哪款AI模型最会写小说？

从综合技巧分（文学性、对话、忠实度、节奏四个维度在真实小说散文上的平均值）来看，Claude Opus 4.8 目前领先，GPT-5.6 Sol 紧随其后。但"最好"取决于场景：动作、浪漫和露骨内容的最高分属于不同模型。本页的评分表显示当前排名及每个数字背后的样本量。

这个基准测试是如何测量的？

每个模型在相同条件下写相同的简报节拍，盲评委小组对生成的散文从九个维度（四个技巧维度：文学性、对话、忠实度、节奏；五个内容维度：情感、肢体感、冲突、浪漫、情色）各打0至100分。得分经可信度收缩向中性基准70调整，以防少量数据左右结果，样本数显示在每个分数旁边。

技巧维度和内容维度有什么区别？

技巧维度衡量模型的写作水准，与题材无关——句子质量、人物声音、对简报的忠实度和节奏控制。内容维度衡量对特定场景类型的适配性：情感、肢体动作、冲突、浪漫和露骨内容。一个模型可以写出优美的句子，却处理不好打斗场景，因此两类维度分开评分展示。

为什么不直接选最好的模型用到底？

因为没有任何一款模型全面领先。最强文学技巧、最佳动作场景、最出色的浪漫或露骨写作分属不同模型。Novelmint 逐节拍跨模型路由——大部分保持一个主线声音以保证连贯，在特定节拍上切换更强的模型——而这一切的前提正是这张评分表的存在。

低分意味着模型很差吗？

不一定。内容低分可能意味着模型有能力但不愿意——大多数模型情色分低是因为拒绝或流于平铺，而非写作水平差。低可信度分（样本少）会收缩向中性基准，读作"尚未证明"，而非"已证明较弱"。读分数时，请始终结合样本量一起判断。

基准测试多久更新一次？

持续更新。评分表是平台评分库的实时投影：Novelmint 构建章节时对段落打分的同一评委会将观测数据实时回馈，随着作者使用引擎、样本量增长，数字也在移动。页面显示最近一次重新校准的日期。新模型版本从头重新测量，而不与被替换的旧版本混合，因此版本更迭不会悄悄污染某一列数据。

小说模型基准测试

哪款AI模型真正最会写小说？

Live data · measured as of July 24, 2026

所有模型评分卡都在测数学、代码和推理，却没有一张衡量模型能否写出读者不会跳过的场景。于是我们建立了这个基准测试。盲评委小组对前沿模型生成的真实小说散文从九个维度打分——四个衡量写作技巧，五个衡量小说场景类型——以下数据是实时结果。这不是营销图表，而是 Novelmint 在为你的每一个故事节拍选择模型时所依据的真实评分表。

免费开始你的故事评分方式说明

Key takeaways

本基准测试对来自 Anthropic、OpenAI、Google 和 xAI 的前沿模型，以真实生成的小说散文（而非选择题）为依据，从九个维度打分：四个技巧维度（文学性、对话、忠实度、节奏）和五个内容维度（情感、肢体感、冲突、浪漫、情色）。
技巧维度衡量模型写得有多好；内容维度衡量它擅长写哪类场景。一个模型可以句子优美，却写不好打斗场景，因此两类维度分开评分，绝不合并为一个误导性的综合数字。
每项得分都会向中性基准70进行可信度收缩，样本越少收缩越大，因此三个样本的幸运结果永远不会伪装成确定结论。每个数字背后的样本量均有显示。
没有一款模型全面称霸。最强文学技巧、最稳定的忠实度、最佳动作场景、最开放的浪漫与露骨写作分属不同模型——这正是将一部书跨模型分段写作而非只选一款的核心理由。
这也是 Novelmint 在构建章节时逐节拍选择模型所用的同一评分表——构建过程中对段落打分的评委会将数据实时回馈，因此随着作者使用引擎写作，数字也在持续更新。这是一个实时机制，而非事后声明。

The benchmark

Frontier models on real novel prose

Live data · updated July 24, 2026

这是实时数据，而非一次性测试

下方表格并非一次性运行后冻结的基准测试，而是平台评分库的实时投影：在构建过程中对段落打分的同一评委会持续向评分表输送数据，因此每一章在 Novelmint 上写就，都会新增观测、扩大样本、让数字更精准。随着越来越多的作者使用引擎写作，基准测试持续更新——页面上的日期仅表示最近一次重新校准的时间。

Novelmint fiction-model benchmark — measured craft and content-fitness scores (0–100) for frontier AI models on real novel prose. Click a column heading to sort.
		Craft — how well it writes				Content — what it writes well

Claude Opus 5LeadAnthropic	85	84	87	86	83	87	84	84	82	78
Claude Opus 4.8Anthropic	82	87	72	87	84	86	77	79	81	57
Fable 5Anthropic	75	79	79	73	70	82	73	73	84	54
GPT-5.6 SolOpenAI	84	87	84	83	84	85	93	89	83	32
Claude Sonnet 5Anthropic	74	69	76	79	72	82	78	75	75	50
Claude Haiku 4.5Anthropic	65	72	60	64	63	71	63	68	68	51
GPT-5.6 TerraOpenAI	80	79	82	80	79	81	86	84	81	35
GPT-4.1OpenAI	68	71	64	70	68	67	70	62	70	63
Gemini 3.1 ProGoogle	73	65	72	77	80	74	81	77	76	77
Gemini 3.5 FlashGoogle	78	76	76	80	79	68	71	80	73	74
Gemini 3.6 FlashGoogle	74	71	73	78	74	74	80	71	72	73
Grok 4.5xAI	67	66	52	75	76	64	79	73	73	83
Grok 4.3xAI	65	67	61	74	60	73	78	71	73	78

0–100 confidence-adjusted score* = fewer than 6 samples (provisional)Click a column heading to sort · hover a cell for its sample size

如何阅读评分表

标题数字是综合技巧分——模型四个执行维度的平均值，最接近"散文质量如何"的答案。右侧的内容维度不是好坏排名，而是说明该模型适合写哪类场景。肢体感高分意味着动作干净利落；情色低分通常意味着拒绝或平铺直叙，而非写作水平差——是意愿问题，不是技巧问题。纵向比较技巧分可对比模型优劣，横向阅读一行可看出单个模型的优势与短板。

Best AI for…

A straight answer for one kind of scene — or one genre

By what your scene needs

By genre

Not sure which to use?

Tell us what your book leans on

Pick what matters most for your story. We’ll rank the models for exactly that — the same way the build router chooses.

Choose one or more above to see your best-fit models.

Methodology

How the numbers are produced

01

生成真实散文，而非测试答案

每个模型在相同条件下写相同的节拍——有必要元素、禁止内容、叙事视角和戏剧目标的简报场景。我们以编辑阅读小说的方式评分，而非测验成绩。

02

盲评，九个维度

评委小组在不知晓作者模型的情况下，对每段文字从四个技巧维度（文学性、对话、忠实度、节奏）和五个内容维度（情感、肢体感、冲突、浪漫、情色）各打0至100分。技巧衡量执行质量；内容衡量对场景类型的适配性。

03

向中性先验收缩

少量样本的原始平均值不过是噪音。每个格子都会按证据的薄弱程度向中性基准70收缩，早期的幸运数据在积累足够观测之前只会接近平均水平。公布的数字是收缩后的值，样本量显示在旁边。

04

持续折叠更新，从不手动覆盖

新的评委观测数据折叠进滚动均值，样本数随之增长，评分表随时间愈发精准。数字由观测数据自动生成，从不手动录入；当模型版本在别名下更新时，其格子会重置为全新测量，而不是将两个不同版本的数据混合。

Read the full methodology Get the data as JSON

Where this leads

为什么这样的基准测试有实际价值

为某个场景单独选用不同模型，前提是书以离散的、有简报的单元构建，而非一次性生成。这个单元就是节拍，而在不同模型写不同节拍的情况下保持故事连贯，则依赖于随构建过程传递的弧线与实体记忆。基准测试是记分牌；节拍和弧线记忆才是让书真正用上它的机制。

AI如何保持故事连贯性（互动演示）什么是故事节拍？节拍表的正确用法 Novelmint 如何构建一部小说

Questions

Frequently asked

哪款AI模型最会写小说？: 从综合技巧分（文学性、对话、忠实度、节奏四个维度在真实小说散文上的平均值）来看，Claude Opus 4.8 目前领先，GPT-5.6 Sol 紧随其后。但"最好"取决于场景：动作、浪漫和露骨内容的最高分属于不同模型。本页的评分表显示当前排名及每个数字背后的样本量。
这个基准测试是如何测量的？: 每个模型在相同条件下写相同的简报节拍，盲评委小组对生成的散文从九个维度（四个技巧维度：文学性、对话、忠实度、节奏；五个内容维度：情感、肢体感、冲突、浪漫、情色）各打0至100分。得分经可信度收缩向中性基准70调整，以防少量数据左右结果，样本数显示在每个分数旁边。
技巧维度和内容维度有什么区别？: 技巧维度衡量模型的写作水准，与题材无关——句子质量、人物声音、对简报的忠实度和节奏控制。内容维度衡量对特定场景类型的适配性：情感、肢体动作、冲突、浪漫和露骨内容。一个模型可以写出优美的句子，却处理不好打斗场景，因此两类维度分开评分展示。
为什么不直接选最好的模型用到底？: 因为没有任何一款模型全面领先。最强文学技巧、最佳动作场景、最出色的浪漫或露骨写作分属不同模型。Novelmint 逐节拍跨模型路由——大部分保持一个主线声音以保证连贯，在特定节拍上切换更强的模型——而这一切的前提正是这张评分表的存在。
低分意味着模型很差吗？: 不一定。内容低分可能意味着模型有能力但不愿意——大多数模型情色分低是因为拒绝或流于平铺，而非写作水平差。低可信度分（样本少）会收缩向中性基准，读作"尚未证明"，而非"已证明较弱"。读分数时，请始终结合样本量一起判断。
基准测试多久更新一次？: 持续更新。评分表是平台评分库的实时投影：Novelmint 构建章节时对段落打分的同一评委会将观测数据实时回馈，随着作者使用引擎、样本量增长，数字也在移动。页面显示最近一次重新校准的日期。新模型版本从头重新测量，而不与被替换的旧版本混合，因此版本更迭不会悄悄污染某一列数据。

What this page does not claim

本基准测试仅衡量小说散文质量和内容适配性，对模型的推理、编程、数学、事实准确性或写作场景以外的安全性不作评价。
得分是相对于评判集和所用提示的相对评级，并非模型提供商认可的绝对或官方评分。模型名称及商标归各自所有者所有。
综合技巧分高并不意味着该模型适合所有书——风格、类型、内容需求和成本都很重要，这正是 Novelmint 跨模型路由而非奉一款为圭臬的原因。
低样本格子为暂定值。观测数较少的数字会收缩向中性基准并标注，随着更多测量数据折入，数字将持续变化。