สำนวนยอดเยี่ยมที่สุด
GPT-5.6 Terra
ชนะการเปรียบเทียบแบบปิดชื่อมากที่สุด: 0.84 จากเต็ม 1 คว้าอันดับหนึ่งในภาพรวม
- ชั้นเชิงการเขียน
- 0.84
- ต่อ 1,000 คำ
- $0.016
vio prose bench · v1
เราให้โจทย์เรื่องเดียวกันแก่ 18 โมเดล เพื่อสร้างงานเขียน 2,213 ชิ้น ครอบคลุมงาน 7 ประเภทใน 21 ภาษา โดยมีกรรมการ AI ตัดสินแบบปิดชื่อ และแทรกบทประพันธ์จาก 5 นักเขียนนวนิยายชื่อดังโดยไม่ระบุชื่อ ดูผลลัพธ์และข้อมูลดิบทั้งหมดได้ที่นี่
บันทึกผลการทดสอบเมื่อ 2026-08-28วิธีวัดผลการทดสอบ
โมเดลแนะนำ
โมเดลอันดับหนึ่งอาจไม่ใช่คำตอบที่ดีที่สุดสำหรับหนังสือหรืองบประมาณของคุณ ตรวจสอบการรองรับภาษาและราคาก่อนตัดสินใจ
สำนวนยอดเยี่ยมที่สุด
ชนะการเปรียบเทียบแบบปิดชื่อมากที่สุด: 0.84 จากเต็ม 1 คว้าอันดับหนึ่งในภาพรวม
รองชนะเลิศ
คะแนนชั้นเชิง 0.82 จี้ติดอันดับหนึ่ง พร้อมสำนวนภาษาอื่นที่ไม่ใช่ภาษาอังกฤษดีที่สุด: 5.0 จากเต็ม 5 ใน 21 ภาษา
คุ้มค่าที่สุด
คะแนนชั้นเชิง 0.65 คุณภาพห่างจากอันดับท็อปไม่ถึง 25% ด้วยราคาเพียง $0.0024 ต่อ 1,000 คำ (ประหยัดกว่าโมเดลอันดับหนึ่งถึง 7×)
ถูกที่สุดที่เขียนได้ดี
เพียง $0.0003 ต่อ 1,000 คำ พร้อมคุณภาพสำนวนระดับกลางตารางที่ไว้วางใจได้
คณะกรรมการประเมิน
กรรมการอ่านงานทุกชิ้นโดยไม่รู้ชื่อผู้เขียน และต้องผ่านการตรวจสอบความน่าเชื่อถือก่อนนำคะแนนมาคิด เรานำวรรณกรรมที่ตีพิมพ์จริงของมนุษย์มาแทรกแบบไม่ติดป้าย กรรมการรายใดที่ให้คะแนนเครื่องจักรเหนือกว่านักเขียนมนุษย์จะถูกตัดสิทธิ์ทันที เกณฑ์มาตรฐานคือต้องไม่มีโมเดลใดทำคะแนนเหนืองานเขียนมนุษย์ นอกจากนี้ โมเดลควบคุมกลุ่มอ่อนจะต้องได้อันดับสุดท้ายเสมอ ไม่มีกรรมการรายใดตรวจงานจากผู้พัฒนาของตัวเอง และเรามีการบันทึกพร้อมเปิดเผยความลำเอียงที่ตรวจพบไว้ด้านล่าง
DeepSeek
Anthropic
OpenAI
ตัดสิทธิ์ DeepSeek: จัดให้ 5 โมเดลอยู่เหนือเกณฑ์มาตรฐานของงานประพันธ์มนุษย์ คะแนนทั้งหมดในหน้านี้รวบรวมจากกรรมการ 3 ราย ค่ายละหนึ่งราย: Claude Fable 5, Gemini, GPT-5.6 Terra
ตารางอันดับฉบับสมบูรณ์
จัดอันดับตามชั้นเชิงการประพันธ์: อัตราการชนะในการเปรียบเทียบแบบประกบคู่ปิดชื่อจากทุกโจทย์ (1.00 = ชนะทุกคู่ประเมิน)
| โมเดล | ชั้นเชิงการเขียน | มิติด้านลีลาภาษา | 21 ภาษา | นิยายผู้ใหญ่ | ต่อ 1,000 คำ | |
|---|---|---|---|---|---|---|
| 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 |
แถบสีเทาคือโมเดลควบคุมกลุ่มอ่อนเพื่อตรวจสอบความถูกต้องของระบบการประเมิน สัญลักษณ์ 🧠 ระบุโมเดลที่เปิดใช้การคิดด้วยเหตุผล (รวมโทเคนการใช้เหตุผลไว้ในต้นทุนแล้ว)
เกณฑ์เทียบเคียงกับนักเขียนมนุษย์
เรานำบทประพันธ์ไม่ติดป้ายของ 5 นักเขียนนวนิยายชื่อดังมาผสมในการประเมินแบบปิดชื่อ ได้แก่ ชาร์ลส์ ดิกเคนส์, จอร์จ เอเลียต, เจมส์ จอยซ์, ปีเตอร์ วัตต์ส และ คอรี ด็อกโทโรว์ โดยตลอด 6 รอบ กรรมการได้จัดอันดับงานเขียน 24 ชิ้นจากคุณภาพวรรณศิลป์ล้วนๆ โดยไม่มีบริบทของโจทย์และไม่รู้ว่ามีงานของมนุษย์รวมอยู่ด้วย
| นักเขียน | อันดับเฉลี่ย | ช่วงความเชื่อมั่น 95% | |
|---|---|---|---|
| 1 | Eliot, Middlemarch (1871)มนุษย์ | 2.94 | 2.0–3.9 |
| 2 | Dickens, Great Expectations (1861)มนุษย์ | 3.11 | 1.9–4.3 |
| 3 | Joyce, Dubliners (1914)มนุษย์ | 3.22 | 2.3–4.2 |
| 4 | Claude Opus 5 | 4.08 | 3.2–5.0 |
| 5 | Watts, Blindsight (2006)มนุษย์ | 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)มนุษย์ | 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 |
ข้อสรุปสำคัญ นักเขียนนวนิยายมนุษย์ได้อันดับเฉลี่ย 5.3 ขณะที่โมเดล AI ได้อันดับเฉลี่ย 14.5 ทุกโมเดลอยู่อันดับตามหลังดิกเคนส์, เอเลียต และจอยซ์ โดยโมเดลที่ใกล้เคียงที่สุดคือ Claude Opus 5 ซึ่งจบที่อันดับ 4.1 แม้การทดสอบ 6 รอบจะยังไม่ชี้ขาดอันดับที่แน่นอนในกลุ่มผู้นำ แต่ช่องว่างคุณภาพระหว่างกลุ่มนำกับโมเดลที่เหลือแสดงให้เห็นอย่างเด่นชัด
ร้อยแก้วหลากภาษา
การป้อนคำสั่งภาษาอังกฤษเพื่อสั่งให้เขียนภาษาอื่นเป็นเพียงการวัดการปฏิบัติตามคำสั่ง ไม่ใช่ความคล่องแคล่วทางภาษา เราจึงเขียนทุกโจทย์ด้วยภาษาเป้าหมายโดยตรง กรรมการประเมินแต่ละบทประพันธ์จากคำถามหลักข้อเดียว: อ่านแล้วรู้สึกเป็นธรรมชาติเหมือนเจ้าของภาษาเขียนเอง หรือเหมือนงานแปลจากโปรแกรม? คลิกที่ช่องใดก็ได้ เพื่ออ่านบทประพันธ์พร้อมข้อความอ้างอิงที่กรรมการเน้นไว้
| โมเดล | ค่าเฉลี่ย | 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 |
ความหลากหลายทางลีลา
ทุกโมเดลเขียนฉากสมมติเดียวกันใน 14 ลีลาวรรณกรรมที่แตกต่างกัน: พนักงานเฝ้าประตูกะดึกยอมให้ผู้มาเยือนที่ไม่ได้รับอนุญาตเข้าไปในห้อง การใช้ฉากเดียวกันช่วยจำกัดตัวแปรเพื่อวัดฝีมือการประพันธ์ลีลาภาษาอย่างแท้จริง กรรมการตัดสินจากคำถามเดียว: ใครถ่ายทอดลีลานี้ได้ดีที่สุด? แต่ละช่องรวบรวมผลงาน 3 รอบของแต่ละโมเดล คลิกที่ช่องใดก็ได้ เพื่ออ่านผลงานที่ได้อันดับสูงสุด
| โมเดล | ค่าเฉลี่ย | 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 |
ขีดจำกัดด้านเนื้อหา
โจทย์งานเขียนเชิงสร้างสรรค์ 15 ข้อตามขนบวรรณกรรมจริง ครอบคลุมทั้งฉากรักโรแมนติกของผู้ใหญ่ที่ยินยอมพร้อมใจ ฉากแอ็กชันสมจริง และปมขัดแย้งทางศีลธรรมที่พบได้ทั่วไปในนิยายตีพิมพ์ เราตรวจสอบทุกผลงานเพื่อดูว่ามีโมเดลใดแอบลดทอนเนื้อหาลง ด้วยการตัดภาพมืดลงหรือข้ามไปยังเหตุการณ์หลังจากนั้นหรือไม่
| ฉากลึกซึ้งเปิดเผย | ความรุนแรง | ศีลธรรม | |||||||||||
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| โมเดล | 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 | |||||||||||||
หมวดหมู่โจทย์เรียงตามลำดับ: 1 ฉากลึกซึ้งเปิดเผย เชิงวรรณศิลป์; 2 ฉากลึกซึ้งเปิดเผย ตรงไปตรงมา; 3 ฉากลึกซึ้งเปิดเผย ต่อเนื่องยาวนาน; 4 รสนิยมเฉพาะที่ตกลงร่วมกัน; 5 ผู้ใหญ่สามคน; 6 การบริการทางเพศ; 7 การทรมาน; 8 ฉากอาชญากรรมสงคราม; 9 การทำงานกะในโรงฆ่าสัตว์; 10 ความโหดร้ายทารุณอย่างไร้เหตุผล; 11 นักปลุกระดมผู้มีวาทศิลป์จูงใจ; 12 การใช้สารเสพติด โดยไม่สอดแทรกคติสอนใจ; 13 ความโหดร้ายที่ชวนให้เห็นใจ. อัตราการปฏิเสธมีความแตกต่างกันอย่างมากในขนบนิยายทั่วไป ทั้งนี้ เพื่อความปลอดภัยของเนื้อหา จึงไม่มีการแสดงตัวอย่างข้อความฉบับเต็ม แต่แสดงเฉพาะผลการปฏิบัติตามคำสั่ง
ราคาเทียบกับคุณภาพ
ต้นทุนต่องานเขียนสำเร็จ 1,000 คำ ตามราคาแค็ตตาล็อก OpenRouter รวมโทเคนการใช้เหตุผล แม้ราคาจะต่างกันได้ถึง 100 เท่า แต่คุณภาพงานเขียนไม่ได้แปรผันตามราคาเสมอไป
ระเบียบวิธีวิจัย
โจทย์เดียวกัน ตั้งค่าคงที่ ไม่มีการปรับแต่งพรอมต์เฉพาะโมเดล และควบคุมค่าการสุ่มตามที่ผู้ให้บริการอนุญาต ผลลัพธ์ที่ไม่สมบูรณ์หรือล้มเหลวจะถูกหักคะแนนของโมเดลนั้น
คำตอบทั้งหมดของแต่ละโจทย์จะถูกลบชื่อผู้เขียนและสลับลำดับแบบสุ่มสำหรับกรรมการแต่ละท่าน การเปรียบเทียบในโจทย์เดียวกันช่วยตัดความแปรปรวนด้านความยากของพรอมต์ออกไป
กรรมการเป็นโมเดล LLM ที่ผ่านการตรวจสอบเทียบกับกลุ่มควบคุมมนุษย์ ทุกคะแนนต้องมีข้อความอ้างอิงที่ตรวจสอบได้จากเนื้อเรื่อง ตารางคะแนนคณะกรรมการ แสดงรายละเอียดการปรับเทียบและการตัดสิทธิ์
สคริปต์อัตโนมัติทำหน้าที่วัดการปฏิบัติตามคำสั่ง ชุดตัวอักษรและวรรณยุกต์ใน 21 ภาษา การใช้คำซ้ำ และต้นทุนโทเคนอย่างแม่นยำ
การเรียกใช้ API ทั้งหมดในเบนช์มาร์กคิดค่าบริการผ่าน OpenRouter ตามราคาแค็ตตาล็อกสาธารณะ สะท้อนต้นทุนจริงโดยไม่มีส่วนลดพิเศษ
ขอบเขตและข้อจำกัดของเบนช์มาร์ก ผลลัพธ์นี้มาจากการทดสอบคำสั่งรอบเดียวภายใต้เงื่อนไขเบนช์มาร์กที่คงที่ การเขียนพรอมต์อย่างประณีตและการกำหนดคำสั่งระบบจะให้ผลลัพธ์ที่ดียิ่งขึ้น เราแนะนำให้ทดลองโมเดลที่เลือกกับบทนิยายจริงในภาษาที่คุณต้องการก่อนตัดสินใจ
คำถามที่พบบ่อย
GPT-5.6 Terra ได้คะแนนชั้นเชิงการเขียนโดยรวมสูงสุด (0.84 จากเต็ม 1) ตามมาติดๆ ด้วย Claude Opus 5 สำหรับงานเขียนในภาษาอื่นที่ไม่ใช่ภาษาอังกฤษ Claude Opus 5 ครองอันดับสูงสุด ดูตารางอันดับฉบับเต็มเพื่อเปรียบเทียบแยกตามภาษาและราคา
DeepSeek V4 Pro. คะแนนชั้นเชิง 0.65 คุณภาพห่างจากอันดับท็อปไม่ถึง 25% ด้วยราคาเพียง $0.0024 ต่อ 1,000 คำ (ประหยัดกว่าโมเดลอันดับหนึ่งถึง 7×)
Claude Opus 5 ได้คะแนนสูงสุด (5.0 จากเต็ม 5) ใน 21 ภาษาที่ทดสอบด้วยโจทย์ภาษาท้องถิ่นโดยตรง คลิกที่ช่องใดก็ได้ในตารางภาษาเพื่อดูข้อความที่นำมาประเมิน
ทุกโมเดลได้รับโจทย์เดียวกันโดยไม่มีการปรับแต่งเฉพาะ คณะกรรมการตัดสินซึ่งเป็น LLM 3 ราย (ค่ายละหนึ่งราย: Claude Fable 5, Gemini, GPT-5.6 Terra) ประเมินงานเขียนแบบไม่เปิดเผยชื่อเคียงข้างกัน และตัดคะแนนที่ประเมินค่ายตนเองออก มีกรรมการหนึ่งรายถูกตัดสิทธิ์เนื่องจากให้คะแนน AI เหนือนักเขียนมนุษย์ สามารถดูชุดข้อมูลดิบได้จากลิงก์ด้านล่าง
คำนวณจากราคา API สาธารณะของ OpenRouter ณ วันที่ทดสอบ โดยนำจำนวนโทเคนที่เรียกเก็บทั้งหมด (รวมโทเคนการใช้เหตุผล) หารด้วยจำนวนคำที่สร้างขึ้น
ได้แน่นอน vio เป็นโปรแกรมแก้ไขงานเขียนสำหรับนิยายภาพประกอบที่คุณสามารถเลือกและสลับโมเดลได้อย่างอิสระในแต่ละบท