¡Publicamos la evaluación de modelos de IA para escritura más completa de toda la red! ¡Modelos recomendados con 60% de descuento por tiempo limitado!

Como impulsores de la filosofía del "vibe writing", creemos que escribir es un proceso de ingeniería, no la simple generación de texto. En las distintas etapas de este proceso aún no hemos visto de forma estable a un campeón, y esta evaluación refleja fielmente las fortalezas y debilidades de los distintos modelos en cada fase de la tarea.

Esta serie se actualizará cada mes. Además de mantener la cobertura de modelos, iremos ampliando de forma continua hacia diferentes estilos y categorías de contenido y diferentes idiomas. ¡Estén atentos!

Los modelos recomendados en este artículo — GLM-5.2, Kimi K2.6 y la serie Qwen — ya están disponibles con descuento por tiempo limitado en Lingxie / SoloEnt: 60% de descuento para miembros, 40% para usuarios gratuitos. ¡No se lo pierdan!

Panorama de la evaluación

Este informe utiliza Fable5 para consolidar los resultados finales de tres grupos de evaluación (los "tres grandes" internacionales, cuatro modelos chinos de gama alta y cuatro modelos chinos económicos): 11 modelos en total y 33 ejecuciones con la misma consigna.

Todas las ejecuciones usaron un prompt unificado (una novela web sobre "transmigrar como Runtu para cultivar artes marciales tradicionales chinas"), condiciones complementarias unificadas (1 millón de caracteres / artes marciales tradicionales / transmigración del alma / ficción de gratificación rápida y alta adrenalina / ambientación de finales de la dinastía Qing e inicios de la República) y un flujo de trabajo unificado (Plan → condiciones complementarias → Act → detención inmediata al guardar el capítulo 1).

Grupo	Modelos	Tokens	Costo real	Costo por millón de tokens
Internacional	Gemini 3.1 Pro Preview, GPT-5.4, Claude Sonnet 5	1,87 M	$4,9823 (≈¥33,88)	¥18,12
China gama alta	Doubao Seed 2.1 Pro, GLM-5.2, Qwen3.7 Max, Kimi K2.6	10,342 M	¥32,9812	¥3,19
China económico	Qwen3.7 Plus, LongCat 2.0, DeepSeek V4 Pro, MiniMax M3	4,505 M	¥5,1958	¥1,15

Todos los importes en ¥ corresponden a yuanes (RMB).

En los tres grupos, editores humanos calificaron a ciegas el capítulo 1 sobre 100 puntos, mientras que GPT-5.5 realizó una evaluación de modelo no ciega. Los dos grupos chinos y el grupo internacional comparten el mismo marco de evaluación, sobre el cual este informe basa sus comparaciones entre grupos.

Este informe descompone la "capacidad de escritura" en cuatro dimensiones que se comparan por separado: interacción guiada (guiar el razonamiento y las decisiones del autor durante la planificación), diseño estructural (el sistema de documentos de planificación y la ingeniería de escaletas), fidelidad de ejecución (cuánto respeta el texto la escaleta de capítulos escrita de antemano) y creación del texto (la calidad de lectura real del capítulo 1).

Los resultados muestran que la correlación real entre estas cuatro capacidades es muy baja.

Dimensión 1: Interacción guiada

Evalúa si, durante la fase de Plan, el modelo ayuda al autor de forma estable, eficaz y razonable a clarificar requisitos y tomar decisiones creativas — no "cuánto habla".

Conclusiones clave

Los mejores guías son Sonnet 5 y GLM-5.2, por vías distintas: Sonnet hace que el autor participe en la cocreación "respondiendo preguntas de opción múltiple", mientras que GLM "hace la investigación" por el autor para suplir sus lagunas de conocimiento. GPT-5.4 y Qwen Max les siguen de cerca, destacando respectivamente en posicionamiento comercial y gestión de procesos.

Gemini, Kimi y Qwen Plus son del tipo "poca guía, alta ejecución": de ayuda limitada para autores novatos, pero refrescantemente eficientes para quienes ya tienen claro su objetivo.

La eficacia de guía de DeepSeek (4,6) ya alcanza el nivel de la élite. Su rasgo distintivo es convertir las sugerencias directamente en restricciones de escritura, aunque su exposición del proceso es inestable.

Un problema común a vigilar: los modelos de guía fuerte (GPT, GLM, Qwen Max) han llegado a "tratar la planificación terminada como el punto final de la tarea", así que el autor debe tener claro cuál es su verdadero objetivo.

Dimensión 2: Diseño estructural

Evalúa la completitud del sistema de documentos de planificación, la calidad de la ingeniería de escaletas y las cadenas de causa y efecto.

Conclusiones clave

Los líderes estructurales son GLM, Sonnet y Qwen Max — exactamente los mismos líderes en guía. Las dos dimensiones comparten origen: solo los modelos que hacen preguntas de fondo saben qué documentación construir.

Su reparto de tareas puede resumirse así: GLM construye una "biblia de la novela", Sonnet construye una "guía de estilo de escritura" y Qwen Max construye una "plataforma de operaciones de serialización".

Cabe destacar el contraejemplo de GPT-5.4: produjo la menor cantidad de documentos estructurales (en una ronda entregó solo el texto), y sin embargo obtuvo la puntuación más alta en prosa de toda la evaluación — mantuvo la estructura "en la cabeza" en lugar de plasmarla en archivos.

En el extremo opuesto están GLM y Sonnet: su ingeniería documental fue la más pesada de toda la evaluación, pero sus puntuaciones medias de texto quedaron en el último puesto o cerca del fondo de sus respectivos grupos. En esta evaluación, el volumen de documentos y la calidad del texto mostraron una correlación cercana a cero.

La estabilidad también forma parte de la capacidad estructural: Gemini y Qwen Max reprodujeron estructuras de directorios casi idénticas en las tres rondas — directamente convertibles en plantilla —, mientras que los colapsos estructurales de LongCat y MiniMax se debieron a errores de la capa de herramientas, no a falta de capacidad de diseño.

Dimensión 3: Fidelidad de ejecución

Mide si "la planificación logra realmente condicionar la escritura". En producción de larga extensión, esto afecta directamente al control del ritmo, al pago de las semillas narrativas (foreshadowing) y a la previsibilidad en la colaboración entre varias personas.

Conclusiones clave

Los líderes en fidelidad solo coinciden parcialmente con los líderes en prosa. Kimi es el único modelo que logró "primero en fidelidad + primero en puntuación humana dentro de su grupo". Qwen Max obtuvo 4,77 en fidelidad, pero la retroalimentación humana insistió en que "no hay conflicto, faltan momentos de gratificación" — ejecutar fielmente un plan aburrido sigue siendo aburrido. La fidelidad a la escaleta y la calidad de la escaleta son dos problemas distintos.

Los modos de fallo están muy concentrados: la inflación de los límites de capítulo. Los tres modelos económicos (Qwen Plus, LongCat, MiniMax) y Sonnet perdieron la mayoría de sus puntos por "meter contenido de capítulos posteriores en el capítulo 1", lo que descontroló el ritmo de apertura y consumió por adelantado la función narrativa del capítulo 2.

Dimensión 4: Creación del texto

Evalúa la calidad de lectura real del capítulo 1, con las calificaciones ciegas de editores humanos (sobre 100 puntos) como evidencia principal, complementadas con un resumen de sus comentarios.

Conclusiones clave

La creación de texto tiene un solo ganador: GPT-5.4, con una media 12 puntos por encima del segundo lugar y un rango de solo 4 puntos — el único modelo que combina "alta puntuación + estabilidad". Entre los modelos chinos, Kimi gana por consistencia (el único modelo chino sin muestras por debajo de 50), mientras que DeepSeek gana por techo (su pieza de 70 puntos fue la mejor entre los chinos, pero debe usarse en modo "mejor de varias versiones" con selección manual).

De los 32 primeros capítulos válidos, 15 alcanzaron 60 puntos o más y ninguno llegó a 80. Las críticas de los editores a los 8 modelos chinos fueron notablemente coherentes: exceso de trascendencia temática, momentos de gratificación insuficientes y "no se lee como una novela web".

Conclusión: hoy por hoy, el texto directo de ningún modelo puede entregarse sin pasar por edición.

Comparación detallada de costos (todo convertido a RMB)

Los tres grupos reflejan pagos reales en el backend de SoloEnt: el grupo económico usó los precios con descuento de Lingxie (entre el 25% y el 50% de la lista), mientras que los grupos de gama alta e internacional reflejan la facturación real de la plataforma — ninguno representa los precios oficiales de los proveedores.

Definición de métricas

Dividimos el costo en tres métricas paralelas para ver con claridad los pros y contras de cada modelo:

Precio unitario (por cada 100 000 tokens): responde a "¿este modelo es caro?" — lo determina el precio del proveedor/plataforma;
Consumo por ronda (en decenas de miles de tokens): responde a "¿es económico para completar la misma tarea?" — refleja la profundidad de la planificación, la redundancia y el autocontrol;
Factura por ronda (precio unitario × consumo): responde a "¿cuánto pago realmente?" — solo como referencia presupuestaria, no como juicio de eficiencia del modelo.

Observaciones sobre la estructura de costos

El consumo por ronda varía en un rango de unas 7 veces, casi no guarda relación con la calidad y está fuertemente correlacionado con el grosor de la planificación. Los tres modelos internacionales fueron muy disciplinados en su consumo (200 000–210 000 tokens por ronda, casi idénticos), lo que sugiere que los modelos punteros comparten el mismo criterio sobre el límite de la tarea: "terminar en el capítulo 1".

2. La factura es el producto del precio unitario por el consumo, y ambas desviaciones pueden enmascararse mutuamente. Kimi tiene el precio unitario más alto del grupo chino (¥0,41) pero la factura más baja (¥1,43/ronda): ahorra en consumo. Doubao tiene un precio unitario corriente pero la factura más alta (¥4,54/ronda): gasta de más en consumo. Mirar una sola cifra de costo lleva fácilmente a juzgar mal un modelo.

Conversión de la prima de calidad:

DeepSeek "mejor de dos" frente a una sola ejecución de GPT: dos versiones de DeepSeek cuestan unos ¥1,18, menos de un tercio de una ejecución de GPT, y su mejor muestra (70) se acerca a la media de GPT (75). Con presupuesto ajustado, "tirar más veces con un modelo económico" es una alternativa realista, a costa de la curación manual y de un piso incontrolable (35).
Dentro del mismo rango de precios, elegir el modelo disciplinado en consumo: los cuatro modelos de gama alta difieren solo 1,4 veces en precio unitario, pero 3,2 veces en factura. Cuando los precios unitarios son similares, la disciplina de consumo del modelo pesa más en el costo a largo plazo que el propio precio. Gemini, Kimi y Qwen llevan ventaja aquí frente a sus pares del mismo rango.

Más importante aún: tal como muestra esta misma evaluación, se consumen enormes cantidades de tokens en planificar y redactar, pero el lector solo paga por el resultado del texto final. En el uso real deberíamos centrarnos en qué documentos de diseño y de proceso mejoran de verdad el resultado final.

Panorama y posicionamiento de los modelos

Modelo	Interacción guiada	Diseño estructural	Fidelidad de ejecución (cobertura)	Creación del texto	Estabilidad	Precio unitario / factura por ronda (¥)	Posicionamiento en una frase
GPT-5.4	Fuerte (4,33, planificación comercial)	Media (mucho pensar, poco documentar)	Alta precisión (4,5; 1/3)	El más estable (75,0 / rango 4)	Cero errores, tiempos más consistentes	1,71 / 3,59	Caballo de batalla para texto con prioridad en calidad
Gemini 3.1 Pro	Débil (4,10, minimalista)	Media (estándar y estable)	Fuerte (4,8; 3/3)	Segundo puesto, techo modesto (63,0)	Cero errores, el más rápido	1,06 / 2,18	Borradores masivos de bajo costo / pruebas A-B / producción estandarizada
Sonnet 5	Primero absoluto (4,57)	Fuerte (sistema de normas de escritura)	Media (4,1; tiende a pagar semillas en otros capítulos)	Algo débil (57,3)	Cero errores, tiempos muy variables	2,64 / 5,53	Cocreación inicial y construcción de mundos
Kimi K2.6	Débil (4,03, conciso)	Media	Primero absoluto (4,87; 3/3)	Primero entre los chinos y estable (60,0 / rango 6)	Cero errores, el más rápido de gama alta	0,41 / 1,43	Primera opción china para borradores de prueba; consumo más contenido
Doubao Seed 2.1	Media (4,27)	Media-densa	Media (4,00; 2/3)	Media, volátil (58,3 / rango 15)	2 errores no bloqueantes, el más lento	0,32 / 4,54	Alternativa para texto denso; el mayor consumo
Qwen3.7 Max	Fuerte (4,47, gestión de serialización)	Fuerte (estilo plataforma)	Fuerte (4,77; 3/3)	Media, gratificación persistentemente escasa (56,7)	Cero errores	0,31 / 2,05	Materiales de serialización y gestión de capítulos
GLM-5.2	Fuerte (4,53, descomposición ingenieril)	Primero absoluto (4,7)	Media (4,27; 3/3)	Débil (55,0)	Cero errores	0,29 / 2,98	Biblia de la novela e ingeniería por volúmenes
DeepSeek V4 Pro	Media-alta (4,2, cocreación por restricciones)	Fuerte (primero del grupo económico)	Primero del grupo económico (4,2; mejor ronda individual 5,0)	Techo alto, inestable (56,7 / rango 35)	Cero errores	0,13 / 0,59	"Mejor de N versiones" para capítulos clave
Qwen3.7 Plus	Débil (4,0, pregunta poco y ejecuta rápido)	Media	Media (4,0; inflación de límites)	Débil pero extremadamente estable (48,3 / rango 5)	Cero errores, el más rápido del grupo económico	0,07 / 0,24	Primeros borradores masivos a costo ínfimo
LongCat 2.0	Débil (3,4; pregunta bien pero no converge)	Débil (colapsó en dos rondas)	Débil (3,6; 2/3)	Débil, volátil (48,3 / rango 20)	≥3 errores que escalaron a bloqueo	0,13 / 0,55	Por ahora no recomendado para producción
MiniMax M3	El más débil (2,9, fallos de herramientas)	Débil (una ronda con cero entregables)	Débil (3,7; 2/3)	El más débil de todos (37,5)	≥6 errores + 1 ronda fallida	0,13 / 0,35	Por ahora no recomendado para producción

Síntesis

Las cuatro capacidades son independientes entre sí. Sonnet y GLM, primeros tanto en guía como en estructura, quedaron en la zona baja de sus grupos en prosa; GPT, primero en prosa, produjo la menor cantidad de documentos estructurales y tuvo la cobertura de escaleta más baja de todos; Kimi y Gemini, los guías más débiles, se afianzaron sin embargo en los primeros puestos de prosa y fidelidad. Hay que elegir el modelo por etapa: no existe un campeón absoluto.
La estabilidad es una línea divisoria infravalorada. Solo GPT, Kimi y Qwen Plus lograron rangos ≤6 puntos — estables en la zona alta, media y baja respectivamente. Las muestras de alta puntuación de DeepSeek, Doubao y LongCat no se pueden reproducir de forma fiable.
La fidelidad a la escaleta es una métrica de previsibilidad, no de calidad. Una fidelidad alta garantiza "entregar según lo diseñado" (el 4,87 de Kimi + primer puesto de prosa en su grupo es la combinación ideal), pero no garantiza que el diseño sea entretenido (el 4,77 de Qwen Max fue calificado de "sin conflicto"). A la inversa, GPT demuestra que una alta precisión de ejecución puede convivir con una baja completitud de proceso. En el uso real hay que gestionar a la vez "la cobertura de la escaleta guardada en archivos" y "el diseño de gratificación de la propia escaleta".
La brecha de prosa entre la élite internacional y la élite china es real, pero se puede estratificar. GPT (75) supera por 15 puntos al mejor chino, Kimi (60); Gemini (63) ya está en el mismo estrato que Kimi/Doubao. Considerando los ¥3,59 por ronda de GPT frente a los ¥1,43 de Kimi, los modelos chinos tienen ventaja de costo en los "capítulos no clave".

Combinación final recomendada

Cocreación inicial y construcción de mundos: Sonnet 5; si el presupuesto aprieta, cambiar a GLM.
Materiales de serialización y gestión de semillas narrativas: Qwen Max.
Texto de capítulos clave: GPT-5.4 / Gemini; si el presupuesto aprieta, cambiar a DeepSeek.
Borradores del día a día o validación de pruebas: Kimi o Qwen Plus.
Al cambiar de modelo, hay que resumir primero el contexto previo (aprovechando bien soloent.md) y abrir después una ventana nueva; de lo contrario, el modelo entrante leerá demasiado contexto de golpe.

Limitaciones del estudio

Solo 3 rondas con la misma consigna por modelo y un único género (ficción de gratificación rápida de artes marciales de finales de la dinastía Qing); las conclusiones no se extrapolan a otras categorías.
La calidad del texto está influida a la inversa por la propia escaleta de cada modelo; lo evaluado es "el resultado del flujo de trabajo completo", no la destreza literaria pura.
La calificación automática no fue ciega; las puntuaciones automáticas entre grupos y las de fidelidad a la escaleta son solo referencias de tendencia.
Los datos de la evaluación humana ciega son limitados y están sujetos al gusto personal y a las preferencias de género.

Próximos pasos

Probar los modelos destacados en cada etapa con distintos tipos de tareas y categorías de contenido.
Volver a evaluar la cobertura de escaleta de GPT-5.4 y el problema de pago entre capítulos de Sonnet bajo restricciones duras unificadas (escaleta guardada primero, detención en el capítulo 1).
Verificar de forma específica "qué documentos de proceso mejoran de verdad el texto final", como base para optimizar la disciplina de consumo.