Benchmark prozy vio · v1

Która AI pisze najlepszą prozę?

Daliśmy 18 modelom identyczne zadania literackie: 2,213 fragmentów w 7 kategoriach i 21 językach, ocenionych na ślepo przez panel modeli-sędziów. W puli bez oznaczeń ukryliśmy fragmenty utworów pięciu powieściopisarzy. Oto pełne wyniki i surowe dane.

Data pomiaru 2026-08-28Jak to mierzyliśmy

Rekomendacje

Który model wybrać?

Lider rankingu może nie pasować do Twojej książki lub budżetu. Zanim dokonasz wyboru, sprawdź obsługę języków i cennik.

Najlepsza proza

GPT-5.6 Terra

Najwięcej zwycięstw w ślepych porównaniach: 0.84 z 1, pierwsze miejsce w klasyfikacji ogólnej.

warsztat: 0.84
za 1000 słów: $0.016

Drugie miejsce

Claude Opus 5

Warsztat 0.82, tuż za liderem, i najlepsza proza poza angielskim: 5.0 na 5 w 21 językach.

warsztat: 0.82
za 1000 słów: $0.048

Najlepszy stosunek jakości do ceny

DeepSeek V4 Pro

Warsztat 0.65, w granicach 25% od czołówki przy cenie $0.0024 za 1000 słów (7× taniej niż u lidera).

warsztat: 0.65
za 1000 słów: $0.0024

Najtańszy do pisania

DeepSeek V4 Flash

$0.0003 za 1000 słów przy solidnej jakości prozy ze środka stawki.

warsztat: 0.52
za 1000 słów: $0.0003

Panel sędziowski

4 sędziów, 1 zdyskwalifikowanych

Sędziowie oceniają każdy fragment na ślepo, a sam panel przechodzi kalibrację, zanim wyniki zostaną uwzględnione. W rundach umieszczamy nieoznaczone teksty z wydanych książek: sędzia, który ocenia maszyny wyżej niż powieściopisarzy, zostaje zdyskwalifikowany. Punktem odniesienia jest zero modeli powyżej ludzkiej prozy. Słaby model kontrolny musi zająć ostatnie miejsce. Żaden sędzia nie ocenia modeli swojego twórcy, a stronniczość laboratoriów jest monitorowana i publikowana poniżej.

DeepSeek

modele wyżej od człowieka: 5 of 17
słaba kontrola na ostatnim miejscu: yes
zgodność z panelem: 0.94
stronniczość wobec własnych modeli: +0.05

zdyskwalifikowany: ocenił modele wyżej niż ludzkich autorów

Claude Fable 5

Anthropic

modele wyżej od człowieka: 0 of 16
słaba kontrola na ostatnim miejscu: yes
zgodność z panelem: 0.94
stronniczość wobec własnych modeli: +0.03

oceny uwzględnione

Gemini

Google

modele wyżej od człowieka: 1 of 17
słaba kontrola na ostatnim miejscu: yes
zgodność z panelem: 0.93
stronniczość wobec własnych modeli: +0.07

oceny uwzględnione

GPT-5.6 Terra

OpenAI

modele wyżej od człowieka: 0 of 17
słaba kontrola na ostatnim miejscu: yes
zgodność z panelem: 0.93
stronniczość wobec własnych modeli: +0.11

oceny uwzględnione

DeepSeek zdyskwalifikowany: ocenił 5 modeli wyżej niż poziom autorów-ludzi. Wyniki na tej stronie łączą oceny 3 sędziów, po jednym z każdego laboratorium: Claude Fable 5, Gemini, GPT-5.6 Terra.

Pełne wyniki

Tabela wyników

Kolejność według warsztatu literackiego: odsetek zwycięstw w ślepych porównaniach bezpośrednich we wszystkich zadaniach (1.00 = zwycięstwo w każdym starciu).

Wszystkie 18 modeli oraz słaby model kontrolny w ostatnim wierszu.
	model	warsztat	rozpiętość stylów	21 języków	proza dla dorosłych	za 1k słów
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

Szary wiersz to słaby model kontrolny do weryfikacji rzetelności testu. 🧠 oznacza modele testowane z włączonym rozumowaniem (tokeny rozumowania są wliczone w koszt).

Rozkład wyników modeli. Wąsy oznaczają 95% przedział ufności przy ponownym losowaniu zadań.

Ludzki punkt odniesienia

Ukryliśmy Dickensa w puli tekstów

Do ślepego testu dołączyliśmy nieoznaczone fragmenty prozy pięciu znanych pisarzy: Charlesa Dickensa, George Eliot, Jamesa Joyce'a, Petera Wattsa i Cory'ego Doctorowa. W 6 rundach sędziowie oceniali 24 fragmentów wyłącznie pod kątem jakości prozy — bez znajomości zadań i bez informacji, że w puli znajdują się teksty ludzkich autorów.

Średnia pozycja w sześciu ślepych rundach po 24 fragmenty (im niższa, tym lepsza). Zielone wiersze to ludzcy pisarze.
	autor	średnia pozycja	przedział 95%
1	Eliot, Middlemarch (1871)człowiek	2.94	2.0–3.9
2	Dickens, Great Expectations (1861)człowiek	3.11	1.9–4.3
3	Joyce, Dubliners (1914)człowiek	3.22	2.3–4.2
4	Claude Opus 5	4.08	3.2–5.0
5	Watts, Blindsight (2006)człowiek	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)człowiek	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

Główny wniosek Ludzcy pisarze osiągnęli średnią pozycję 5.3, a modele AI — 14.5. Wszystkie modele uplasowały się za Dickensem, Eliot i Joyce'em; najbliższy z nich, Claude Opus 5, zajął pozycję 4.1. Choć sześć rund nie rozstrzyga dokładnej kolejności w grupie liderów, przepaść jakościowa między tą grupą a resztą stawki jest bezdyskusyjna.

Proza wielojęzyczna

Która AI pisze najlepiej poza językiem angielskim?

Podawanie poleceń po angielsku z prośbą o tekst w innym języku sprawdza posłuszeństwo, a nie płynność językową. Każde zadanie sformułowaliśmy bezpośrednio w języku docelowym. Sędziowie oceniali każdy fragment pod kątem jednego kluczowego pytania: czy tekst brzmi naturalnie, czy jak tłumaczenie maszynowe? Kliknij dowolną komórkę, aby przeczytać fragment i wyróżnione cytaty sędziów.

Średnia ocena sędziów w skali 1–5 za fragment (5 = naturalna płynność, poniżej 3 = wrażenie tłumaczenia maszynowego).
model	średnia	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

Rozpiętość stylów

Jedna scena, czternaście głosów

Wszystkie modele napisały tę samą scenę w 14 różnych rejestrach literackich: nocny portier wpuszcza nieznajomego do pokoju. Identyczna fabuła pozwala ocenić czysty warsztat stylistyczny. Sędziowie odpowiadali na jedno pytanie: kto najlepiej oddał ten styl? Każda komórka łączy trzy generacje danego modelu. Kliknij dowolną komórkę, aby przeczytać najwyżej oceniony fragment.

Ranga percentylowa wśród modeli (1.00 = pierwsze miejsce u wszystkich sędziów, 0.00 = ostatnie miejsce). **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	średnia	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

Granice treści

Które modele piszą sceny dla dorosłych zgodnie z poleceniem?

15 realistycznych zadań literackich: zmysłowy romans dla dorosłych za obopólną zgodą, dosadna akcja oraz złożony moralnie dramat, typowy dla współczesnej literatury. Przeanalizowaliśmy każdą odpowiedź, aby zidentyfikować modele, które po cichu cenzurują sceny — stosując wygaszenie lub przeskakując od razu do następstw.

ukończono złagodzono odrzucono
	erotyka						przemoc			moralność
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

Kategorie zadań w kolejności: 1 erotyka, styl literacki; 2 erotyka, styl dosadny; 3 erotyka, rozwinięta scena; 4 kink za obopólną zgodą; 5 troje dorosłych; 6 praca seksualna; 7 tortury; 8 zbrodnia wojenna; 9 zmiana w rzeźni; 10 okrucieństwo z satysfakcją; 11 przekonujący demagog; 12 zażywanie substancji, bez morałów; 13 okrucieństwo, z empatią. Odsetek odmów różni się diametralnie nawet w typowych motywach literackich. Ze względów bezpieczeństwa pełne teksty nie są publikowane — prezentujemy wyłącznie werdykty.

Cena a jakość

Ile kosztuje jakość za 1000 słów

Koszt 1000 słów gotowej prozy według cen katalogowych OpenRouter w dniu testu, w tym ukryte tokeny rozumowania. Ceny różnią się nawet 100-krotnie, jednak jakość tekstu nie idzie w parze z ceną.

Im wyżej i bardziej na lewo, tym lepsza proza przy niższym koszcie. Cennik OpenRouter z dnia 2026-08-28.

Metodologia

Jak to mierzyliśmy

Identyczne zadania, stałe ustawienia, brak indywidualnego dopasowywania promptów pod modele oraz standardowe próbkowanie. Niekompletne lub nieudane generacje obniżają wynik danego modelu.

Ślepe porównania bezpośrednie

Wszystkie odpowiedzi na zadanie są anonimizowane i losowo tasowane dla każdego sędziego. Porównywanie w ramach tego samego zadania eliminuje wpływ zróżnicowanej trudności promptów.

Skalibrowany panel sędziowski

Rolę sędziów pełnią modele LLM zwalidowane na tekstach ludzkich autorów. Każda ocena wymaga podania weryfikowalnych cytatów. Karta wyników panelu zawiera szczegóły kalibracji i dyskwalifikacji.

Automatyczna walidacja

Deterministyczne skrypty sprawdzają zgodność z poleceniem, alfabety i znaki diakrytyczne w 21 językach, powtórzenia oraz dokładny koszt tokenów.

Ceny rynkowe

Wszystkie wywołania były rozliczane przez OpenRouter według publicznych cen katalogowych, odzwierciedlając realne koszty API bez specjalnych rabatów.

Zakres i ograniczenia benchmarku Wyniki te odzwierciedlają pojedyncze generacje w stałych warunkach testowych. Przemyślany prompt engineering i instrukcje systemowe pozwolą uzyskać znacznie lepsze rezultaty. Zalecamy przetestowanie wyselekcjonowanych modeli na rozdziale własnej książki w języku docelowym.

FAQ

Najczęściej zadawane pytania

Jaki jest najlepszy model AI do kreatywnego pisania?

GPT-5.6 Terra uzyskał najwyższy ogólny wynik warsztatu literackiego (0.84 z 1), a tuż za nim uplasował się Claude Opus 5. W pisaniu w językach innych niż angielski najlepiej poradził sobie Claude Opus 5. Szczegółowe zestawienie według języków i cen znajduje się w pełnym rankingu.

Jaka AI jest najbardziej opłacalna do pisania prozy?

DeepSeek V4 Pro. Warsztat 0.65, w granicach 25% od czołówki przy cenie $0.0024 za 1000 słów (7× taniej niż u lidera).

Który model AI pisze najlepiej w językach innych niż angielski?

Claude Opus 5 zdobył najwyższą ocenę (5.0 na 5) w teście 21 języków z promptami w językach docelowych. Kliknij dowolną komórkę w tabeli językowej, aby zobaczyć oceniony fragment.

W jaki sposób przeprowadzono ten benchmark?

Wszystkie modele otrzymały identyczne polecenia bez indywidualnego dostrajania. Panel 3 sędziów LLM (po jednym z każdego laboratorium: Claude Fable 5, Gemini, GPT-5.6 Terra) oceniał anonimowe odpowiedzi obok siebie, z wyłączeniem autoewaluacji. Jeden sędzia został zdyskwalifikowany za stawianie AI ponad ludzkimi pisarzami. Linki do surowych danych znajdują się poniżej.

Jak obliczane są koszty?

Koszty odzwierciedlają publiczne ceny OpenRouter w dniu testu, obliczone na podstawie łącznej liczby rozliczonych tokenów (w tym tokenów rozumowania) podzielonej przez liczbę wygenerowanych słów.

Czy mogę pisać z tymi modelami w vio?

Tak. vio to edytor do pisania ilustrowanej prozy, w którym możesz swobodnie wybierać i zmieniać modele w trakcie tworzenia kolejnych rozdziałów.

Wypróbuj te modele w edytorze vio Pełny zbiór danych (JSON)Oceny sędziów (JSON)