vio düzyazı kıyaslaması · v1

Hangi yapay zeka en iyi kurguyu yazıyor?

18 modele aynı kurgu görevlerini verdik: 7 görev türünde ve 21 dilde üretilen 2,213 metin, model jüriler tarafından kör okumayla değerlendirildi. Beş usta romancının metinleri de etiketsiz olarak araya eklendi. Tüm sonuçlar ve ham veriler burada.

Test tarihi 2026-08-28Nasıl ölçüldü?

Öneriler

Hangi modeli seçmelisiniz?

Genel sıralamanın lideri kitabınıza veya bütçenize uymayabilir. Karar vermeden önce dil desteğini ve fiyatları inceleyin.

En iyi düzyazı

GPT-5.6 Terra

Kör karşılaştırmalarda en çok kazanan model: 1 üzerinden 0.84 puanla genel klasman birincisi.

ustalık: 0.84
1.000 kelime başına: $0.016

İkinci sırada

Claude Opus 5

Ustalık puanı 0.82; liderin hemen ardında ve İngilizce dışında en iyi metinler: 21 dilde 5 üzerinden 5.0.

ustalık: 0.82
1.000 kelime başına: $0.048

Fiyat/performans lideri

DeepSeek V4 Pro

Ustalık puanı 0.65; 1.000 kelime başına $0.0024 maliyetle en yüksek kalitenin %25 yakınında (liderden 7× daha ucuz).

ustalık: 0.65
1.000 kelime başına: $0.0024

En ekonomik seçenek

DeepSeek V4 Flash

1.000 kelime başına $0.0003 maliyetle tablonun ortasında sağlam bir düzyazı kalitesi.

ustalık: 0.52
1.000 kelime başına: $0.0003

Jüri heyeti

4 jüri, 1 elendi

Jüriler her metni kör okumayla değerlendirir ve puanlar işlenmeden önce jüri heyeti doğrulanır. Yayımlanmış edebiyat eserlerinden bölümleri etiketsiz olarak dahil ediyoruz: yapay zekayı insan romancılardan üstün tutan jüriler diskalifiye edilir. Temel referans, insan metinlerinin üzerinde sıfır model bulunmasıdır. Ayrıca zayıf bir kontrol modelinin sonuncu olması şarttır. Hiçbir jüri kendi üreticisinin modelini puanlayamaz; laboratuvar yanlılığı ise şeffaflık adına aşağıda paylaşılır.

DeepSeek

insanı geçen model sayısı: 5 of 17
zayıf kontrol modeli sonuncu: yes
heyetle uyum: 0.94
kendi üreticisine yanlılık: +0.05

diskalifiye edildi: modelleri insan yazarların üstüne koydu

Claude Fable 5

Anthropic

insanı geçen model sayısı: 0 of 16
zayıf kontrol modeli sonuncu: yes
heyetle uyum: 0.94
kendi üreticisine yanlılık: +0.03

puanlar geçerli

Gemini

Google

insanı geçen model sayısı: 1 of 17
zayıf kontrol modeli sonuncu: yes
heyetle uyum: 0.93
kendi üreticisine yanlılık: +0.07

puanlar geçerli

GPT-5.6 Terra

OpenAI

insanı geçen model sayısı: 0 of 17
zayıf kontrol modeli sonuncu: yes
heyetle uyum: 0.93
kendi üreticisine yanlılık: +0.11

puanlar geçerli

DeepSeek elendi: insan seviyesinin üstüne 5 model yerleştirdi. Bu sayfadaki puanlar her laboratuvardan birer tane olmak üzere 3 jürinin kararını birleştirir: Claude Fable 5, Gemini, GPT-5.6 Terra.

Tüm sonuçlar

Liderlik tablosu

Edebi ustalığa göre sıralanmıştır: modelin tüm görevlerdeki kör, bire bir karşılaştırmalarda kazanma oranı (1,00 = her karşılaştırmada birincilik).

18 modelin tamamı ve son satırda yer alan zayıf kontrol modeli.
	model	ustalık	üslup çeşitliliği	21 dil	yetişkin kurgusu	1k kelime başına
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

Gri satır, değerlendirme sistemini doğrulamak için eklenen zayıf kontrol modelidir. 🧠 simgesi, akıl yürütme açıkken test edilen modelleri belirtir (akıl yürütme token'ları maliyete dahildir).

Modeller arasındaki puan dağılımı. Çizgiler, görevler yeniden örneklendiğinde %95 güven aralığını gösterir.

İnsan referans testi

Dickens'ı metinlerin arasına gizledik

Kör değerlendirmeye beş usta yazarın yayımlanmış eserlerinden isimsiz bölümler ekledik: Charles Dickens, George Eliot, James Joyce, Peter Watts ve Cory Doctorow. 6 tur boyunca jüriler, 24 metni görev içeriğini bilmeden ve insan yazısı içerdiğinden habersiz şekilde yalnızca edebi kaliteye göre sıraladı.

24 metinlik altı kör turdaki ortalama sıra (düşük değer daha iyidir). Yeşil satırlar insan yazarları gösterir.
	yazar	ortalama sıra	%95 aralığı
1	Eliot, Middlemarch (1871)insan	2.94	2.0–3.9
2	Dickens, Great Expectations (1861)insan	3.11	1.9–4.3
3	Joyce, Dubliners (1914)insan	3.22	2.3–4.2
4	Claude Opus 5	4.08	3.2–5.0
5	Watts, Blindsight (2006)insan	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)insan	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

Önemli çıkarım İnsan yazarlar ortalama 5.3. sırayı alırken yapay zeka modelleri ortalama 14.5. sırada kaldı. Tüm modeller Dickens, Eliot ve Joyce'un gerisinde kaldı; en çok yaklaşan model olan Claude Opus 5, 4.1. sırada yer aldı. Altı tur zirvedeki grubun kendi iç sıralamasını kesinleştiremese de, bu grup ile alttaki modeller arasındaki kalite farkı son derece nettir.

Çok dilli edebiyat

İngilizce dışında en iyi hangi yapay zeka yazıyor?

İngilizce komut verip başka bir dilde yazmasını istemek akıcılığı değil, yalnızca talimata uyumu ölçer. Biz her görevi doğrudan kendi hedef dilinde hazırladık. Jüriler her metni tek bir temel soruyla değerlendirdi: Bu metin o dilde doğal mı yazılmış, yoksa makine çevirisi gibi mi hissettiriyor? Metni ve jürinin öne çıkardığı alıntıları görmek için herhangi bir hücreye tıklayın.

Metin başına 1 ile 5 arası ortalama jüri puanı (5 = ana dil akıcılığı, 3'ün altı = makine çevirisi hissi).
model	ortalama	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

Üslup çeşitliliği

Tek bir sahne, on dört farklı ses

Tüm modeller aynı sahneyi 14 farklı edebi üslupta yazdı: bir gece görevlisinin odaya yetkisiz bir ziyaretçiyi alması. Sahnenin aynı kalması, saf üslup ustalığını ortaya çıkarır. Jüriler metinleri şu soruya göre sıraladı: Bu sesi en iyi kim yansıtıyor? Her hücre model başına üç üretimi birleştirir. En yüksek puan alan metni okumak için herhangi bir hücreye tıklayın.

Modeller arasındaki yüzdelik sıra (1,00 = tüm jürilerde birinci, 0,00 = sonuncu). **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	ortalama	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

İçerik sınırları

Hangi modeller yetişkin sahnelerini istendiği gibi yazıyor?

Yayımlanmış edebiyatta yaygın olarak yer alan rızaya dayalı yetişkin romantizmi, çarpıcı aksiyon ve ahlaki açıdan karmaşık dramayı kapsayan 15 gerçekçi yazarlık görevi. Sahneleri karartarak veya sonrasına atlayarak sessizce sansürleyen modelleri tespit etmek için her çıktıyı inceledik.

tamamlandı yumuşatıldı reddedildi
	açık sahneler						şiddet			ahlak
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

Sırasıyla görev kategorileri: 1 açık sahneler, edebi üslup; 2 açık sahneler, dolaysız üslup; 3 açık sahneler, ayrıntılı anlatım; 4 rızaya dayalı fetiş; 5 üç yetişkin; 6 seks işçiliği; 7 işkence; 8 savaş suçu sahnesi; 9 mezbaha vardiyası; 10 haz alınan zalimlik; 11 ikna edici bir demagog; 12 madde kullanımı, ahlak dersi vermeden; 13 zalimlik, empatiyle aktarılan. Standart edebi temalarda dahi ret oranları büyük farklılık gösteriyor. İçerik güvenliğini korumak amacıyla metinler gizlenmiştir; yalnızca uyumluluk sonuçları gösterilmektedir.

Fiyat ve kalite

1.000 kelime başına kalitenin maliyeti

OpenRouter liste fiyatlarıyla tamamlanmış 1.000 kelime başına maliyet (gizli akıl yürütme token'ları dahil). Fiyatlar arasında 100 kat fark olmasına rağmen düzyazı kalitesi ile fiyat arasında bir korelasyon yoktur.

Sol üst köşe, daha düşük maliyetle daha iyi düzyazıyı gösterir. Fiyatlar 2026-08-28 tarihindeki OpenRouter tarifeleridir.

Metodoloji

Nasıl ölçüldü?

Aynı görevler, sabit ayarlar, modele özel komut optimizasyonu yok ve izin verilen yerlerde standart örnekleme. Eksik veya başarısız üretimler modelin puanını düşürür.

Kör ikili karşılaştırma

Bir göreve verilen tüm yanıtlar anonimleştirilir ve her jüri için rastgele karıştırılır. Aynı görev içinde değerlendirme yapmak, komut zorluğundan kaynaklanan sapmaları ortadan kaldırır.

Kalibre edilmiş jüri heyeti

Jüriler, insan metinleriyle doğrulanmış LLM modelleridir. Her puanlama metinden doğrulanabilir alıntılar gerektirir. Heyet karnesi kalibrasyon ve diskalifiye ayrıntılarını içerir.

Otomatik doğrulama

Deterministik betikler talimata uyumu, 21 dildeki karakter setlerini ve aksan işaretlerini, tekrarları ve kesin token maliyetlerini ölçer.

Piyasa fiyatlandırması

Tüm benchmark çağrıları OpenRouter üzerinden kamuya açık liste fiyatlarıyla faturalandırıldı; özel indirimler olmaksızın gerçek API maliyetlerini yansıtır.

Kapsam ve sınırlılıklar Bu sonuçlar sabit test koşullarında tek turlu komutları yansıtır. Özenli bir komut mühendisliği ve sistem talimatları daha iyi sonuçlar verecektir. Kısa listeye aldığınız modelleri hedef dilinizde kendi kitabınızdan bir bölümle test etmenizi öneririz.

SSS

Sıkça sorulan sorular

Yaratıcı yazarlık için en iyi yapay zeka modeli hangisi?

GPT-5.6 Terra, genel edebi ustalıkta en yüksek puanı aldı (1 üzerinden 0.84) ve onu hemen ardından Claude Opus 5 takip etti. İngilizce dışındaki dillerde yazmak için en yüksek sırayı Claude Opus 5 elde etti. Dil ve fiyata göre ayrıntılı döküm için liderlik tablosuna göz atın.

Kurgu yazımı için fiyat/performans açısından en uygun yapay zeka hangisi?

DeepSeek V4 Pro. Ustalık puanı 0.65; 1.000 kelime başına $0.0024 maliyetle en yüksek kalitenin %25 yakınında (liderden 7× daha ucuz).

İngilizce dışındaki dillerde en iyi hangi yapay zeka yazıyor?

Claude Opus 5, doğrudan hedef dilinde verilen komutlarla test edilen 21 dilde en yüksek puanı (5 üzerinden 5.0) elde etti. Değerlendirilen metni görmek için dil tablosundaki herhangi bir hücreye tıklayın.

Bu benchmark nasıl yürütüldü?

Tüm modeller, modele özel herhangi bir optimizasyon yapılmaksızın aynı komutları aldı. 3 LLM jürisinden oluşan bir heyet (her laboratuvardan bir adet: Claude Fable 5, Gemini, GPT-5.6 Terra) anonimleştirilmiş yanıtları yan yana değerlendirdi ve kendi üreticisini puanlama engellendi. Bir jüri, yapay zekayı insan romancıların üzerine koyduğu için diskalifiye edildi. Ham veri kayıtlarına aşağıdan ulaşabilirsiniz.

Maliyetler nasıl hesaplanıyor?

Maliyetler, test tarihindeki genel OpenRouter API fiyatlarını yansıtır; faturalandırılan toplam token tutarının (akıl yürütme token'ları dahil) üretilen kelime sayısına bölünmesiyle hesaplanır.

Bu modellerle vio'da yazabilir miyim?

Evet. vio, bölümler arasında dilediğiniz modelleri özgürce seçip değiştirebileceğiniz, resimli kurgu yazarlığına yönelik bir editördür.

Bu modelleri vio editöründe deneyin Tam test veri seti (JSON)Jüri puanları (JSON)