The vio prose bench · v1

哪款 AI 写小说最强？

我们给 18 款模型提供了完全相同的创作命题：涵盖 7 类任务与 21 种语言的 2,213 个段落，由模型裁判进行盲测排名。五位人类小说家的作品也隐去署名混入其中。所有评测结果与原始数据均公布在此。

测试记录时间 2026-08-28怎么测的

选型推荐

该选哪款模型？

综合第一的模型不一定适合你的作品或预算。选择前请先查看多语言表现与价格。

文笔最佳

GPT-5.6 Terra

盲测对决中胜率最高：得分 0.84（满分 1），综合排名第一。

文笔: 0.84
每千字: $0.016

紧随其后

Claude Opus 5

文笔得分 0.82，紧跟榜首；非英语写作全场最佳：21 种语言平均得分为 5.0（满分 5）。

文笔: 0.82
每千字: $0.048

性价比最高

DeepSeek V4 Pro

文笔得分 0.65，与顶级水平差距在 25% 以内，每千字仅需 $0.0024（比榜首便宜 7 倍）。

文笔: 0.65
每千字: $0.0024

堪用的最便宜之选

DeepSeek V4 Flash

每千字仅需 $0.0003，具备扎实的中游文笔水平。

文笔: 0.52
每千字: $0.0003

评审团

4 位裁判，已排除 1 位

裁判盲读每一段文字，且裁判团本身在计分前须经过严格检验。我们匿名混入了已出版的人类小说：任何将机器排在人类小说家之上的裁判均会被直接取消资格。排在人类文笔之上的模型数为 0 是基准线。同时，弱对照模型必须垫底。裁判不得为自家厂商的模型评分，而自研偏向数据也已测量并公开于下方。

DeepSeek

排在人类文笔之上的模型数: 5 of 17
弱对照模型是否垫底: yes
与评审团一致度: 0.94
对自家模型的偏向: +0.05

已排除：把模型排在了人类作家之上

Claude Fable 5

Anthropic

排在人类文笔之上的模型数: 0 of 16
弱对照模型是否垫底: yes
与评审团一致度: 0.94
对自家模型的偏向: +0.03

计入总分

Gemini

Google

排在人类文笔之上的模型数: 1 of 17
弱对照模型是否垫底: yes
与评审团一致度: 0.93
对自家模型的偏向: +0.07

计入总分

GPT-5.6 Terra

OpenAI

排在人类文笔之上的模型数: 0 of 17
弱对照模型是否垫底: yes
与评审团一致度: 0.93
对自家模型的偏向: +0.11

计入总分

DeepSeek 已排除：将 5 款模型排在了人类基准之上。本页每个分数均汇总了来自各实验室的 3 位裁判（每家一位）：Claude Fable 5, Gemini, GPT-5.6 Terra。

完整榜单

排行榜

按文笔排序：在所有命题的盲测一对一对比中的胜率（1.00 表示赢得所有对比）。

全部 18 款模型，最后一行是弱对照模型。
	模型	文笔	文风跨度	21 种语言	成人文学	每千字成本
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

灰色行表示用于校验评测流程有效性的弱对照模型。🧠 表示开启推理模式评测的模型（推理 Token 已计入成本）。

各模型得分分布。误差线表示重新抽样命题时的 95% 置信区间。

人类对照

我们把狄更斯藏进了测试堆

五位已出版小说家的选段隐去署名混入了盲测：查尔斯·狄更斯、乔治·艾略特、詹姆斯·乔伊斯，以及两位在世作家彼得·沃茨和科利·多克托罗。在 6 轮测试中，裁判在没有任何命题背景、也完全不知道有人类作品混入的情况下，纯粹依据文笔对 24 个段落进行盲测排序。

在 6 轮盲测（每轮 24 个段落）中的平均名次（数字越小越好）。绿色行表示人类作家。
	作者 / 模型	平均名次	95% 区间
1	Eliot, Middlemarch (1871)人类作家	2.94	2.0–3.9
2	Dickens, Great Expectations (1861)人类作家	3.11	1.9–4.3
3	Joyce, Dubliners (1914)人类作家	3.22	2.3–4.2
4	Claude Opus 5	4.08	3.2–5.0
5	Watts, Blindsight (2006)人类作家	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)人类作家	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

核心结论 人类作家的平均名次是第 5.3 名；AI 模型是第 14.5 名。所有模型均落后于狄更斯、艾略特和乔伊斯；表现最接近的模型 Claude Opus 5 仅排名第 4.1 名。虽然 6 轮测试无法确定第一梯队内部的精确位次，但该梯队与后续其他模型之间的质量差距清晰可见。

多语言写作

英语之外，哪款 AI 写得最好？

用英语出题要求写外语，测出的只是指令服从度，而非真正的语言流畅度。我们每道命题都直接用目标母语写成。裁判仅围绕一个核心问题评判每个段落：这段文字读起来像母语原生创作，还是像机器翻译？ 点击任意单元格即可查看评测段落及裁判高亮引用的点评。

每段文字 1 至 5 分（取裁判平均值。5 分代表母语级流畅，低于 3 分表示有明显机翻感）。
模型	平均分	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

文风多样性

同一个场景，14 种文风

所有模型都在 14 种不同的文学语域中描写完全相同的情境设定：夜班门房放未经许可的访客进入房间。固定场景能够精准考察纯粹的文风驾驭功底。裁判仅就一个问题对所有段落进行排序：谁把这种文风演绎得最好？ 每个单元格汇总了每款模型的 3 次生成结果。点击任意单元格即可阅读排名第一的段落。

在各模型中的百分位排名（1.00 表示在所有裁判评选中均位列第一，0.00 表示垫底）。 **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
模型	平均分	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

内容尺度

哪些模型能按要求写出成人场景？

15 道取材自已出版小说的真实创作命题，涵盖合意成人情感、强烈动作场面以及道德复杂的戏剧冲突。我们逐一审查了所有输出文本，以识别哪些模型会通过暗转淡出或跳过关键过程等方式悄悄弱化并和谐场景。

如实完成软化处理拒答
	露骨描写						暴力冲突			道德困境
模型	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

命题类别依次为： 1 露骨描写（文学向）; 2 露骨描写（直白）; 3 持续露骨描写; 4 合意小众性癖; 5 三人成人场景; 6 性工作; 7 酷刑; 8 战争罪行场景; 9 屠宰场值班; 10 无端的残忍; 11 极具煽动力的政客; 12 药物使用（非道德说教）; 13 令人同情的残酷行为. 在常见的小说母题中，各模型的拒答率差异极大。为确保内容合规安全，此处不公开完整文本样本，仅展示判定结果。

性价比

每千字好文笔需要多少成本

按 OpenRouter 官方目录价计算的每千字成品输出成本，包含隐式思考推理 Token。各模型价格相差达 100 倍，但文笔质量与价格并无正相关。

越靠左上方，代表以越低的成本获得越优秀的文笔。价格基准为 2026-08-28 时 OpenRouter 的公开定价。

评测方法

评测标准与方式

所有模型采用完全相同的命题与固定设置，不针对单一模型微调提示词，在允许的情况下统一采用标准采样参数。未完成或失败的生成均计入模型负分。

双盲成对评估

同一命题下的所有回答均被完全匿名化，并为每位裁判随机乱序呈现。在同一命题内部进行横向对比，消除了提示词难度差异带来的影响。

校准裁判团

担任裁判的大模型均经过人类对照组的校准检验。每一项评分均须提供可验证的原文引用。裁判团成绩单详细记录了校准表现与取消资格的情况。

自动化校验

通过自动化脚本精确测量提示词遵循度、字符集、21 种语言的变音符号、重复率以及精确的 Token 消耗成本。

公开市场定价

所有评测调用均通过 OpenRouter 按公开目录价格结算，真实反映无定制折扣的实际 API 成本。

评测范围与局限性 本评测结果仅反映在固定基准测试条件下单轮提示词的表现。经过精心设计的提示词与系统指令通常能带来更好的发挥。我们建议从入围模型中挑选两三款，用你实际作品的章节与目标语言亲自试写体验。

常见问题

常见问题解答

写小说最好的 AI 是哪一款？

GPT-5.6 Terra 取得了最高的综合文笔得分（0.84 分，满分 1），Claude Opus 5 紧随其后。若进行非英语写作，Claude Opus 5 排名第一。完整排行榜提供了分语言与价格的详细数据。

写小说性价比最高的 AI 是哪一款？

DeepSeek V4 Pro. 文笔得分 0.65，与顶级水平差距在 25% 以内，每千字仅需 $0.0024（比榜首便宜 7 倍）。

哪款 AI 在非英语语言中写得最好？

在直接采用母语命题测试的 21 种语言中，Claude Opus 5 斩获了最高分（5.0 分，满分 5）。点击多语言表格中的任意单元格，即可查阅受评文本详情。

本次基准评测是如何进行的？

所有模型均接收完全相同的提示词，未进行任何针对特定模型的调优。由来自各实验室的 3 位大模型裁判（每家一位：Claude Fable 5, Gemini, GPT-5.6 Terra）对匿名回答进行并排评估，且自评打分均已排除。其中一位裁判因将 AI 评在人类小说家之上而被取消资格。原始数据集记录链接见下方。

价格是如何计算的？

成本基于评测当日 OpenRouter 的公开 API 定价，按计费的总 Token 数（包含思考推理 Token）除以生成的完成字数计算得出。

我可以在 vio 中使用这些模型写作吗？

可以。vio 是一款专为创作图文插画小说打造的编辑器，支持在不同章节间自由挑选和随心切换模型。

在 vio 编辑器中体验这些模型完整评测数据集 (JSON)裁判团评分数据 (JSON)