Bút lực xuất sắc nhất
GPT-5.6 Terra
Thắng nhiều lượt đối đầu ẩn danh nhất: 0.84 trên 1, dẫn đầu toàn diện.
- bút lực
- 0.84
- trên 1.000 từ
- $0.016
vio prose bench · v1
Chúng tôi giao cùng một đề bài truyện cho 18 mô hình: 2,213 đoạn văn thuộc 7 nhóm đề bài và 21 ngôn ngữ, được các giám khảo AI chấm ẩn danh. Tác phẩm của năm tiểu thuyết gia nổi tiếng được trộn lẫn không gắn nhãn. Toàn bộ kết quả và dữ liệu gốc đều có tại đây.
Thời điểm đánh giá 2026-08-28Phương pháp đánh giá
Gợi ý lựa chọn
Mô hình dẫn đầu chưa chắc đã phù hợp với cuốn sách hay ngân sách của bạn. Hãy kiểm tra độ hỗ trợ ngôn ngữ và chi phí trước khi quyết định.
Bút lực xuất sắc nhất
Thắng nhiều lượt đối đầu ẩn danh nhất: 0.84 trên 1, dẫn đầu toàn diện.
Á quân
Bút lực đạt 0.82, ngay sau vị trí dẫn đầu, với chất văn ngoài tiếng Anh tốt nhất: 5.0 trên 5 qua 21 ngôn ngữ.
Hiệu năng trên giá tốt nhất
Bút lực đạt 0.65, tiệm cận 25% chất lượng cao nhất với mức giá $0.0024 cho mỗi 1.000 từ (rẻ hơn 7× so với quán quân).
Mức giá rẻ nhất viết ổn
$0.0003 cho mỗi 1.000 từ với chất văn ổn định ở nhóm giữa.
Hội đồng giám khảo
Giám khảo đọc từng đoạn văn hoàn toàn ẩn danh, và hội đồng được kiểm định nghiêm ngặt trước khi tính điểm. Chúng tôi trộn lẫn tiểu thuyết người thật đã xuất bản mà không gắn nhãn: giám khảo nào xếp máy cao hơn tiểu thuyết gia sẽ bị loại ngay lập tức. Chuẩn cơ sở là không có mô hình nào vượt qua văn học con người. Mô hình đối chứng yếu bắt buộc phải xếp chót bảng. Không giám khảo nào chấm điểm mô hình từ cùng nhà phát triển, và độ thiên vị nội bộ được theo dõi và công khai bên dưới.
DeepSeek
Anthropic
OpenAI
DeepSeek bị loại: xếp 5 mô hình cao hơn chuẩn văn học con người. Điểm số trên trang này tổng hợp từ 3 giám khảo, mỗi phòng lab một đại diện: Claude Fable 5, Gemini, GPT-5.6 Terra.
Bảng xếp hạng đầy đủ
Xếp hạng theo bút lực văn xuôi: tỷ lệ thắng trong các vòng đối đầu ẩn danh trực tiếp trên mọi đề bài (1.00 = thắng tuyệt đối mọi cặp đấu).
| mô hình | bút lực | biên độ phong cách | 21 ngôn ngữ | văn học người lớn | trên 1.000 từ | |
|---|---|---|---|---|---|---|
| 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 |
Hàng màu xám là mô hình đối chứng yếu dùng để kiểm định quy trình đánh giá. Biểu tượng 🧠 đánh dấu các mô hình được kích hoạt chế độ suy luận khi đánh giá (chi phí đã bao gồm token suy luận).
Đối chứng văn học người thật
Chúng tôi trộn lẫn các trích đoạn không gắn nhãn của năm tiểu thuyết gia nổi tiếng vào đợt đánh giá ẩn danh: Charles Dickens, George Eliot, James Joyce, Peter Watts và Cory Doctorow. Qua 6 vòng, các giám khảo xếp hạng 24 đoạn trích thuần túy dựa trên chất lượng văn phong, không kèm ngữ cảnh đề bài và không hề biết có bài viết của con người.
| tác giả | hạng trung bình | khoảng tin cậy 95% | |
|---|---|---|---|
| 1 | Eliot, Middlemarch (1871)người thật | 2.94 | 2.0–3.9 |
| 2 | Dickens, Great Expectations (1861)người thật | 3.11 | 1.9–4.3 |
| 3 | Joyce, Dubliners (1914)người thật | 3.22 | 2.3–4.2 |
| 4 | Claude Opus 5 | 4.08 | 3.2–5.0 |
| 5 | Watts, Blindsight (2006)người thật | 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)người thật | 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 |
Kết luận then chốt Các tiểu thuyết gia người thật đạt thứ hạng trung bình 5.3; các mô hình AI đạt trung bình 14.5. Tất cả các mô hình đều xếp sau Dickens, Eliot và Joyce; mô hình bám sát nhất là Claude Opus 5, dừng bước ở hạng 4.1. Dù 6 vòng thi chưa thể phân định rạch ròi thứ bậc trong nhóm dẫn đầu, khoảng cách chất lượng giữa nhóm này và phần còn lại là vô cùng rõ rệt.
Văn phong đa ngôn ngữ
Đưa đề bài bằng tiếng Anh để yêu cầu viết ngôn ngữ khác chỉ đo lường tính tuân thủ chứ không đo được độ trôi chảy. Chúng tôi soạn toàn bộ đề bài trực tiếp bằng chính ngôn ngữ đích. Giám khảo đánh giá từng đoạn văn theo câu hỏi cốt lõi: đoạn này đọc tự nhiên như người bản xứ viết, hay như dịch sang? Nhấp vào ô bất kỳ để xem đoạn văn và trích dẫn đánh giá của giám khảo.
| mô hình | trung bình | 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 |
Biên độ phong cách
Mọi mô hình cùng viết chung một tiền đề qua 14 phong cách văn học riêng biệt: người trực đêm mở cửa cho vị khách không phận sự bước vào phòng. Việc giữ nguyên bối cảnh giúp cô lập và đánh giá chuẩn xác năng lực biến hóa văn phong. Giám khảo xếp hạng theo câu hỏi: ai viết giọng văn này hay nhất? Mỗi ô tổng hợp 3 lần sinh văn bản cho mỗi mô hình. Nhấp vào ô bất kỳ để đọc đoạn văn đứng đầu bảng.
| mô hình | trung bình | 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 |
Giới hạn nội dung
15 đề tài viết văn sáng tạo thực tế bao gồm tình cảm lãng mạn người lớn có đồng thuận, hành động chân thực và kịch tính đạo đức phức tạp thường thấy trong văn học xuất bản. Chúng tôi rà soát kỹ từng bài viết để nhận diện những mô hình tự ý làm nhẹ bớt cảnh bằng cách chuyển cảnh mờ dần sang tối hoặc nhảy cóc thẳng sang hồi kết.
| cảnh nhạy cảm | bạo lực | đạo đức | |||||||||||
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| mô hình | 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 | |||||||||||||
Thứ tự các nhóm đề bài: 1 nhạy cảm, đậm chất văn học; 2 nhạy cảm, trực diện; 3 nhạy cảm, miêu tả liền mạch; 4 sở thích đặc biệt có đồng thuận; 5 ba người lớn; 6 mại dâm; 7 tra tấn; 8 cảnh tội ác chiến tranh; 9 ca làm việc ở lò mổ; 10 khoái trá trước sự tàn bạo; 11 kẻ mị dân tài hùng biện; 12 sử dụng chất kích thích, không giáo điều; 13 tàn nhẫn nhưng khơi gợi cảm thông. Tỷ lệ từ chối có sự phân hóa lớn giữa các môtíp văn học thông thường. Nhằm đảm bảo an toàn nội dung, toàn văn bài viết không được hiển thị; chỉ công bố kết quả tuân thủ.
Giá cả vs Chất lượng
Chi phí cho mỗi 1.000 từ văn xuôi hoàn chỉnh theo giá niêm yết OpenRouter, bao gồm cả token suy luận ẩn. Mức giá có thể chênh lệch tới 100×, nhưng chất lượng văn xuôi không hề tỷ lệ thuận với giá tiền.
Phương pháp
Chung đề bài, cố định thiết lập, không tinh chỉnh prompt riêng cho từng mô hình, và chuẩn hóa tham số lấy mẫu ở những nơi cho phép. Các phản hồi lỗi hoặc chưa hoàn tất đều bị trừ điểm trực tiếp.
Mọi bài viết cho cùng một đề bài đều được ẩn danh và xáo trộn ngẫu nhiên trước mỗi giám khảo. Việc so sánh trực tiếp trong cùng một đề bài giúp loại bỏ sai số do độ khó của prompt.
Giám khảo là các LLM được kiểm định độc lập với đối chứng con người. Mọi đánh giá đều bắt buộc có trích dẫn xác thực từ văn bản. Bảng điểm hội đồng công khai chi tiết chuẩn hóa và các trường hợp bị loại.
Các kịch bản tự động đo lường độ tuân thủ đề bài, bộ ký tự, dấu thanh trên 21 ngôn ngữ, độ lặp từ và chi phí token chính xác.
Tất cả lượt gọi đánh giá đều được tính phí qua OpenRouter theo giá niêm yết công khai, phản ánh chi phí API thực tế không áp dụng chiết khấu riêng.
Phạm vi & Hạn chế của bài đánh giá Kết quả này phản ánh các prompt đơn lượt trong điều kiện tiêu chuẩn cố định. Việc tối ưu hóa prompt chuyên sâu và chỉ dẫn hệ thống phù hợp sẽ mang lại kết quả vượt trội hơn. Chúng tôi khuyên bạn nên thử nghiệm các mô hình được chọn trên một chương truyện thực tế của chính bạn bằng ngôn ngữ đích.
Hỏi đáp
GPT-5.6 Terra đạt điểm bút lực tổng thể cao nhất (0.84 trên 1), bám sát ngay sau là Claude Opus 5. Với văn chương ngoài tiếng Anh, Claude Opus 5 xếp hạng cao nhất. Bạn có thể xem bảng xếp hạng đầy đủ để tra cứu chi tiết theo ngôn ngữ và chi phí.
DeepSeek V4 Pro. Bút lực đạt 0.65, tiệm cận 25% chất lượng cao nhất với mức giá $0.0024 cho mỗi 1.000 từ (rẻ hơn 7× so với quán quân).
Claude Opus 5 đạt điểm số cao nhất (5.0 trên 5) trên 21 ngôn ngữ được thử nghiệm trực tiếp bằng đề bài tiếng bản xứ. Nhấp vào ô bất kỳ trong bảng ngôn ngữ để xem đoạn văn được đánh giá.
Tất cả mô hình đều nhận đề bài giống hệt nhau mà không có sự tinh chỉnh riêng biệt. Một hội đồng gồm 3 giám khảo AI (mỗi phòng lab một đại diện: Claude Fable 5, Gemini, GPT-5.6 Terra) đánh giá các phản hồi ẩn danh song song, loại trừ việc tự chấm điểm. Một giám khảo bị loại do xếp AI cao hơn tiểu thuyết gia người thật. Dữ liệu gốc đầy đủ được liên kết ở bên dưới.
Chi phí dựa trên biểu giá API công khai của OpenRouter tại ngày thử nghiệm, tính bằng tổng số token bị tính phí (bao gồm cả token suy luận) chia cho số từ tạo ra.
Có. vio là trình soạn thảo dành cho sáng tác truyện có tranh minh họa, nơi bạn có thể thoải mái chọn và chuyển đổi linh hoạt giữa các mô hình qua từng chương truyện.