搜索引擎，写博客文章kimi还是gpt plus

Claude opus4.6或fable 5

其他的用过，中文没那感觉

英文的话GPT或Claude都可以

kimi最近买了不少版权，k3据说写社科类的文章不错

大语言模型中文写作/小说创作能力横向研究报告（2026年7月）

TL;DR

• 就"文笔与小说创作"这一具体场景，2026年7月的第一梯队是 Kimi（K2 血脉）、Claude（Opus/Sonnet 及文学专用的 Fable 5）、DeepSeek（V3/V4）三家：Kimi 在多个第三方中文/创意写作基准上登顶或名列前茅、被公认"AI味最淡"；Claude 是中文社区长期公认的"文笔天花板"（尤其情感与角色刻画）；DeepSeek 则以逻辑、世界观搭建和极致性价比成为网文作者的主力底座。


• 专门针对"中文小说"的系统性第三方测评确实稀缺，现有可用证据来自少数独立基准（HSKStory 中文分级小说测试、LLM Creative Story-Writing Benchmark V3、EQ-Bench Creative Writing、SuperCLUE 文本创作维度）加上大量社区主观测评；不同来源结论存在分歧，且大多为短篇测试，长篇一致性仍是所有模型的共同短板。


• Kimi K3（2026年7月中旬）和 MiniMax M3（2026年6月1日）确实都不是为写作而生：两者宣传与测评重心都在编程、Agent、长上下文、多模态；MiniMax 的"文笔"口碑主要停留在早期 abab 系列和 M1 时代，M2/M3 已明显转向工程能力，写作反而退居次位。

Key Findings

一、能力分层结论（针对中文写作/小说，综合各来源）

第一梯队（文笔/创作综合最强）

• Kimi 系列（K2/K2.5/K2.6/K2 Thinking，Moonshot AI）：中文写作最自然、"AI味"最淡，是目前唯一在多个独立创意写作基准上登顶的国产模型。


• Claude 系列（Anthropic，Opus/Sonnet，及文学专用 Fable 5）：中文社区公认"文笔天花板"，情感细腻、角色刻画深、指令遵循强；短板是国内访问困难、时事/本土网络语料偏弱。


• DeepSeek 系列（V3/V3.2/V4）：中文语感深厚、逻辑与世界观搭建强、性价比极高，是网文圈落地最广的底座（已被阅文"作家助手"、中文在线集成）。

第二梯队（各有所长、需扬长避短）

• 豆包/Doubao（字节）：情感表达与口语化"网感"突出，短文案/短篇讨喜；长篇结构易散。


• 通义千问/Qwen（阿里）：中文语感自然、无翻译腔，文体覆盖广；但在小说质量测试中因"用词保守"导致文笔偏平。


• 智谱 GLM（GLM-5/5.1/5.2）：官方主打 Agent/编程，创意写作是其相对弱项，但性价比高，EQ-Bench 创意分在国产中靠前。


• 文心一言/ERNIE（百度）：中文底蕴好、擅古风典故与正式文稿、合规性强；风格偏中庸文艺、创新性一般。


• GPT-5 系列（OpenAI）：逻辑/结构强，但中文创意写作被广泛批评"AI味重、套路化、破折号与双引号泛滥、翻译腔"，被认为较 GPT-4o/4.5 在文学性上退步。


• Gemini 系列（Google）：超长上下文优势明显（适合长篇记忆），文风端庄流畅但"爆发力"不足。

第三梯队/特化场景

• MiniMax M2/M3：已转向编程/Agent/多模态，通用写作退居次位；角色扮演另有 M2-her 特化模型。


• 腾讯混元 Hunyuan：中文写作社区口碑较弱，讨论度低。


• 网文垂类工具（笔灵AI、马良写作、炼字工坊、墨斗等）：本身不是大模型，而是在 DeepSeek/Claude/Kimi 等模型之上做"网文工作流+去AI味+一致性管理"，是实际长篇创作中的重要一环。

二、专门的中文写作/小说基准（第三方、可引用）

1. 
   

   HSKStory 中文分级小说测试（2026年6月，独立博主/产品团队，第三方实测）——最贴近"中文小说"的公开测评。7 个中文 LLM 用相同大纲写多章故事，由 Claude Sonnet 按 30 分制打分：

   
   
   
   
   • Kimi K2：26.8/30（写作质量第一）；DeepSeek V3.2：26.0；豆包 Doubao Seed 2.0 Pro：23.5；Doubao Seed 2.0 Mini：17.8；Gemini 2.5 Flash：13.3；Qwen 3.5 Plus：10.5（词汇控制最严但文笔最平）。HSKStory 原文对这一反差的诊断是："词汇合规度与写作质量成反比——Qwen 靠写得低于目标级别做到 0.9% 错误率，简单、重复、平淡；Kimi 写得自然，即使会用到超纲词也要够到那个对的字"（"Qwen achieves 0.9% errors by writing below level — simple, repetitive, flat. Kimi writes naturally and reaches for the right word even when it's above level"）。
   
   
   • 重要发现：多款"推理模型"在持续创作上崩溃——Kimi K2.5 把思考 token 泄漏进正文、GLM-4.7-Flash 陷入"地方地方地方…"重复循环、Step-3.5-Flash 把上万字中文思维链当成正文输出。即"为推理优化的模型反而不擅长持续创作，它们在'规划'而非'写作'"。
   
   
   • 词汇合规第二轮（更大规模，9 模型）：MiniMax M2.5、M2.7 合规性较差（分别 55.3%、58.8% 超纲率），且 MiniMax 出现"非中文人名"问题。
   
   
   
   


2. 
   

   LLM Creative Story-Writing Benchmark V3（2025下半年，第三方，7个评分模型交叉打分）：17 款主流模型写 600–800 字融入 10 个指定元素的虚构故事。

   
   
   
   
   • 平均分榜首：Kimi K2-0905（8.749）；GPT-5（medium reasoning）第二、通义千问3 Max Preview 第三。归一化排名后 Kimi K2-0905 仍第一、Qwen3 Max 升第二、GPT-5 第三；前七名差距极小（均 8.6 分以上）。
   
   
   • 靠后：百度文心 Ernie 4.5（300B A47B）第12名（8.110），Llama 4 Maverick 垫底（6.370）。
   
   
   
   


3. 
   

   EQ-Bench Creative Writing / Nature 报道（2025年7月起）：Kimi K2（2025年7月11日发布）发布即登顶两个创意写作基准。Nature 报道（经新华社英文版转载）明确所指为："该模型在 Creative Writing v3 基准上排名第一，该基准评估叙事真实性与原创性；并在 EQ-Bench 3 排行榜上领先，后者旨在通过复杂的角色扮演场景衡量情商"（"ranks first on the Creative Writing v3 benchmark, which assesses narrative authenticity and originality, and leads the EQ-Bench 3 leaderboard...through complex role-playing scenarios"）。据第三方聚合站 evy.so（2026年7月13日）逐字数据：EQ-Bench Creative 榜"由 Claude Fable 5（Anthropic）居首，领先于 Claude Opus 4.7 和 GPT-5.5"（"Claude Fable 5 (Anthropic), which tops the EQ-Bench Creative Writing leaderboard ahead of Claude Opus 4.7 and GPT-5.5"）；国产模型中 GLM-5.2 创意分 1806、Kimi K2.6 约 1780、Kimi K2 约 1691（"the deepest budget pick at 1691 Creative"）、GLM-5 约 1656。注意：此为英文为主的基准，中文表现需另行验证。

   
   


4. 
   

   SuperCLUE（中国权威第三方）：设有"SuperCLUE-Writing 中文原生创意写作"专项榜（2025年9月官网 v0.2 改版后上线，归属"文本系列"），但该专项榜为 JS 动态渲染、精确逐模型分数未见公开转载。可确认的相关数据：SuperCLUE 报告中"文本理解与创作"维度是国产模型成熟度最高的维度（成熟度指数约 0.89，远高于代码 0.53、Agent 0.12）；据《SuperCLUE 中文大模型基准测评2025年年度报告》（2026年2月发布，经搜狐转载），通用总榜全球前三为 Anthropic 的 Claude-Opus-4.5-Reasoning（68.25 分）、Google 的 Gemini-3-Pro-Preview（65.59 分）、OpenAI 的 GPT-5.2(high)（64.32 分）；国内开源最佳 Kimi-K2.5-Thinking（61.50 分，第四）、闭源最佳 Qwen3-Max-Thinking（60.61 分，第六）。（注：此为通用总分，非创意写作专项分数，不可直接等同。）

   
   

三、各维度定性归纳

文笔/语言风格：Claude（细腻、有灵气、翻译腔最少）> Kimi（自然、母语感强、有意象）≈ DeepSeek V3-0324（贴合 R1、平实但会讲故事）> 文心（文采但过于文艺）> 豆包（口语网感）> GPT-5（比喻密集到离谱、破折号泛滥、机械感）。

叙事结构与长篇一致性：这是全行业共同短板。Gemini（百万上下文）、Kimi（长上下文）在"记得住设定"上有硬件优势；但 HSKStory 发现"无论哪种架构/参数/提示词，单类故事质量天花板约 22/30，瓶颈在模型创作力本身，不在工程"。长篇仍普遍存在伏笔不回收、后期人设漂移问题（GPT-5.5 超 3000 字即出现此类问题）。

人物塑造与对话自然度：Claude（角色语气区分度高、心理刻画深）和 Kimi 领先；豆包对话有网感但长篇易"千人一面"；GPT-5 对话偏"直男"、共情弱。SillyTavern 角色扮演社区长期把 Claude 视为"文笔天花板"，Gemini 作为"长上下文平替"，DeepSeek 作为"低成本主力"。

网络文学/类型小说：DeepSeek（懂网文套路、逻辑质检、玄幻/悬疑/无限流）、豆包（爽文对话/短平快脑洞）在类型文上更实用；Claude 用于言情/情感戏/大场面精写；Kimi 用于长篇资料管理与续写一致性。

"AI味"问题：GPT-5 系列被批最重（模式化、套路化、符号泛滥）；DeepSeek R1/V3.1 存在空洞形容词堆砌、"华而不实"倾向；Kimi 官方称在训练时刻意清洗了"废话文学/过度谄媚/重复啰嗦"，是其"不像机器人"口碑的来源之一。番茄小说等平台已上线 200+ 维度 AI 检测（含"叙事指纹识别"），纯 AI 正文易被判低质。

四、关于用户此前关注的 Kimi K3 与 MiniMax M3

• Kimi K3（2026年7月中旬发布）：官方定位为"面向长程编码与端到端知识工作的旗舰"，1M 上下文，宣传重心是编码/Agent/推理，没有针对中文小说的官方或第三方专项测评。但其所属的 Kimi/K2 血脉正是当前写作口碑最好的国产系列，且 Moonshot 明确表示在数据处理上刻意优化写作风格、清洗"废话文学"，因此 K3 的写作底子大概率延续 K2 的优势——但这需要后续独立评测验证，目前只能视为"合理推测"。


• MiniMax M3（2026年6月1日发布）：据官方 model card（Hugging Face MiniMaxAI/MiniMax-M3），为 428B 总参数、每 token 约激活 23B 的 MoE，1M token 上下文、原生图像与视频输入，采用自研稀疏注意力 MiniMax Sparse Attention（MSA），较 M2 实现"1M 上下文下 prefill 加速 9 倍以上、decode 加速 15 倍以上"。据 VentureBeat（2026年6月1日报道，属厂商自报）：M3 在 SWE-Bench Pro 取得 59.0%、"领先于 GPT-5.5 和 Gemini 3.1 Pro 等闭源模型"，在 BrowseComp 取得 83.5、"超过 Claude Opus 4.7 的 79.3"（其中 SWE-Bench Pro 59.0% 为 MiniMax 用 Claude Code 脚手架自测、非独立榜单）。写作/小说完全不是其宣传或测评重点。MiniMax 的"文笔"美誉主要来自早期 abab 系列（社区曾以文笔和 C 端产品 Glow/星野 的角色扮演著称）和 M1 时代（有测评称 M1 写 2 万字爽文"文笔不输 Claude-4"）；进入 M2/M3 后公司战略明显转向工程能力，角色扮演另拆出 M2-her 特化模型。

Details

各模型详述

Kimi（Moonshot AI）——当前国产写作口碑与硬指标的双料领先者。Nature（2025年7月）报道 K2 发布即登顶 Creative Writing v3 和 EQ-Bench 3；HSKStory 中文小说测试 K2 拿下 26.8/30 第一；Creative Story-Writing V3 中 K2-0905 平均分第一。K2 Thinking 官方称"意象更生动、情感共鸣更强、长篇风格连贯"。风险点：K2.5 等 thinking 变体在纯创作任务中会把思考 token 泄漏进正文（HSKStory 实测 35% 章节出现），写小说建议用非思考档或明确抑制。中文社区普遍评价 Kimi"中文写作几乎是所有 AI 中最自然的、无翻译腔"，但也有声音指其原创性/"灵气"不如文心，偏"资料拼凑"。

Claude（Anthropic）——中文社区长期共识的"文笔天花板"。被称"AI暖男/文艺青年"，情感真挚、用词生动、共情力强、指令遵循高、角色心理刻画细。SillyTavern 中文角色扮演教程站直言 Claude 是"最适合中文创作"的选择（文笔自然、不假大空、能写长篇、复杂角色心理细腻）。2026年 Anthropic 推出文学专用的 Fable 5，在 EQ-Bench Creative 登顶。短板：国内访问困难/易封号、时事与本土网络梗弱、文风偏理性时情绪描写不够浓。马良写作实测中文文笔 Claude Sonnet 4.6 给到 9.2（最高）。

DeepSeek——网文圈落地最广的性价比底座。V3-0324 官方明确"中文写作对齐 R1 风格、提升中长篇质量"；社区实测 V3-0324"故事性强、能把故事讲清楚、容易写长"，而 V3.1"遣词造句华丽但华而不实、写不长（五六千字封顶）"。R1 存在空洞形容词堆砌问题。2026年 V4 被评为"中文创作能力有目共睹、对网文套路理解强"。已被阅文集团"作家助手"、中文在线"中文逍遥"集成用于网文。定位是"引擎而非整车"——需配合工作流管理设定/大纲/一致性。

豆包/Doubao（字节）——掘金 2025年8月测评认为豆包在"文学性、情感表达"上表现突出、是创意写作优选；HSKStory 中 Doubao Seed 2.0 Pro 23.5/30（去掉词表干扰后甚至拿到过 30/30"情感最强"）。口语化、网感强，适合短视频脚本/短篇脑洞；缺点是长篇结构易散、角色设定不敏感。

通义千问/Qwen（阿里）——中文语感自然、无翻译腔、文体覆盖广（官方主打"上千种体裁"），被多篇横评评为"写文案/中文表达最自然"。但在 HSKStory 小说质量测试中垫底（10.5/30），原因是"词汇控制过严导致文笔平淡重复"——即偏"安全保守"。Creative Story V3 中 Qwen3 Max 却能进前三，说明高端型号 + 合适提示词下创作力不弱，型号与版本差异大。

智谱 GLM——GLM-5/5.1/5.2 官方叙事集中在 Agent/长程工程/编码，官方也承认"在纯文本生成、创意写作等领域优势不如编程场景显著"。但性价比突出，EQ-Bench Creative 分在国产中靠前（GLM-5.2 约 1806）。HSKStory 中 GLM-4.7-Flash 出现重复循环崩溃、GLM-5 出现"忽略提示词概念"问题。

文心一言/ERNIE（百度）——中文底蕴好、成语典故信手拈来、擅古风武侠与正式文稿、合规安全；但风格偏中庸/过于文艺、创新性一般、幻觉仍存。Creative Story V3 中 Ernie 4.5 排第12。

GPT-5 系列（OpenAI）——中文创意写作是其明显弱项。多家实测（每日经济新闻、36氪、澎湃、知乎多篇）指出 GPT-5"AI味比以前更重、遣词模式化、翻译腔、破折号与双引号泛滥、比喻密集到离谱、共情弱、创意原地踏步甚至退步"，被认为文学性不如 GPT-4o/4.5。GPT-5.5 创意有改善但长文本仍伏笔不回收、人设漂移。逻辑/结构/指令遵循仍强，适合大纲推演。

Gemini 系列（Google）——最大优势是超长上下文（百万 token，适合长篇"不吃书"）；文风端庄流畅、多模态强，但"爆发力/文学性"评价一般。是角色扮演社区的"长上下文平替主力"。

MiniMax——abab 系列时代以文笔和 C 端角色扮演产品著称；M1 时代仍有长篇小说文笔口碑；M2/M3 转向编程/Agent/多模态，写作非重点，且 HSKStory 实测 M2.5/M2.7 中文词汇合规差、出现非中文人名。角色扮演另有 M2-her。

信息来源类型与可信度标注

• 第三方独立基准（可信度较高，但多为短篇/英文为主）：HSKStory（中文小说、30分制、Claude 打分）、LLM Creative Story-Writing Benchmark V3（多模型交叉打分）、EQ-Bench（训练评委）、SuperCLUE（中国权威第三方，但写作专项精确分数未公开）、Nature 报道（K2）。


• 官方自测/官方定位（需谨慎，倾向性强）：各厂商模型卡与发布博客（Kimi、DeepSeek、GLM、Qwen、MiniMax、GPT-5 官方写作宣传）；MiniMax M3 的 SWE-Bench Pro 59.0% 即为厂商用 Claude Code 脚手架自测。


• 社区主观印象/个人测评（参考价值但不可复现）：知乎、掘金、CSDN、SillyTavern 教程站、马良写作博客（自身是网文工具方，存在商业倾向）、各类"AI写小说工具横评"（多含推广/软文成分，对垂类工具的吹捧需打折扣）。

Recommendations

分场景选型（决策建议）

1. 追求文笔/情感戏/精华章节：首选 Claude（Sonnet 日常、Opus 或 Fable 5 关键章节）；国内直连优先 Kimi（K2 系/K3），二者是"最不像 AI"的两个选择。


2. 网文批量生产/世界观/逻辑质检/性价比：DeepSeek V3/V4 为主力底座，配合网文工作流工具（笔灵、马良、炼字工坊）管理大纲与一致性；成本敏感可用 DeepSeek-Flash 档。


3. 短篇脑洞/短视频脚本/爽文对话：豆包顺手；中文文案/公文/正式稿：通义千问或文心一言。


4. 长篇连载"不吃书"：优先长上下文模型（Gemini 百万上下文、Kimi），但务必外挂设定库/知识图谱，因为长上下文≠可靠记忆。


5. 专业作者最佳实践：混合使用——GPT-o3/DeepSeek 做大纲推演、Claude/Kimi 做精华章节与情感戏、DeepSeek 做日常量产、再用"去AI味"工具过审（番茄等平台 AI 检测已很严，纯 AI 正文易封号）。

触发重新评估的基准线（thresholds）

• 若出现针对中文小说的可复现第三方基准（如 SuperCLUE-Writing 公开逐模型分数、或中文长篇一致性基准），应以其替代当前以短篇/英文为主的证据。


• 若 Kimi K3、DeepSeek V4、GLM-5.x 发布专门的创意写作评测或社区形成稳定长篇口碑，需更新分层。


• 若某模型在长篇（>1万字）一致性上出现质变（伏笔回收、人设稳定），当前"长篇是全行业短板"的结论应修正。

Caveats

• 专门、权威、可复现的"中文小说"第三方基准仍然缺失。本报告的分层是综合短篇创意写作基准 + 中文分级小说测试 + 大量社区测评的加权判断，非单一权威榜单。


• 多数创意写作基准以英文为主（EQ-Bench、Creative Story V3 部分），其结论迁移到中文需谨慎；SuperCLUE 中文写作专项榜的精确分数目前无法公开获取（页面动态渲染、无第三方转载）。


• 模型迭代极快、版本差异巨大：同一家不同版本（如 DeepSeek V3-0324 vs V3.1、Qwen 不同型号）写作表现可能相反；本报告数据截至 2026年7月，Kimi K3、MiniMax M3 等最新模型的写作能力尚无独立评测，相关判断为基于血脉与官方信息的合理推测。


• 创意写作评分天然主观：即便是基准，评委模型也存在长度偏好、"slop"偏好等偏差；社区测评更受提示词、单次随机性影响，任何"一道题定高下"的结论都不可靠。


• 商业倾向：不少"AI写小说横评"来自垂类工具厂商或带推广性质的自媒体，对特定工具（尤其网文垂类工具）的吹捧应打折扣看待。


• 合规风险：番茄、晋江等平台对 AI 生成正文管控趋严（晋江明文规定正文不得 AI 直接生成、番茄要求人工底稿），纯 AI 正文易被判低质或封号，AI 应定位为辅助而非代笔。

跑过一个research,但是是关于小说的,可以参考下,kimi很强的,gpt写出来我实测有翻译味,但是我的是小说,具体你可以自己测试下,每个模型跑5篇,然后3中模型交叉打分取均值,测一下就知道了

个人观点,推荐kimi,有用麻烦给个鸡腿 ^-^