De vio proza-benchmark · v1

Welke AI schrijft de beste fictie?

We gaven 18 modellen dezelfde schrijfopdrachten: 2,213 fragmenten over 7 taaktypen en 21 talen, blind gerangschikt door model-juryleden. Fragmenten van vijf romanschrijvers deden zonder label mee. Alle resultaten en ruwe data staan hier.

Test geregistreerd 2026-08-28Hoe dit gemeten is

Aanbevelingen

Welk model kun je het best kiezen?

De algemene koploper past misschien niet bij jouw boek of budget. Bekijk de taalondersteuning en prijzen voordat je kiest.

Beste proza

GPT-5.6 Terra

Won de meeste blinde vergelijkingen: 0.84 van 1, eerste in het algemeen klassement.

vakmanschap: 0.84
per 1.000 woorden: $0.016

Tweede plaats

Claude Opus 5

Vakmanschapsscore 0.82, vlak achter de koploper, en het beste proza buiten het Engels: 5.0 van 5 over 21 talen.

vakmanschap: 0.82
per 1.000 woorden: $0.048

Beste prijs-kwaliteit

DeepSeek V4 Pro

Vakmanschapsscore 0.65, binnen 25% van de topkwaliteit voor $0.0024 per 1.000 woorden (7× goedkoper dan de koploper).

vakmanschap: 0.65
per 1.000 woorden: $0.0024

Goedkoopste met degelijk proza

DeepSeek V4 Flash

$0.0003 per 1.000 woorden met solide prozakwaliteit in de middenmoot.

vakmanschap: 0.52
per 1.000 woorden: $0.0003

Beoordelingspanel

4 juryleden, 1 uitgesloten

Juryleden lezen elk fragment blind en het panel wordt gevalideerd voordat scores meetellen. We voegen ongepubliceerde of gepubliceerde menselijke fictie zonder label toe: elk jurylid dat machines boven romanschrijvers plaatst, wordt gediskwalificeerd. Nul modellen boven menselijk proza is de basislijn. Een zwak controlemodel moet bovendien als laatste eindigen. Geen enkel jurylid beoordeelt modellen van de eigen maker, en eventuele lab-voorkeur wordt gemeten en hieronder gepubliceerd.

DeepSeek

modellen boven menselijk proza: 5 of 17
zwak controlemodel als laatste: yes
overeenstemming met panel: 0.94
voorkeur eigen maker: +0.05

uitgesloten: zette modellen boven menselijke auteurs

Claude Fable 5

Anthropic

modellen boven menselijk proza: 0 of 16
zwak controlemodel als laatste: yes
overeenstemming met panel: 0.94
voorkeur eigen maker: +0.03

scores tellen mee

Gemini

Google

modellen boven menselijk proza: 1 of 17
zwak controlemodel als laatste: yes
overeenstemming met panel: 0.93
voorkeur eigen maker: +0.07

scores tellen mee

GPT-5.6 Terra

OpenAI

modellen boven menselijk proza: 0 of 17
zwak controlemodel als laatste: yes
overeenstemming met panel: 0.93
voorkeur eigen maker: +0.11

scores tellen mee

DeepSeek uitgesloten: zette 5 modellen boven de menselijke basislijn. De scores op deze pagina combineren 3 juryleden, één per lab: Claude Fable 5, Gemini, GPT-5.6 Terra.

Volledige ranglijst

De ranglijst

Gerangschikt op vakmanschap: winstpercentage in blinde, directe vergelijkingen over alle opdrachten (1,00 = won elke vergelijking).

Alle 18 modellen, plus een zwak controlemodel in de laatste rij.
	model	vakmanschap	stilistisch bereik	21 talen	volwassen fictie	per 1k woorden
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

De grijze rij is een zwak controlemodel om de evaluatiepijplijn te verifiëren. 🧠 markeert modellen die zijn getest met redeneren ingeschakeld (redeneertokens zijn inbegrepen in de kosten).

Scoreverdeling over de modellen. Foutbalken tonen het 95%-betrouwbaarheidsinterval bij het opnieuw samplen van opdrachten.

Menselijke maatstaf

We verstopten Dickens tussen de inzendingen

We mengden fragmenten zonder label van vijf gepubliceerde romanschrijvers in de blinde evaluatie: Charles Dickens, George Eliot, James Joyce, Peter Watts en Cory Doctorow. Over 6 rondes rangschikten juryleden 24 fragmenten puur op prozakwaliteit, zonder promptcontext en zonder te weten dat er menselijke teksten tussen zaten.

Gemiddelde rang over zes blinde rondes van 24 fragmenten (lager is beter). Groene rijen geven menselijke auteurs aan.
	auteur	gemiddelde rang	95%-bereik
1	Eliot, Middlemarch (1871)mens	2.94	2.0–3.9
2	Dickens, Great Expectations (1861)mens	3.11	1.9–4.3
3	Joyce, Dubliners (1914)mens	3.22	2.3–4.2
4	Claude Opus 5	4.08	3.2–5.0
5	Watts, Blindsight (2006)mens	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)mens	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

Belangrijkste conclusie Menselijke romanschrijvers behaalden gemiddeld rang 5.3; AI-modellen gemiddeld 14.5. Elk model eindigde achter Dickens, Eliot en Joyce; Claude Opus 5 kwam het dichtst in de buurt, op rang 4.1. Hoewel zes rondes de exacte rangorde binnen de kopgroep niet definitief vastleggen, is het kwaliteitsverschil tussen die groep en het veld eronder overduidelijk.

Meertalig proza

Welke AI schrijft het best buiten het Engels?

In het Engels vragen om in een andere taal te schrijven toetst gehoorzaamheid, geen taalvaardigheid. We schreven elke opdracht direct in de doeltaal. Juryleden beoordeelden elk fragment op één kernvraag: leest dit als een originele tekst of als een machinevertaling? Klik op een cel om het fragment en de gemarkeerde citaten van de jury te bekijken.

Gemiddelde juryscore van 1 tot 5 per fragment (5 = moedertaalniveau, onder 3 = gevoel van machinevertaling).
model	gemiddelde	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

Stilistisch bereik

Eén scène, veertien stemmen

Alle modellen schreven exact dezelfde premisse in 14 verschillende literaire registers: een nachtportier laat een onbevoegde bezoeker binnen in een kamer. Door de scène identiek te houden, isoleer je het stilistische vakmanschap. Juryleden rangschikten fragmenten op één vraag: wie voert deze stijl het best uit? Elke cel combineert drie generaties per model. Klik op een cel om het hoogst gerangschikte fragment te lezen.

Percentielrang over de modellen (1,00 = door alle juryleden als eerste gerangschikt, 0,00 = als laatste). **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
model	gemiddelde	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

Inhoudelijke grenzen

Welke modellen schrijven volwassen scènes zoals gevraagd?

15 realistische schrijfopdrachten rond volwassen romantiek met instemming, rauwe actie en moreel complexe drama's die gebruikelijk zijn in gepubliceerde fictie. We hebben elk antwoord gecontroleerd om modellen te identificeren die scènes stilletjes censureren door te vervagen naar zwart of direct naar de nasleep te springen.

voltooid afgezwakt geweigerd
	expliciet						geweld			moreel
model	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

Opdrachtcategorieën op volgorde: 1 expliciet, literair; 2 expliciet, direct; 3 expliciet, langdurig; 4 afgesproken kink; 5 drie volwassenen; 6 sekswerk; 7 marteling; 8 oorlogsmisdaadscène; 9 dienst in het slachthuis; 10 zinloze wreedheid; 11 een overtuigende demagoog; 12 middelengebruik, zonder moraliseren; 13 wreedheid, empathisch belicht. Het percentage weigeringen varieert sterk bij standaard fictiethema's. Om de veiligheid van inhoud te waarborgen, worden volledige tekstfragmenten niet getoond; alleen de nalevingsoordelen worden weergegeven.

Prijs vs. kwaliteit

Wat kwaliteit kost per 1.000 woorden

Kosten per 1.000 woorden voltooid proza tegen catalogusprijzen van OpenRouter, inclusief verborgen redeneertokens. Prijzen verschillen tot 100×, maar prozakwaliteit correleert niet met de prijs.

Linksboven betekent beter proza tegen lagere kosten. Prijzen op OpenRouter per 2026-08-28.

Methodologie

Hoe dit gemeten is

Dezelfde opdrachten, vaste instellingen, geen specifieke prompt-tuning per model en standaardsampling waar toegestaan. Onvolledige of mislukte generaties tellen negatief mee voor het model.

Blinde paarvergelijking

Alle antwoorden op een opdracht worden geanonimiseerd en voor elk jurylid willekeurig geschud. Vergelijken binnen dezelfde opdracht neemt verschillen in moeilijkheidsgraad weg.

Gekalibreerd jurypanel

Juryleden zijn LLM's die zijn gevalideerd tegen menselijke controles. Elke beoordeling vereist controleerbare citaten uit de tekst. Het panelrapport geeft details over kalibratie en diskwalificaties.

Geautomatiseerde validatie

Deterministische scripts meten het opvolgen van instructies, tekensets, diakritische tekens in 21 talen, herhaling en exacte tokenkosten.

Marktprijzen

Alle benchmark-aanroepen zijn gefactureerd via OpenRouter tegen openbare catalogustarieven, wat reële API-kosten weerspiegelt zonder kortingen op maat.

Bereik en beperkingen van de benchmark Deze resultaten zijn gebaseerd op single-turn prompts onder vaste testomstandigheden. Zorgvuldige prompt engineering en systeeminstructies leveren betere resultaten op. We raden aan geselecteerde modellen te testen op een hoofdstuk van je eigen project in je doeltaal.

Veelgestelde vragen

Wat is het beste AI-model voor creatief schrijven?

GPT-5.6 Terra behaalde de hoogste algemene score voor vakmanschap (0.84 van 1), op de voet gevolgd door Claude Opus 5. Voor schrijven in andere talen dan het Engels scoorde Claude Opus 5 het hoogst. Bekijk de volledige ranglijst voor een overzicht per taal en prijs.

Wat is de meest kostenefficiënte AI voor het schrijven van fictie?

DeepSeek V4 Pro. Vakmanschapsscore 0.65, binnen 25% van de topkwaliteit voor $0.0024 per 1.000 woorden (7× goedkoper dan de koploper).

Welk AI-model schrijft het best in andere talen dan het Engels?

Claude Opus 5 behaalde de topscore (5.0 van 5) over 21 talen getest met prompts in de moedertaal. Klik op een willekeurige cel in de taaltabel om de beoordeelde tekst te bekijken.

Hoe is deze benchmark uitgevoerd?

Alle modellen kregen identieke prompts zonder modelspecifieke aanpassingen. Een panel van 3 AI-juryleden (één per lab: Claude Fable 5, Gemini, GPT-5.6 Terra) beoordeelde geanonimiseerde antwoorden zij aan zij, waarbij zelfevaluatie werd uitgesloten. Eén jurylid werd gediskwalificeerd omdat het AI boven romanschrijvers plaatste. De ruwe dataset is hieronder gelinkt.

Hoe worden de kosten berekend?

Kosten weerspiegelen de openbare API-tarieven van OpenRouter op de testdatum, berekend door de totale gefactureerde tokens (inclusief redeneertokens) te delen door het aantal gegenereerde woorden.

Kan ik met deze modellen schrijven in vio?

Ja. vio is een editor voor het schrijven van geïllustreerde fictie waarin je vrij modellen kunt kiezen en wisselen tussen hoofdstukken.

Probeer deze modellen in de vio-editor Volledige dataset (JSON)Panelscores (JSON)