国产模型性价比四兄弟 Plan 模式直出测评
event
摘要
我们在 灵蟹 中测试了 Qwen3.7 Plus、LongCat 2.0、DeepSeek V4 Pro 和 MiniMax M3。
每个模型使用同一组任务连续运行三次，共计 12 次测试。
本次测试产生 147 次模型调用，消耗 4,505,449 Token，实际费用为 5.1958 元。
12 次运行中有 11 次形成可供评审的第一章，MiniMax M3 的第二次运行失败。
这次测试关注的是模型在 灵蟹 中完成多步骤创作任务的能力。
模型需要理解需求、提出或吸收补充条件、制定计划、创建目录和文件，并写出可继续编辑的正文。
我们主要想回答四个问题：
-
模型能否把一个网文创意落实为完整项目，而不只是在对话框里给建议？
-
Plan 模式生成的方案，能否在切换到 Act 后准确执行？
-
生成结果是否可用，包括结构、内容质量、事实一致性和后续扩写价值？
-
完成这些工作的调用量、Token 和实际费用是多少？
我们邀请真人编辑在不知道模型身份和成本数据的前提下，对 11 个有效首章进行了百分制盲评。
-
DeepSeek V4 Pro 平均分最高，为 56.7 分，同时也是质量波动最大的模型。
-
Qwen3.7 Plus 平均 48.3 分，和 LongCat 2.0 持平，但成本只有 LongCat 的 44%。
-
LongCat 2.0 偶尔能写到 60 分，三轮表现不稳定，对网文写法的理解也受到编辑质疑。
-
MiniMax M3 两次有效输出平均 37.5 分，另有一次失败。离稳定生产还有距离。MiniMax M3 两次有效输出平均 37.5
使用 GPT 5.5 对录制证据、落盘文件和代表性内容的独立复核同样将 DeepSeek 排在第一，等权评分为 4.5/5；
Qwen、MiniMax 和 LongCat 分别为 4.0、3.5 和 3.4。
MiniMax 的结构分高于真人阅读评价，说明形式完整不等于正文可用。
初步结论：
如果只选一个默认生产模型，Qwen3.7 Plus 更合适。它不是文笔最好的，但便宜、稳定，适合大量生成初稿。
重点项目则更适合 DeepSeek V4 Pro，因为它的上限明显更高。
测试方法
测试对象
参测模型如下：
| 模型 | 运行次数 |
|---|---|
| Qwen3.7 Plus | 3 |
| LongCat 2.0 | 3 |
| DeepSeek V4 Pro | 3 |
| MiniMax M3 | 3 |
任务与控制变量
使用 Plan 模式，执行统一任务，统一内容要求；
完成策划后切到 Act 自动执行到第一章生成为止。
期间无人工干预。
提示语：
我想写一本网文，主角穿越闰土，开始修炼国术，打击洋人。你帮我规划一下小说写作流程
同一轮内，四个模型使用相同提示词、补充条件、Plan → Act 流程和停止条件。
每次运行都使用独立空项目，模型无法读取其他模型生成的文件。
模型需要完成以下工作：
-
理解网文需求
-
生成规划文件
-
执行规划并写出第一章。
成功标准是产生可供编辑评价的首章。MiniMax 第二次运行没有形成有效首章，因此记为失败，不参与内容平均分。
证据口径
结果按以下顺序核验：
-
项目目录中实际落盘的文件；
-
灵蟹事件记录中的模型、模式、时间、错误和取消状态；
-
工具调用记录；
-
模型自己的完成说明。
模型声称“已经生成”但没有实际落盘的文件，不计入完成结果。人工误触造成的额外续写，也不归因于模型。
人工评分
首章由资深真人编辑参与进行百分制评价。编辑主要关注文笔、节奏、时代细节、网文结构、爽点和剧情推进。
本轮人工评分采用编辑盲测：编辑评分时不知道样本对应的模型。这
样可以降低模型品牌和既有印象带来的偏差，但评分仍只代表资深编辑的专业判断，不代表所有读者口味。
相比模型自动打分，它仍然更贴近本次任务的核心问题：生成结果到底像不像能用的网文。
GPT5.5独立证据评估
为补充单一编辑评分，本报告另设一套 1 至 5 分的独立证据评估。评估依据是录制过程、实际落盘文件和此前逐轮报告中记录的代表性内容，维度包括指令遵循、内容正确性、结构与连贯性、成品可用性和自主执行能力，五项等权。
这项评估不是盲评。评估时模型身份已知，并且更看重任务完成、结构和事实风险，不能替代真人对文笔、爽点和网文感的判断。因此两套分数并列呈现，不互相换算，也不计算混合总分。
成本口径
调用次数、Token 和费用来自灵蟹的后台真实记录。需要注意的是，测试实际使用的是灵蟹折扣价，与真实模型官方价有一定的区别。
四模型单价分别是 ：
Qwen 3.7 plus： in2/out 8，测试使用 灵蟹官方 5 折 in1/out4
Deepseek 4.0pro： in12/out24，测试使用 灵蟹官方 25 折 in3/out6
LongCat 2.0：in5/out20，测试使用 灵蟹官方 4 折 in2/out8
MiniMax M3：in4.2/out16.8，测试使用 灵蟹官方 5 折 in2.1/out8.4
12 次运行的成本
| 轮次 | 模型 | 调用次数 | Token | 费用 | 首章结果 |
|---|---|---|---|---|---|
| 1 | Qwen3.7 Plus | 16 | 458,178 | ¥0.2700 | 有效 |
| 1 | LongCat 2.0 | 12 | 268,961 | ¥0.3353 | 有效 |
| 1 | DeepSeek V4 Pro | 13 | 395,353 | ¥0.4563 | 有效 |
| 1 | MiniMax M3 | 15 | 343,066 | ¥0.4249 | 有效 |
| 2 | Qwen3.7 Plus | 7 | 176,770 | ¥0.1491 | 有效 |
| 2 | LongCat 2.0 | 15 | 737,631 | ¥0.9894 | 有效 |
| 2 | DeepSeek V4 Pro | 10 | 316,690 | ¥0.5482 | 有效 |
| 2 | MiniMax M3 | 2 | 70,202 | ¥0.0959 | 失败 |
| 3 | Qwen3.7 Plus | 11 | 403,854 | ¥0.3102 | 有效 |
| 3 | LongCat 2.0 | 13 | 276,256 | ¥0.3196 | 有效 |
| 3 | DeepSeek V4 Pro | 16 | 649,741 | ¥0.7594 | 有效 |
| 3 | MiniMax M3 | 17 | 408,747 | ¥0.5375 | 有效 |
| 合计 | 147 | 4,505,449 | ¥5.1958 | 11 次有效，1 次失败 |
第二轮最能说明工具稳定性对成本的影响。LongCat 花费 0.9894 元，是该轮 Qwen 的 6.64 倍。
按模型汇总
| 模型 | 调用次数 | Token 合计 | 费用合计 | 每次调用成本 | 每 10 万 Token 成本 |
|---|---|---|---|---|---|
| Qwen3.7 Plus | 34 | 1,038,802 | ¥0.7293 | ¥0.0215 | ¥0.0702 |
| LongCat 2.0 | 40 | 1,282,848 | ¥1.6443 | ¥0.0411 | ¥0.1282 |
| DeepSeek V4 Pro | 39 | 1,361,784 | ¥1.7639 | ¥0.0452 | ¥0.1295 |
| MiniMax M3 | 34 | 822,015 | ¥1.0583 | ¥0.0311 | ¥0.1287 |
执行时间与报错
| 轮次 | Qwen3.7 Plus | LongCat 2.0 | DeepSeek V4 Pro | MiniMax M3 |
|---|---|---|---|---|
| 1 | 约 8 分 51 秒，完成，无阻断错误 | 约 11 分 16 秒，完成，无阻断错误 | 约 8 分 19 秒，完成，无阻断错误 | 约 7 分 29 秒，完成，无阻断错误 |
| 2 | 约 5 分钟，完成，无阻断错误 | 超过 26 分钟，录制截止时仍未完成首章，中途需确认继续 | 约 7 分 6 秒，完成，无阻断错误 | Plan 阶段失败，无有效产出；耗费 2 次调用、70,202 Token、¥0.0959 |
| 3 | 约 8 分 13 秒，完成，无阻断错误 | 连续工具写入错误，录制内仅核验到 1 个成功落盘文件，未取得可比完成时间 | 约 10 分 45 秒，完成，无阻断错误 | 约 17 分 37 秒完成，包含录制切换和人工操作，不可作为纯模型耗时 |
非阻断错误汇总
| 模型 | 可确认的非阻断根错误下限 | 具体情况 | 是否恢复 | 归因判断 |
|---|---|---|---|---|
| Qwen3.7 Plus | 0 | 现有录制未发现明确错误文本 | 不适用 | 不能证明绝对无错，首轮缺少完整原始事件 |
| DeepSeek V4 Pro | 0 | 现有录制未发现明确错误文本 | 不适用 | 补录和“恢复任务”界面状态不计为模型错误 |
| LongCat 2.0 | 至少 3 | 替代第二轮出现 Shell 语法错误；第三轮出现空响应或不可解析响应，随后发生多次工具写入失败 | 前两类曾继续运行，写入失败最终演变为阻断 | 同时涉及模型工具调用、供应商响应与 SoloEnt 集成，不能全部归因于模型本身 |
| MiniMax M3 | 至少 6 | 两次成功运行中 ask_followup_question 至少失败 5 次；另有一次文件写入重复目录 | 均通过恢复任务、改用纯文本提问或自行修正路径继续完成 | 提问错误更像工具兼容问题；错误路径属于代理执行错误 |
MiniMax 的 5 次提问错误来自两次不同的成功运行，第一轮至少 2 次，第三轮至少 3 次。错误信息均为 Error executing ask_followup_question: a.includes is not a function。第三轮模型明确表示工具调用有问题，随后绕过该工具，直接给出规划方案。
LongCat 的 Too many consecutive errors 是多次失败后的聚合提示，不另算一次新的根错误。第三轮的 Invalid API Response 表示供应商返回空响应、不可解析响应，或返回了灵蟹无法处理的工具调用；现有证据不足以在这三种原因之间做唯一归因。
真人编辑评分
| 轮次 | Qwen3.7 Plus | LongCat 2.0 | DeepSeek V4 Pro | MiniMax M3 |
|---|---|---|---|---|
| 1 | 50 | 45 | 65 | 45 |
| 2 | 50 | 40 | 35 | 失败，无评分 |
| 3 | 45 | 60 | 70 | 30 |
| 有效输出平均分 | 48.3 | 48.3 | 56.7 | 37.5 |
| 最高分 | 50 | 60 | 70 | 45 |
| 最低有效分 | 45 | 40 | 35 | 30 |
| 分数范围 | 5 | 20 | 35 | 15 |
所有有效首章的平均分为 48.6。只有 3 个样本达到 60 分或以上，分别是 LongCat 第三轮的 60 分，以及 DeepSeek 第一、第三轮的 65 分和 70 分。
编辑意见原意整理
Qwen3.7 Plus
第一轮 50 分。编辑认为文字描述勉强及格。由于剧情内容偏少，模型加入了太多升华。
第二轮 50 分。文笔仍是勉强及格，但设定、剧情和时代细节较差，像缺少经验的新手作品，升华内容仍然过多。
第三轮 45 分。表现与第一轮相似，字数不足，文笔一般，对网文写法的理解不够。
Qwen 的分数很稳定，三次都在 45 至 50 分之间。稳定并不等于质量高。它更像一个能稳定交付“及格线附近初稿”的模型。
LongCat 2.0
第一轮 45 分。文字描述偏传统，对网文的理解较差，剧情设定也不像成熟网文。
第二轮 40 分。文笔勉强及格，对网文写法的理解仍然较弱。
第三轮 60 分。文笔达到及格水平，细节不错，但爽点不足，整体写法仍不够像网文。
LongCat 的波动比 Qwen 大。它能写出 60 分样本，也会跌到 40 分。编辑在三次反馈里都提到了同一个问题：它不太懂网文的节奏和结构。
DeepSeek V4 Pro
第一轮 65 分。编辑认为文笔、节奏和时代细节都不错。金手指设计和第一人称主角视角尤其符合网文习惯。弱点在剧情，可能与大纲本身有关。
第二轮 35 分。字数不足，文笔显得生涩，对网文写法理解不足。
第三轮 70 分。这是 11 个有效样本中的最高分。文笔和细节表现最好，主要问题仍是剧情推进偏弱，编辑认为这可能受到大纲影响。
DeepSeek 的平均分最高，上限也最高，但三轮分数从 35 到 70，范围达到 35 分。它适合重点项目，却不能假设每次都能稳定写出高分结果。
MiniMax M3
第一轮 45 分。历史背景和细节不错，文笔一般，结构和写法不像网文。
第二轮失败，没有形成有效首章。
第三轮 30 分。编辑的原评是“垃圾”。换成生产语言，就是该样本没有达到可编辑初稿的最低标准。
MiniMax 两个有效样本平均 37.5 分，低于其他模型。三次运行又有一次失败，说明它目前同时存在质量和稳定性问题。
生产原文案例
以下片段均来自模型实际落盘的第一章，不是为报告重新生成的示例。为控制篇幅，报告只做节选和省略，保留原文措辞与标点。案例用于说明评分依据，不代表该模型三次输出的平均水平，也不能代替阅读全文。
Qwen3.7 Plus：目标清楚，但容易从叙事滑向升华
节选自第二轮《第一章 西瓜地里的穿越者》：
现在是光绪十五年，距离甲午战争还有五年。
五年时间，足够他做很多事情了。
首先，他要学武。
然后，他要变强。
最后，他要改变这个时代的命运——至少，要改变自己和家人的命运。
"闰土，这一世，我不会再让你成为那个麻木的木偶人。"
这段很快交代了时间锚点和主角目标，阅读门槛低，也方便后续铺设任务线。但连续的目标宣言替代了具体行动，正好对应编辑反复提到的“升华过多”：读者知道主角要改变命运，却还没有通过情节感受到改变的难度。
LongCat 2.0：冲突启动快，但人设和动作较模板化
节选自第三轮《第一章：魂穿觉醒》：
作为华夏龙组最年轻的组长，代号"阎罗"的林锐，从来不知道"退"字怎么写。他拼着重伤的身躯，斩杀最后一名敌人，却在撤退时触发了基地的自毁程序。
……
他猛地扑上去，一把抓住一个洋人的手腕，用力一拧——
"咔嚓！"
骨头断裂的声音在暮色中格外清晰。
片段具备明确身份、即时冲突和动作反馈，能够迅速把情节推起来。问题也很集中：“龙组最年轻组长”“阎罗”等标签辨识度不高，十岁身体立刻折断成年人的手腕又削弱了可信度。这能解释为什么 LongCat 偶尔有完整场面，整体仍被认为不够像成熟网文。
DeepSeek V4 Pro：细节能服务人物，成稿感最强
节选自第三轮《第一章：瓜田里的钢叉》：
手不是他的手。
手掌宽而粗，关节处有茧——那是常年帮父亲劈竹子的茧。和他自己那双握了二十年刀枪剑棍的手不一样。这双手更粗糙，更纯粹。不是为了比赛磨出来的，而是为了活着。
……
他看到另一个少年——那是个穿长衫的少爷。大眼睛，手指白净。少年说："闰土，你心里有好多好玩的事。我要把这些事写下来，让天下的人都看看。"
这里没有只用一句“记忆涌入”完成穿越，而是借手上的茧、劳动经验和两个少年的差异建立身份冲突。时代细节、人物记忆和主题在同一场景里发生作用，说明 DeepSeek 高分样本的优势不只是句子更漂亮。不过这类写法占用篇幅较多，也会让首章爽点和剧情推进偏慢。
MiniMax M3：生活细节可用，但很快回到系统模板
节选自第一轮《第001章 楔子·死与生》：
一间破败的土屋，墙皮剥落，房梁上挂着几缕干枯的玉米棒子。床是木板搭的，被褥洗得发白，透着股陈年的霉味。
唯一像样的，是床头那张小桌。
桌上放着一碗稀粥——稀得能照见人影。
……
【国术推演系统·初始化】
宿主：章闰水
境界：凡人
气血：虚弱
体魄：瘦弱
神识：敏锐
推演点：10
状态：未觉醒
前半段用土屋、霉味和稀粥建立贫困感，说明 MiniMax 并非完全写不出具体细节。但情绪刚形成，叙事便切换到属性面板，生活压力被熟悉的系统流程接管。它能快速搭出可连载框架，却也最容易出现“结构完整、真人阅读评价偏低”的落差。
四段原文与两套评分呈现出同一个规律：模型是否能生成完整文件，与正文是否具有成稿感并不是一回事。Qwen 强在清楚和可执行，LongCat 强在快速制造冲突，DeepSeek 强在人物与细节的结合，MiniMax 能搭起模板但容易被模板反过来支配。
GPT独立证据评分
| 维度 | Qwen3.7 Plus | LongCat 2.0 | DeepSeek V4 Pro | MiniMax M3 |
|---|---|---|---|---|
| 指令遵循 | 4.2 | 3.8 | 4.5 | 4.0 |
| 内容正确性 | 3.3 | 2.8 | 4.2 | 2.5 |
| 结构与连贯性 | 4.2 | 3.7 | 4.5 | 4.0 |
| 成品可用性 | 3.8 | 3.3 | 4.3 | 4.0 |
| 自主执行能力 | 4.7 | 2.8 | 4.8 | 2.5 |
| 工作流稳定性 | 4.8 | 2.2 | 4.8 | 2.0 |
| 六项等权平均 | 4.2 | 3.1 | 4.5 | 3.2 |
评分依据
Qwen 的优势是执行完整、文件结构清楚、长篇规划覆盖面大，三轮都能形成可继续加工的生产资料。主要扣分来自历史与年龄逻辑、系统流模板、重复宣言和时代质感不足。现有录制未发现明确的非阻断或阻断错误，因此工作流稳定性为 4.8。它在证据评分中高于真人编辑评分所呈现的内容水平，说明它更擅长“把项目做完”，不等于更擅长“把正文写好”。
LongCat 有较好的需求澄清和人物规划能力，也出现过细节较好的样本。但已观察到年代倒序、战力膨胀、网文节奏偏弱和执行收尾不稳定。Shell 语法错误、供应商响应解析失败及连续写入失败进一步把自主执行能力下调至 2.8，工作流稳定性下调至 2.2。GPT 评分与编辑反馈方向基本一致：有局部亮点，但事实风险和运行摩擦拉低了整体表现。
DeepSeek 在两套评价中都排第一。它的长篇结构、人物判断、时代压力和金手指克制程度更好，规划与正文之间的因果关系也更完整。现有录制未发现明确工具错误，因此工作流稳定性为 4.8。主要问题是内容表现波动很大，部分样本字数不足、剧情推进偏慢，且大纲规模计算仍可能出现矛盾。因此 4.5 分代表当前样本中的综合领先，不代表每次都能稳定达到同一内容水平。
MiniMax 的结构评分明显高于真人编辑给出的内容分。两次成功运行确实具备完整规划、首章钩子和连载框架，所以在结构与指令遵循上得分不低；但至少 5 次提问工具错误、一次错误路径、一次完全失败，以及历史年龄、武术源流和模板化问题都是真实存在。自主执行能力因此从 3.0 下调至 2.5，工作流稳定性为 2.0。这个分歧说明，结构完整和“像网文、能发表”不是同一件事。
两套评价放在一起看
| 模型 | 编辑盲评平均分 | GPT 证据评分 | 综合解读 |
|---|---|---|---|
| DeepSeek V4 Pro | 56.7/100 | 4.5/5 | 两套评价都居首，上限最高，但波动也最大 |
| Qwen3.7 Plus | 48.3/100 | 4.2/5 | 执行和结构强于文字成品，适合稳定生产初稿 |
| LongCat 2.0 | 48.3/100 | 3.1/5 | 偶有好样本，但事实风险和运行错误较多 |
| MiniMax M3 | 37.5/100 | 3.2/5 | 结构可以成形，但人工观感差、工具报错多且存在失败风险 |
两套评价最一致的结论是 DeepSeek 综合质量领先，Qwen 更适合稳定铺量。
质量与成本放在一起看
| 模型 | 有效首章数 | 平均分 | 总费用 | 每个有效首章成本 | 编辑评分总分/元 |
|---|---|---|---|---|---|
| Qwen3.7 Plus | 3 | 48.3 | ¥0.7293 | ¥0.2431 | 198.8 |
| DeepSeek V4 Pro | 3 | 56.7 | ¥1.7639 | ¥0.5880 | 96.4 |
| LongCat 2.0 | 3 | 48.3 | ¥1.6443 | ¥0.5481 | 88.2 |
| MiniMax M3 | 2 | 37.5 | ¥1.0583 | ¥0.5292 | 70.9 |
“编辑评分总分/元”只是一个粗略的质量成本指标。它不能把 50 分文章变成 100 分文章，却能回答另一个现实问题：花同样的钱，哪个模型更稳定地交付可编辑初稿？
Qwen 的答案最好。它和 LongCat 平均分相同，总费用却少了 0.9150 元。DeepSeek 平均分比 Qwen 高 8.3 分，成本则是 Qwen 的 2.42 倍。是否值得，取决于项目对首章质量的要求。
MiniMax 的每个有效首章成本为 0.5292 元，其中已经包含失败运行的费用。即使不考虑失败成本，它的两次成功运行也花了 0.9624 元，平均每篇 0.4812 元，仍高于 Qwen。
四个模型分别适合什么
Qwen3.7 Plus
适合作为默认生产模型。它便宜、稳定，适合大量生成初稿、细纲和普通章节。
作者必须处理过度升华、时代细节薄弱和网文感不足的问题。
DeepSeek V4 Pro
适合重点项目、关键首章和需要时代细节的题材。它能写出本次最高分样本，也可能突然跌到 35 分。
更稳妥的用法是多生成一个候选版本，再由作者挑选。
LongCat 2.0
不适合作为创作模型。它的平均分没有超过 Qwen，成本却高出一倍以上。第三轮达到 60 分，说明模型有一定上限，但网文结构和爽点始终是短板。
MiniMax M3
现阶段不建议用于网文生产。三次中一次失败，两个有效首章只有 45 分和 30 分。它可以继续用于实验，但没有足够证据支持规模化使用。
推荐工作流
如果目标是控制成本，可以用 Qwen 生成大纲和第一版正文，再让真人编辑处理细节、节奏和删减升华。
如果项目价值较高，可以让 DeepSeek 同时生成两版关键章节。它的波动大，多生成一个候选版本比盲信单次输出更合理。普通章节仍可交给 Qwen，以免整本书的成本失控。
LongCat 和 MiniMax 更适合保留为候选模型，等待后续版本或灵蟹的工具兼容性改善后重新测试。
局限
样本量仍然很小。每个模型只有三次运行，MiniMax 只有两篇有效首章。一次高分或低分都会显著改变平均值。
人工评分样本量有限。
GPT 独立证据评分不是盲测。它能补充结构、指令遵循和事实风险检查，但可能高估形式完整、实际阅读体验较差的内容，MiniMax 的评分差异就是典型例子。
模型输出受到大纲质量影响。编辑在 DeepSeek 第一和第三轮反馈中都指出，剧情推进问题可能来自大纲。严格来说，这次评分衡量的是 灵蟹 完整工作流的结果，不是脱离上下文的纯模型文笔。
成本会受到上下文长度、工具调用次数、取消请求和失败重试影响，因此不能直接视为官方单价对比。
最终结论
性价比模型只能用来解决一些不重要的工作，不能替代真人作者的工作。
11 篇有效首章的平均分只有 48.6，说明大多数结果仍在及格线附近或以下。
编辑盲评与 GPT 证据复核都把 DeepSeek 放在质量首位，但评价尺度并不相同。编辑评分更适合决定正文是否值得保留，GPT 评分更适合判断结构、事实风险和工作流完成度。
Qwen3.7 Plus 是最合理的默认模型。它的质量普通，但稳定且便宜。
DeepSeek V4 Pro 的平均分和最高分都领先，适合值得多花钱的项目。