मॉडल | औसत | 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 |
कंटेंट सीमाएं
प्रकाशित साहित्य में आम 15 वास्तविक रचनात्मक लेखन प्रॉम्प्ट्स—सहमति से वयस्क रोमांस, यथार्थवादी एक्शन और नैतिक रूप से जटिल ड्रामा। हमने प्रत्येक परिणाम की समीक्षा की ताकि उन मॉडलों की पहचान हो सके जो दृश्य को धुंधला (fade to black) करके या सीधे परिणाम पर कूदकर दृश्य को चुपचाप हल्का कर देते हैं।
| स्पष्ट अंतरंगता | हिंसा | नैतिक जटिलता | |||||||||||
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| मॉडल | 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 | |||||||||||||
प्रॉम्प्ट श्रेणियां, क्रम से: 1 स्पष्ट अंतरंगता, साहित्यिक; 2 स्पष्ट अंतरंगता, बेबाक; 3 स्पष्ट अंतरंगता, विस्तृत दृश्य; 4 सहमति से विशेष फैंटेसी; 5 तीन वयस्क; 6 देह व्यापार; 7 यातना; 8 युद्ध अपराध का दृश्य; 9 बूचड़खाने की शिफ्ट; 10 अकारण क्रूरता में आनंद; 11 प्रभावशाली जनोत्तेजक नेता; 12 मादक द्रव्यों का सेवन, बिना उपदेश के; 13 क्रूरता, सहानुभूतिपूर्ण दृष्टिकोण. सामान्य कथा-शैलियों में भी अस्वीकृति दर में बड़ा अंतर दिखता है। कंटेंट सुरक्षा बनाए रखने के लिए पूरे टेक्स्ट के नमूने रोके गए हैं; केवल अनुपालन निर्णय दिखाए गए हैं।
मूल्य बनाम गुणवत्ता
OpenRouter कैटलॉग दरों पर प्रति 1,000 तैयार शब्दों की लागत, जिसमें छिपे हुए रीजनिंग टोकन भी शामिल हैं। कीमतों में 100× तक का अंतर है, लेकिन गद्य की गुणवत्ता कीमत के अनुपात में नहीं बढ़ती।
पद्धति
समान प्रॉम्प्ट, निश्चित सेटिंग्स, कोई मॉडल-विशेष प्रॉम्प्ट ट्यूनिंग नहीं, और जहाँ अनुमति हो वहाँ मानक सैंपलिंग। अधूरी या विफल कॉल्स का नुकसान संबंधित मॉडल के खाते में जोड़ा जाता है।
एक ही प्रॉम्प्ट के सभी उत्तरों को अज्ञात करके प्रत्येक जज के लिए यादृच्छिक क्रम में मिलाया जाता है। एक ही प्रॉम्प्ट के भीतर मूल्यांकन करने से प्रॉम्प्ट की कठिनाई का अंतर समाप्त हो जाता है।
जज वे LLM हैं जिन्हें इंसानी नियंत्रणों के विरुद्ध जाँचा गया है। प्रत्येक रेटिंग के लिए टेक्स्ट से सत्यापित उद्धरण अनिवार्य हैं। पैनल स्कोरकार्ड कैलिब्रेशन और अयोग्यता का विवरण देता है।
स्वचालित स्क्रिप्ट्स प्रॉम्प्ट अनुपालन, वर्ण सेट, 21 भाषाओं में मात्राओं व चिह्नों की शुद्धता, दोहराव और सटीक टोकन लागत को मापती हैं।
बेंचमार्क की सभी कॉल्स OpenRouter पर सार्वजनिक कैटलॉग दरों पर बिल की गईं, जो बिना किसी विशेष छूट के वास्तविक API लागत को दर्शाती हैं।
बेंचमार्क का दायरा व सीमाएं ये परिणाम स्थिर बेंचमार्क स्थितियों में एकल-टर्न प्रॉम्प्ट्स को दर्शाते हैं। सुविचारित प्रॉम्प्ट इंजीनियरिंग और सिस्टम निर्देश और बेहतर परिणाम देंगे। हम अनुशंसा करते हैं कि चुने गए मॉडलों को अपनी लक्षित भाषा में अपनी किताब के एक अध्याय पर स्वयं परखें।
FAQ
GPT-5.6 Terra ने उच्चतम समग्र गद्य-शिल्प स्कोर (0.84/1) प्राप्त किया, जिसके ठीक पीछे Claude Opus 5 रहा। गैर-अंग्रेजी लेखन के लिए Claude Opus 5 शीर्ष पर रहा। भाषा और कीमत के आधार पर संपूर्ण विवरण के लिए लीडरबोर्ड देखें।
DeepSeek V4 Pro. गद्य-शिल्प स्कोर 0.65, शीर्ष गुणवत्ता के 25% के भीतर, मात्र $0.0024 प्रति 1,000 शब्द पर (शीर्ष मॉडल से 7× सस्ता)।
Claude Opus 5 ने मूल भाषा के प्रॉम्प्ट्स के साथ जाँची गई 21 भाषाओं में शीर्ष स्कोर (5.0/5) अर्जित किया। मूल्यांकित टेक्स्ट पढ़ने के लिए भाषा तालिका के किसी भी सेल पर क्लिक करें।
सभी मॉडलों को बिना किसी विशेष ट्यूनिंग के एक समान प्रॉम्प्ट दिए गए। 3 LLM जजों के पैनल (प्रति लैब एक: Claude Fable 5, Gemini, GPT-5.6 Terra) ने अज्ञात उत्तरों का एक साथ मूल्यांकन किया, जिसमें स्व-मूल्यांकन बाहर रखा गया। एक जज को इंसानी उपन्यासकारों से ऊपर AI को आंकने के कारण अयोग्य ठहराया गया। मूल डेटासेट रिकॉर्ड नीचे लिंक किए गए हैं।
लागत परीक्षण की तिथि पर सार्वजनिक OpenRouter API मूल्य निर्धारण को दर्शाती है, जिसकी गणना कुल बिल किए गए टोकन (रीजनिंग टोकन सहित) को कुल जनरेट किए गए शब्दों से विभाजित करके की जाती है।
हाँ। vio सचित्र कथा-साहित्य लिखने का एक संपादक (editor) है जहाँ आप अध्यायों में स्वतंत्र रूप से मॉडल चुन और बदल सकते हैं।