全网最全模型写作测评报告发布！报告优选模型限时 4 折！
event
作为 vibe writing 理念的倡导者，我们认为，写作是一项工程，而不是简单地生成正文。在这个工程的各个环节里，目前我们没有稳定地看到一个冠军，而这次测评也如实反映了不同模型在各个任务阶段上的优劣势。
这个系列我们将每月更新，除了保证模型覆盖，也会在不同内容风格和品类方面，不同语种持续进行覆盖，欢迎大家关注。
本文推荐的优选模型 GLM-5.2，Kimi K2.6，Qwen 系列模型已在灵蟹/SoloEnt上线限时折扣，会员 4 折，免费用户 6 折。务必不要错过！
测评概况
本报告使用 Fable5 进行对三组测评（海外御三家、国内贵价四模型、国内平价四模型）进行最终汇总，共 11 个模型、33 次同题运行。 所有运行使用统一提示词（"穿越闰土修炼国术"网文）、统一补充条件（100 万字/传统国术/魂穿/热血爽文/清末民初）、统一流程（Plan → 补充条件 → Act → 首章落盘即停）。
| 组别 | 模型 | Token | 实际费用 | 每百万 Token 费用 |
|---|---|---|---|---|
| 海外 | Gemini 3.1 Pro Preview、GPT-5.4、Claude Sonnet 5 | 187.0 万 | $4.9823（≈¥33.88） | ¥18.12 |
| 国内贵价 | Doubao Seed 2.1 Pro、GLM-5.2、Qwen3.7 Max、Kimi K2.6 | 1,034.2 万 | ¥32.9812 | ¥3.19 |
| 国内平价 | Qwen3.7 Plus、LongCat 2.0、DeepSeek V4 Pro、MiniMax M3 | 450.5 万 | ¥5.1958 | ¥1.15 |
三组均由真人编辑对首章做百分制盲评，由 GPT-5.5 做非盲模型评分；两组国内、一组海外的评估框架一致，本报告据此做跨组比较。
本报告将"写作能力"拆为四个维度分别比较：引导互动（策划阶段引导作者思考和决策）、结构设计（策划文件体系与大纲工程）、执行遵从（正文对预写章纲的遵从性）、正文创作（首章实际阅读质量）。
从测试结果来看，这四种能力的实际相关性很低。
维度一：写作引导互动
考察模型在 Plan 阶段是否稳定、有效、合理地帮助作者澄清需求、做出创作决策，而不是"说了多少"。
关键结论
引导最强的是 Sonnet 5 和 GLM-5.2，两者路线不同：Sonnet 让作者"做选择题"参与共创，GLM 替作者"做研究"补足知识。GPT-5.4 与 Qwen Max 紧随其后，分别以商业定位和过程管理见长。
Gemini、Kimi、Qwen Plus 属于"低引导高执行"，对新手作者帮助有限，对目标明确的作者反而干净利落。
DeepSeek 的引导有效性（4.6）已达头部水准，其特点是把建议直接变成写作约束，只是过程展示不稳定。
需要警惕的共性问题：引导强的模型（GPT、GLM、Qwen Max）都出现过**"把策划完成当成任务终点"**，所以作者需要掌握自己的真正目标是什么。
维度二：结构设计
考察策划文件体系的完整度、大纲工程质量与前后因果链。
关键结论
结构设计的头部是 GLM、Sonnet、Qwen Max，恰好也是引导头部——两个维度高度同源：会追问的模型才知道该建什么档案。
三者分工可概括为：GLM 建"小说圣经"、Sonnet 建"写作规范"、Qwen Max 建"连载中台"。
值得注意的是 GPT-5.4 的反例：结构文件最少（甚至一轮只交正文），正文却拿了全场最高分，说明它把结构"想在了心里"而非写成文件。
反面是 GLM 和 Sonnet：文件工程全场最重，正文均分却在各自组内垫底或倒数。 文件规模与正文质量在本测评中接近零相关。
稳定性也属于结构能力：Gemini 和 Qwen Max 三轮目录几乎复刻，可直接模板化；LongCat 与 MiniMax 的结构崩坏都源于工具层错误而非设计能力。
维度三：执行遵从
该维度衡量的是"规划能否有效约束写作"。对长篇生产，这直接影响节奏控制、伏笔兑现和多人协作时的可预测性。
关键结论
遵从性头部与正文头部只有部分重合。 Kimi 是唯一"遵从第一 + 组内真人分第一"的模型；Qwen Max 遵从 4.77 但真人反馈持续"没冲突、爽点不够"——忠实执行一个不好看的计划仍然不好看，章纲遵从与章纲质量是两个问题。
失效模式高度集中：章节边界膨胀。 平价组三个模型（Qwen Plus、LongCat、MiniMax）和 Sonnet 的主要扣分都来自"把后续章节内容提前塞进第一章"，导致开篇节奏失控、第二章功能被提前消耗。
维度四：正文创作
考察首章的实际阅读质量。以真人编辑百分制盲评为主证据，辅以编辑简评归纳。
关键结论
正文创作只有一个赢家：GPT-5.4，均分领先第二名 12 分且极差仅 4 分，是唯一"高分+稳定"兼得的模型。国产阵营中 Kimi 以稳取胜（唯一无 50 分以下样本的国产模型），DeepSeek 以上限取胜（单篇 70 分为国产最高，但必须多版本择优使用）。
全场 32 篇有效首章中 15 篇达到 60 分及以上、无一篇达到 80 分，编辑对国产 8 模型的共性批评高度一致：升华过度、爽点不足、"不像网文"。
结论：当前任一模型的直出正文都不能免编辑交付。
模型成本详细对比（统一折算人民币）
三组均为 SoloEnt 后台实付，其中平价组为灵蟹折扣价（2.5–5 折），贵价与海外组为平台实际计费，均不代表厂商官方牌价。
指标口径
我们把成本拆为三个并列指标，以便看清模型的优劣：
-
单价（每 10 万 Token）：回答"这个模型贵不贵"，由厂商/平台定价决定；
-
每轮消耗（万 Token）：回答"它完成同一任务省不省"，反映策划深度、冗余与自我控制；
-
每轮账单（单价 × 消耗的结果）：回答"我实际付多少"，仅作预算参考，不作模型效率评价。
成本结构观察
1. 每轮消耗跨度约 7 倍，与质量基本无关，与策划厚度强相关。 海外三家消耗高度自律（每轮 20–21 万 Token，几乎相同），说明头部模型对"完成到首章为止"的任务边界判断一致。
2. 账单是单价与消耗的乘积，两个偏差会互相掩盖。 Kimi 单价是国产组最贵（¥0.41），账单却最低（¥1.43/轮），省在消耗量；Doubao 单价平平，账单最高（¥4.54/轮），贵在消耗量。只看单一成本数字容易误判模型。
3. 质量溢价换算：
-
DeepSeek 双版本择优对 GPT 单版本：DeepSeek 出两版约 ¥1.18，不到 GPT 单版的 1/3，最佳样本（70 分）已接近 GPT 均值（75 分）——预算紧张时"平价模型多抽卡"是现实替代，代价是需人工筛选且下限不可控（35 分）。
-
同单价档内选消耗克制者：贵价组四模型单价仅差 1.4 倍，账单却差 3.2 倍；在单价接近时，模型的消耗纪律比单价更影响长期成本。Gemini、Kimi、Qwen 相比同等价位的其他模型在这方面有一定的优势。
更值得关注的是，正如我们的这次评测一样，大量的 token 消耗在策划和创作过程中，但读者仅会为最终的正文效果买单。我们在使用过程中应该更聚焦在哪些设计和过程文件对于最终效果是有提升和帮助的。
总览与模型定位
| 模型 | 引导互动 | 结构设计 | 执行遵从（覆盖率） | 正文创作 | 稳定性 | 单价 / 每轮账单（¥） | 一句话定位 |
|---|---|---|---|---|---|---|---|
| GPT-5.4 | 强（4.33，商业策划） | 中（重想轻写） | 精度高（4.5，1/3） | 全场最稳（75.0/极差 4） | 零错误，耗时最稳 | 1.71 / 3.59 | 质量优先的正文主力 |
| Gemini 3.1 Pro | 弱（4.10，极简） | 中（标准稳定） | 强（4.8，3/3） | 第二，上限一般（63.0） | 零错误，全场最快 | 1.06 / 2.18 | 低成本批量起稿 / A-B 测试 / 标准化生产 |
| Sonnet 5 | 全场第一（4.57） | 强（写作规范体系） | 中（4.1，易跨章兑现） | 偏弱（57.3） | 零错误，耗时波动大 | 2.64 / 5.53 | 前期共创与世界观搭建 |
| Kimi K2.6 | 弱（4.03，简洁） | 中 | 全场第一（4.87，3/3） | 国产第一且稳（60.0/极差 6） | 零错误，贵价组最快 | 0.41 / 1.43 | 国产试写首选，消耗最克制 |
| Doubao Seed 2.1 | 中（4.27） | 中偏厚 | 中（4.00，2/3） | 中，波动大（58.3/极差 15） | 2 次非阻断错误，最慢 | 0.32 / 4.54 | 厚正文备选，消耗最高 |
| Qwen3.7 Max | 强（4.47，连载管理） | 强（中台化） | 强（4.77，3/3） | 中，爽点持续不足（56.7） | 零错误 | 0.31 / 2.05 | 连载资料与章节管理 |
| GLM-5.2 | 强（4.53，工程拆解） | 全场第一（4.7） | 中（4.27，3/3） | 弱（55.0） | 零错误 | 0.29 / 2.98 | 小说圣经与分卷工程 |
| DeepSeek V4 Pro | 中偏强（4.2，约束共创） | 强（平价组第一） | 平价组第一（4.2，最佳单轮 5.0） | 上限高不稳定（56.7/极差 35） | 零错误 | 0.13 / 0.59 | 重点章节多版本择优 |
| Qwen3.7 Plus | 弱（4.0，少问快做） | 中 | 中（4.0，边界膨胀） | 弱但极稳（48.3/极差 5） | 零错误，平价组最快 | 0.07 / 0.24 | 极低成本铺量初稿 |
| LongCat 2.0 | 弱（3.4，善问难收束） | 弱（崩坏两轮） | 弱（3.6，2/3） | 弱，波动大（48.3/极差 20） | ≥3 错误演变为阻断 | 0.13 / 0.55 | 暂不建议生产使用 |
| MiniMax M3 | 最弱（2.9，工具故障） | 弱（一轮零产出） | 弱（3.7，2/3） | 全场最弱（37.5） | ≥6 错误 + 1 轮失败 | 0.13 / 0.35 | 暂不建议生产使用 |
总结
-
四维能力彼此独立。 引导+结构双第一的 Sonnet 和 GLM 正文均在组内垫底区；正文第一的 GPT 结构文件最少、章纲覆盖率全场最低；引导最弱一档的 Kimi、Gemini 正文和章纲遵从反而稳居前列。选模型必须按环节选，不存在全能冠军。
-
稳定性是被低估的分水岭。 极差 ≤6 分的只有 GPT、Kimi、Qwen Plus 三家，分别是"高位稳、中位稳、低位稳"。DeepSeek、Doubao、LongCat 的高分样本都不可稳定输出。
-
章纲遵从是可预测性指标，不是质量指标。遵从高保证"按设计交付"（Kimi 4.87 + 正文组内第一是最佳组合），但不保证设计本身好看（Qwen Max 4.77 被评"没冲突"）；反过来 GPT 证明高执行精度可以与低流程完整性并存。实际使用必须同时抓"章纲落盘覆盖率"和"章纲本身的爽点设计"。
-
海外头部与国产头部的正文差距真实存在但可分层。 GPT（75）领先国产最佳 Kimi（60）15 分；Gemini（63）与 Kimi/Doubao 已在同一档。考虑到 GPT 每轮账单 ¥3.59 对 Kimi ¥1.43，国产模型在"非重点章节"上具备成本优势。
最终推荐组合拳
-
前期共创和世界观用 Sonnet 5，预算敏感换 GLM。
-
连载资料与伏笔管理用 Qwen Max。
-
重点章节正文用 GPT-5.4 / Gemini，预算敏感换 DeepSeek。
-
日常初稿或测试验证可用 Kimi 或 Qwen Plus。
-
切换模型使用时，务必先总结前续上下文（使用好 soloent.md），然后开新窗口，否则会导致切换后的模型一次性读取太多上下文。
研究局限
-
每模型仅 3 轮同题样本，单一题材（清末国术爽文），结论不外推到其他品类。
-
正文质量受各自大纲反向影响，评的是"完整工作流产出"而非纯文笔。
-
机器评分非盲，跨组机器分与章纲遵从分仅作趋势参考。
-
真人盲评数据有限，且受个人口味与题材偏好影响。
后续计划
-
针对各环节表现较优的模型，进行不同任务类型、不同内容品类的测试。
-
依据统一硬约束（章纲先落盘、首章即停）重测 GPT-5.4 的章纲覆盖率与 Sonnet 的跨章兑现问题。
-
专项验证"哪些过程文件对最终正文有实际提升"，为消耗纪律优化提供依据。