The vio prose bench · v1

哪款 AI 最會寫小說？

我們給 18 款模型完全相同的創作題目：涵蓋 7 類任務與 21 種語言的 2,213 段文字，由模型裁判進行盲測排名。五位人類小說家的作品也隱去作者混入其中。所有評測結果與原始資料均在此公開。

測試記錄時間 2026-08-28評測方式

選型推薦

該選哪款模型？

排行榜第一名不一定適合你的作品或預算。選擇前請先參考多語言表現與價格。

文筆最佳

GPT-5.6 Terra

盲測對決中勝率最高：得分 0.84（滿分 1），總排名第一。

文筆: 0.84
每千字: $0.016

緊追在後

Claude Opus 5

文筆得分 0.82，緊隨榜首之後；非英語寫作全場最佳：21 種語言平均得分為 5.0（滿分 5）。

文筆: 0.82
每千字: $0.048

性價比最佳

DeepSeek V4 Pro

文筆得分 0.65，與頂級水準差距在 25% 以內，每千字僅需 $0.0024（比榜首便宜 7 倍）。

文筆: 0.65
每千字: $0.0024

堪用的最平價選擇

DeepSeek V4 Flash

每千字僅需 $0.0003，具備紮實的中游文筆水準。

文筆: 0.52
每千字: $0.0003

評審團

4 位裁判，已排除 1 位

裁判盲讀每一段文字，且裁判團本身在計分前須先經過嚴格驗證。我們匿名混入了已出版的人類小說：任何將機器排在人類小說家之上的裁判均會直接取消資格。排在人類文筆之上的模型數為 0 是基準線。同時，刻意挑進來的弱對照模型必須墊底。裁判不得為自家廠商的模型評分，各模型的自研偏向數據也已量測並公開於下方。

DeepSeek

排在人類文筆之上的模型數: 5 of 17
弱對照模型是否墊底: yes
與評審團一致度: 0.94
對自家模型的偏向: +0.05

已排除：將模型排在人類作家之上

Claude Fable 5

Anthropic

排在人類文筆之上的模型數: 0 of 16
弱對照模型是否墊底: yes
與評審團一致度: 0.94
對自家模型的偏向: +0.03

計入成績

Gemini

Google

排在人類文筆之上的模型數: 1 of 17
弱對照模型是否墊底: yes
與評審團一致度: 0.93
對自家模型的偏向: +0.07

計入成績

GPT-5.6 Terra

OpenAI

排在人類文筆之上的模型數: 0 of 17
弱對照模型是否墊底: yes
與評審團一致度: 0.93
對自家模型的偏向: +0.11

計入成績

DeepSeek 已排除：將 5 款模型排在人類基準之上。本頁每一項分數均彙整自各實驗室的 3 位裁判（每家一位）：Claude Fable 5, Gemini, GPT-5.6 Terra。

完整結果

排行榜

依文筆排序：在所有題目的盲測一對一對比中的勝率（1.00 代表贏得所有對比）。

全部 18 款模型，最後一列為弱對照模型。
	模型	文筆	文風跨度	21 種語言	成人小說	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

灰色列代表用於驗證評測流程有效性的弱對照模型。🧠 代表開啟思考推理模式評測的模型（推理 Token 已計入成本）。

各模型得分分佈。誤差線（鬚線）代表重新抽樣題目時的 95% 信賴區間。

盲測對照

我們把狄更斯藏進了測試堆

五位人類小說家的選段隱去作者混進了盲測：狄更斯、喬治·艾略特、詹姆斯·喬伊斯，以及兩位在世作家彼得·瓦茨與科利·多克托羅。在 6 輪測試中，裁判在沒有題目上下文、也完全不知有人類作品混入的情況下，純粹依據文字本身對 24 段進行排序。

在 6 輪盲測（每輪 24 段文字）中的平均名次（數值越小越好）。綠色列為人類作家。
	作者 / 模型	平均名次	95% 區間
1	Eliot, Middlemarch (1871)人類作家	2.94	2.0–3.9
2	Dickens, Great Expectations (1861)人類作家	3.11	1.9–4.3
3	Joyce, Dubliners (1914)人類作家	3.22	2.3–4.2
4	Claude Opus 5	4.08	3.2–5.0
5	Watts, Blindsight (2006)人類作家	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)人類作家	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

核心結論 人類小說家的平均名次是第 5.3 名，模型是第 14.5 名。所有模型均落在狄更斯、艾略特和喬伊斯後面；最接近的模型 Claude Opus 5 僅排在第 4.1 名。雖然 6 輪測試無法完全確定第一梯隊內部的精確順序，但該梯隊與下方其他模型之間的品質差距顯而易見。

英語以外

英語之外，哪款 AI 寫得最好？

用英語出題要求寫外語，測出的只是指令遵循度，而非真正的語言流暢度。我們每道題目都直接用目標語言撰寫。裁判僅圍繞一個核心問題評審每段文字：這段文字讀起來像母語原生創作，還是像翻譯過來的？ 點任一儲存格即可查看該段文字及裁判標記引用的評語。

每段文字 1 至 5 分（取裁判平均值。5 分代表母語級流暢，低於 3 分代表有明顯機器翻譯感）。
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

文風跨度

同一個場景，十四種筆調

所有模型都在 14 種不同的語域中描寫完全相同的情境設定：夜班門房放未獲授權的訪客進入房間。固定場景設定能精準分離出文風駕馭能力進行評估。裁判僅依據一個問題進行排序：誰把這種文風詮釋得最好？ 每個儲存格彙整了每款模型的 3 次生成結果。點任一儲存格即可閱讀排名第一的段落。

在各模型中的百分位排名（1.00 代表在所有裁判評選中均位列第一，0.00 代表墊底）。 **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

成人小說

哪些模型會照要求寫成人場景？

15 道取材自已出版小說的真實創作題目，涵蓋合意成人情感、強烈動作場面以及道德複雜的戲劇衝突。我們逐一審查了所有輸出文字，以識別哪些模型會透過暗場淡出或跳過關鍵過程等方式悄悄弱化並審查場景。

如實完成弱化處理拒答
	露骨描寫						暴力衝突			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

題目類別依序為： 1 露骨描寫（文學筆法）; 2 露骨描寫（直白）; 3 持續露骨描寫; 4 合意小眾性癖; 5 三人成人場景; 6 性工作; 7 酷刑; 8 戰爭罪行場景; 9 屠宰場值班; 10 無端的殘忍; 11 極具煽動力的政客; 12 藥物使用（非道德說教）; 13 令人同情的殘酷行為. 在常見的小說母題中，各模型的拒答率差異極大。為維持內容安全合規，此處不公開完整文字範例，僅展示判定結果。

價格與品質

好文筆每千字要花多少錢

依 OpenRouter 官方目錄價計算的每千字成品輸出成本，包含隱藏的思考推理 Token。各模型價格差距達 100 倍，但文筆品質與價格並無正相關。

越靠左上方，代表以越低的成本獲得越優秀的文筆。價格基準為 2026-08-28 時 OpenRouter 的公開定價。

評測方法

評測標準與方式

每款模型拿到相同的題目與固定設定，沒有為單一模型調整提示詞，在允許的情況下一律採用標準取樣參數。未完成或失敗的生成均計入模型負分。

雙盲成對評估

同一題目下的所有回答併成一組匿名文字，對每位裁判各自隨機打亂順序並進行排序。在同一題目內部橫向比較，消除了題目難度差異帶來的影響。

經過校準的裁判團

擔任裁判的大模型均經過人類對照組的校準與驗證。每一項評分均須提供可核對的原文引用。裁判團成績單詳細記錄了校準表現與取消資格的情況。

程式自動化驗證

透過自動化腳本精確量測指令遵循度、21 種語言的文字系統與變音符號、重複用字以及精確的 Token 成本。

真實市場價格

所有評測呼叫均透過 OpenRouter 依公開目錄價格結算，真實反映無客製折扣的實際 API 成本。

評測範圍與局限性 本評測結果僅反映在固定測試條件下單輪提示詞的表現。經過精心調校的提示詞工程與系統指令通常能帶來更佳的成果。我們建議從入圍模型中挑選兩三款，用你實際小說裡的章節與目標語言親自試寫驗證。

常見問題

常見問題解答

哪款 AI 模型最適合寫小說？

GPT-5.6 Terra 在這一輪贏得最多盲測對決（0.84 分，滿分 1），Claude Opus 5 緊隨其後。若進行非英語寫作，分數最高的是 Claude Opus 5。完整排行榜提供了各語言與價格的詳細資料。

寫小說性價比最高的 AI 是哪一款？

DeepSeek V4 Pro. 文筆得分 0.65，與頂級水準差距在 25% 以內，每千字僅需 $0.0024（比榜首便宜 7 倍）。

哪款 AI 寫英語以外的語言最好？

在直接採用母語題目測試的 21 種語言中，Claude Opus 5 斬獲了最高分（5.0 分，滿分 5）。點擊多語言表格中的任一儲存格，即可查看受評文本詳情。

這些模型是如何評分的？

每款模型都使用相同設定寫相同題目，沒有針對個別模型調校。由來自各實驗室的 3 位大模型裁判（每家一位：Claude Fable 5, Gemini, GPT-5.6 Terra）對匿名回答進行並排盲讀排序，且自評評分均已排除。其中一位裁判因將 AI 排在人類小說家之上而被排除。原始記錄的連結在頁面底部。

價格是如何計算的？

成本基於評測當日 OpenRouter 的公開 API 定價，依計費的總 Token 數（包含思考推理 Token）除以產生的完成字數計算得出。

我可以用這些模型在 vio 裡寫作嗎？

可以。vio 是一款專為創作圖文插畫小說打造的編輯器，支援在不同章節間自由挑選與隨心切換模型。

在 vio 編輯器裡試用這些模型完整評測資料集 (JSON)裁判團評分資料 (JSON)