AI 小说创作模型评测
FeelFish 用真实的小说创作任务评测 AI 模型与写作方案：不只看通用跑分，而是看它 能不能按 brief 写出可读的小说开篇。首页先展示真人赞数，AI 评分只作为评分后的 参考；你可以先读第一章，再给出自己的赞/踩和分项判断。所有评测保留提示词、方案、 对话与裁判输出的完整快照，可以逐条复核。
如果你正在找「写小说用哪个 AI 模型」「哪个大模型文笔更好」，可以按下面的模型 榜单和评测报告对比；想亲手判断模型的小说开篇能力，可以参加匿名盲测 PK。
最近评测报告
按批次记录的方法、指标与结论。
模型能力评估
古代穿越：县衙仵作：统一使用 FeelFish 专业辅助方案评估；先读第一章并给出真人赞/踩，评分后看 AI 参考分。
随机读一篇匿名开篇，先给出你的判断，再揭晓模型和 AI 参考分。
方案能力评估
按方案当时的完整快照评估；方案更新后会保留多期，默认展示最新版。
随机读一篇匿名方案正文，先给出你的判断，再揭晓方案和 AI 参考分。
模型 PK
管理员选定 2 个以上模型做匿名对比；参与盲测后解锁结果。
评测口径：怎么打分
分数能不能用，取决于口径写没写清楚；这里是这套评测的判定方式。
评测任务：一次真实的小说创作
每个成绩都对应一次真实的创作任务：给定 brief（题材、字数区间、禁忌项）、写作方案与模型，让模型按 FeelFish 的写作流程写出小说开篇，再对交付结果评分。
评测记录保留提示词、方案快照、对话、生成正文与裁判理由，任何一条分数都可以顺着页面上的「数据快照」复核，而不是只有一个无法追溯的总分。
确定性指标：规则判定，不是印象分
指令遵循、需求符合、字数区间、交付等指标由规则判定：「需求符合」检查 brief 里的题材关键词、字数区间与禁忌词是否被遵守，字数按实际汉字数计算。
这些指标回答的是「有没有按要求写」，用来区分「写得漂亮但没写够字数」和「完全按 brief 交付」两种情况。
裁判评分：文风、场景、人物、节奏、原创性
语言（文笔）、场景呈现（show don't tell）、人物、节奏、原创性由裁判模型独立打分后汇总；裁判自身也是线上实际模型，并在页面上一并展示。
裁判分适合横向比较同一批任务里的相对水平，不等同于人工阅读的最终判断，所以页面同时保留评委的评分理由供你自行判断。
盲测 PK：人读出来的偏好
除了机器评分，还可以参加匿名盲测：几个模型写同一个开篇，你先只看正文投票，达到人数后解锁模型身份、平均分与裁判理由。
盲测补充了裁判看不到的维度——节奏是否抓人、开篇是否有钩子，这些往往决定读者会不会继续读下去。
常见问题
搜索里最常被问到的几个问题，答案与页面上的评测口径一致。
这份评测测的是什么？
测的是「AI 模型能不能按 brief 写出一篇可读的小说开篇」。同一批任务里同时记录确定性指标（指令遵循、需求符合、字数区间、交付）与裁判评分（文笔、场景呈现、人物、节奏、原创性），而不是只比通用问答跑分。
裁判模型是哪些？
当前裁判来自 DeepSeek V4 Pro、Claude Opus 5.5、GPT-6.1 Sol、GLM-5.3、Kimi K3，每个裁判独立打分并留下评分理由；裁判本身也是线上实际模型，展示在每条评测记录的「裁判评分」表里。
为什么不直接看模型厂商公布的写作分数？
厂商分数通常来自通用或英文基准，和「中文长篇小说开篇」的实际交付差距很大：能不能守住字数、有没有按 brief 写、开篇有没有钩子，都要在真实创作任务里才看得出来。这里的每条分数都能回溯到具体提示词与正文。
「需求符合」是文笔分吗？
不是。「需求符合」按 brief 的题材关键词、字数区间和禁忌词做规则判定，衡量的是「有没有按要求写」；文笔相关的判断在裁判评分里，两者分开看才不会被长文或华丽辞藻带偏。
评测数据会更新吗？多久更新一次？
会。新模型上线或方案更新后会重新跑一轮，模型与方案页面保留历史版本，报告页按批次发布；榜单默认展示最新一版，旧版本可以点进详情回看。
我能自己参与评测吗？
可以参加匿名盲测 PK：读完几个匿名开篇后投票，达到参与人数就解锁模型身份与结果，参与者还会获得积分包奖励。想复现评测方法，可以在 FeelFish 客户端里用同样的方案跑同一批任务。
继续了解 FeelFish
评测里的方案来自 FeelFish 的小说创作工作流；想自己跑一轮可以看这些页面。