AI写小说哪个模型强？五大模型剧情推演实测对比

AI写小说这两年成了热门玩法，但面对DeepSeek、GLM（智谱）、Qwen（千问）、Gemini、Claude这么多主流模型，创作者往往拿不准到底谁更擅长剧情构思。一位B站UP主用同一套设定（同样的故事开篇、技能、全序设定）对多个模型做了横向测试，重点考察它们在小说剧情推演上的表现。本文梳理这场实测的结论，供有AI创作需求的读者参考。

测试方法：同题竞技，聚焦剧情推演

本次测试采用统一变量：相同的故事开端、相同的主角技能设定、相同的世界观全序设定，让各模型独立完成第一单元的故事大纲与剧情推演，再从三个维度打分——AI味浓淡、剧情设计（尤其反转与阻力）、指令遵从度。

参与测试的模型包括DeepSeek、智谱GLM、千问Qwen、Gemini（Flash版本）以及Claude（使用的是Sonnet 4.5，非最新版本）。测试者特别说明，Claude受限于无法拿到最新版本，可能影响了它的实际发挥。

值得一提的是，这类测试属于单一UP主的主观评测，评分带有个人审美倾向，读者应把结论当作参考而非定论。

爽文是网络文学中的一个重要类型，核心特征是主角凭借外挂能力（系统奖励、技能加持等）不断碾压反派、积累资源、实现逆袭，情节节奏快、爽感强，逻辑上要求主角行事符合"利益最大化"原则。正因如此，"自掏腰包请客"这类主动损耗资源的行为会被读者本能地视为违和——它打破了爽文的基本契约。测试者以此作为核心评判标准之一，本质上是在考察模型是否真正理解了这一类型的写作规则，而非泛用的"故事合理性"。

全序设定指的是在提示词中提前交代完整的世界观、规则体系和人物背景，相当于给模型一份详细的创作圣经。这种做法能减少模型自由发挥带来的偏差，但同时也是一块"试金石"——模型是否会无视、遗忘或擅自修改这些设定，直接反映其指令遵从能力。Claude出现"凭空设定"正是在这一维度上失分。

各模型表现逐一拆解

DeepSeek：开篇大纲规划能力尚可，测试者给到约85分，但暴露了明显的创作痕迹——生成时把"AI修设库、储材库"这类内部结构直接写了出来，露了马脚。更关键的问题在反转设计上：主角用系统刚奖励的十万块钱请全组吃宵夜来破局，这被测试者直指为"雷点"。

"爽文的主角怎么会用自己的钱去做这种事？"测试者认为，主角并未设定为富有，系统刚给十万就拿去请客，完全不符合爽文逻辑；同时靠威胁"给我其他艺人的黑料"来破局也站不住脚，威胁力度不够。这些逻辑漏洞成了DeepSeek的主要扣分项。

智谱GLM（字谱5.3）：测试者印象中GLM以前写得不错，但这次大纲的AI味在细节层面较小，宏观规划的AI味却偏高，指令遵从度中高，打分同样在85分左右，"和DeepSeek没什么区别"。不过在反转与主线设计上，GLM的表现反而成了本场亮点。

千问Qwen：评价最低。测试者认为它"太文青"，反转剧情设计不佳，被直接判定"写崩了"，多次强调"千问不行"。

Gemini（3.8 Flash）：AI味中高，有想法但没设计好，指令遵从中高，打分80-85分。测试者主观判断Gemini的实际水平不该这么差，怀疑是沟通与推演引导不到位，倾向于重新沟通后再评估。

Claude（Sonnet 4.5）：AI味最少、修改地方最少，本是测试者最期待严谨度的模型，但这次的阻力设计出现了"打卡收益被分流"这种原设定里根本不存在的内容，属于"轻度雷点"，最终80分，表现不及预期。

反转设计的关键差异

这场测试真正拉开差距的，是各模型对剧情反转与阻力设计的处理。

测试者对比后认为，GLM（智谱5.3）的反转设计最符合逻辑：第一关是应聘现场、第二关是网络舆论、第三关栽赃后让双方"狗咬狗"，这套破局思路虽然质朴，但符合爽文的因果链条。相比之下，DeepSeek的"自掏腰包请客"、Claude的"凭空设定"、千问的"过度文青"都在这一环节掉了链子。

换句话说，剧情推演比拼的不是辞藻华丽，而是动机是否合理、破局手段是否符合角色处境。GLM之所以胜出，正是因为它的方案"质朴但站得住脚"。

让Gemini当裁判：AI互评结果

测试者还请Gemini（3.8 Flash）从多维度对各模型输出做了一次AI互评，结果与人工感知大致吻合：

• GLM（智谱5.3）：89分，最符合爽文逻辑，得分最高；
• DeepSeek：87分，时高时低、发挥不稳定，且存在逻辑雷点；
• 千问：不适合，写崩；
• Gemini与Claude本次均未进入第一梯队。

测试者对DeepSeek的87分持保留意见，认为它主线设计的逻辑硬伤不该拿到这个分数，但认同GLM的89分"跟我的感知差不多"。

用AI模型评价其他AI模型的输出，是近年来提示词工程实践中一种常见的辅助手段，有时被称为"LLM-as-Judge"（大模型作为裁判）。这种方法的优点是可以快速生成结构化的多维度评分，且与人类评审的感知往往存在一定相关性；但其局限同样明显：模型倾向于给措辞流畅、格式规整的输出打高分，而对逻辑硬伤的识别能力参差不齐，有时还会因训练数据重叠而对同厂模型产生评分偏差。本次测试者对DeepSeek 87分持保留意见，恰好印证了这一局限——AI裁判未能充分惩罚逻辑雷点，而人工审阅对此更为敏感。

结论：写文首推谁？

综合人工评测与AI互评，这场测试的最终倾向是：

• 剧情推演（大纲、反转逻辑）：GLM（智谱5.3）表现最稳，最符合爽文逻辑，是本场最大赢家；
• 实际成文（文字质感、严谨度、低AI味）：测试者仍倾向Claude和Gemini，认为Claude的严谨度和细节把控本应最强，只是这次状态不佳，Gemini则需要更好的沟通引导来释放水平。

测试者的综合建议是：做剧情推演首推GLM，写成文首推Gemini/Claude。需要提醒的是，这只是单期实测的结论，模型版本、提示词写法、题材类型都会显著影响结果——尤其Claude用的并非最新版，Gemini也可能因引导不足而低估。想找到最适合自己的AI写作搭档，还是得结合自己的题材多做几轮对比。