六个模型续写同一本玄幻小说，我们盲评出了最像原著的那个

被测的书是《踏天境》，一本 890 万字的传统玄幻，句子短，段落碎，拟声词经常单独占一行， 对话占全文 16%，比喻词密度每千字只有 1 次。我们在 55% 深度处选了一个战斗场景当续写点， 让六个模型从这里开始，各自连续往下写 20 轮——每轮写完的内容拼回上下文再写下一轮， 窗口固定 1.6 万 token，写满后从原著头部开始截断。这个设置刻意模仿真实阅读器里的情况： 你用 AI 续写越多，上下文里「AI 写的部分」占比就越高，原著被一点点挤出窗口。

参赛的六个：DeepSeek V4 Flash、DeepSeek V4 Pro、Claude Opus 4.8、Gemini 3.1 Pro、 Qwen 3.7 Max、GLM 5.2。全部用同一套提示词、同样的温度，总计 120 轮生成。 评审分两层：一层是句长分布、对话率、比喻套话密度这些可计算的结构指标； 另一层是双盲人评——产物匿名成随机字母，两套不同映射，交给两个独立评审排名， 彼此不知道对方存在。

终榜

两套映射下，前三名和末位完全一致。四五名的相对位置两个评审都自标低置信—— 争议点是「恒定及格」和「高光加崩坏」哪个更糟，这本来就是审美权重问题，我们如实报告为并列。

2026-07-28 增补：Kimi K3 三条链，拿走第 1 和第 2

先交代赛道扩容：这张六模型榜发出后，GPT-5.6 Terra、Grok 4.5、Kimi K2.6 按同一协议 补跑过这本书，玄幻场扩成九个系统（汇总在选型指南）。7 月 28 日， Kimi K2.6 的换代 K3 也下场了：同一个续写点，同一版上下文说明（刻意沿用正文里那版 会让 Gemini 复读的旧措辞，为的是和九条旧链严格同条件），3 条独立的 20 轮链， 与旧链混排成 12 个匿名系统、两套全新映射，两位互不知情的评审重新全排序。 K3 的两条链在两套映射下互换着分占第 1 和第 2，本文的冠军 DeepSeek V4 Flash 被挤到双第 3；第三条链排第 5。

这轮混排自带一个可比性硬证据：两套映射下榜尾四位完全一致，K2.6 双第 9、 Claude Opus 4.8 双第 10、Grok 双第 11、Gemini 的旧措辞复读链双第 12， 其中旧榜排 7、8、9 的 K2.6、Grok、Gemini 保持着原有的相对座次。两位评审还把旧链 档案里的老毛病逐条独立重新抓了出来：Gemini 的开场循环、Grok 的两段逐字循环三遍、 K2.6 的整段自我复制，判词与档案吻合。给 K3 第 1 的判词是「碎段、直白心理、 信息交换型对白与拟声全面命中，三窗零异常零漂移」，另一条链的评语是 「对白腔与解释腔最贴原著本人」。

换代收敛是这轮最值得记的部分。K2.6 当初在九系统里排第 7，输在三桩病：比喻套话密度 全场最高（每千字 3.02），写到中段整段抄自己（第 9 轮曾量出 97.6% 的跨轮逐字重复）， 设定滑移（虚空血阵里长出山谷古木）。K3 的对应读数：比喻套话每千字 1.42 至 2.57； 补测全部 140 轮里跨轮逐字重复峰值 0.5%，两位评审对 K3 的链零复读登记；设定层只剩 两处把反派名字「血厉」误写成「血烬」的笔误。残留毛病是偶发的中英引号混用， 比 7 月中它在官方 API 上约 85% 对白半角的系统性病轻得多，另有一处收束句被评审判 「不是这位作者的手」。顺带一条：让 Gemini 失格的那版旧说明没有绊倒 K3， 三条链 60 轮零回退。

边界照旧：这轮 K3 的写手走的是我们内部的 agent 通道，不是 API 直调，温度等采样参数 不可控；方向与 7 月 18 日月之暗面官方 API 的成对盲评（玄幻场对 K2.6 为 10:0）一致， 这轮补上的是与全场同框的绝对座次。发布周那轮的完整记录在K3 首测。

统计指标闹的两个笑话

Qwen 3.7 Max 的结构统计几乎完美：平均句长 32.1（原著 32.1），对话率 18.1%（原著 16.1%）， 比喻套话密度全场最低。按统计它该拿第一，盲评却给了四五名。评审的证据很具体： 它每个窗口都在写「焦糊味刺得鼻腔发酸」「清冷幽香」这类气味描写——而这本 890 万字的原著， 从头到尾没有一处写过气味。句长统计测不出「写了原著从来不写的东西」。

另一个方向的笑话是 GLM 5.2：我们的对话率检测显示它 20 轮零对话，正要给它记一笔， 细看产物才发现它全程用半角引号写对话，108 处，真实对话率 13.5%——检测正则只认全角引号。 有意思的是盲评在不知道统计结果的情况下独立抓到了同一现象，并按「表层出戏」扣了分： 中文网文全程半角引号，读者一眼就觉得不对。

这两件事让我们更确认了之前在评审可靠性实验里立的规矩：统计指标当回归闸门， 细读裁决当真值，谁也不能单独说了算。

Gemini 那个诡异的 bug：20 轮重写同一段开场

Gemini 3.1 Pro 的产物初看正常，连看 20 轮会发毛：每一轮都在写「两人扎入血色阵法， 光茧泛起涟漪」——同一个瞬间的 20 种措辞变体，剧情永远停在第一步。两个盲评审都把它标成 「逐字级复读」。

排查后发现这不是模型能力问题。我们的续写上下文里给原著段落和 AI 续写段落做了来源标注， 配套说明里有一句「AI 续写段落仅供情节衔接参考」。DeepSeek 对这句话的理解和我们一致： 文风学原著，剧情接着最新的写。Gemini 把它读成了另一个意思：这些段落只是参考资料， 不算正文——于是每轮都跳过全部已续写内容，回到原著末尾重新开始。

我们做了三组消融来钉死结论。旧说明：20 轮全部回退。把说明整个删掉、只留标注行： 8 轮里约 6 轮回退——不解释时，Gemini 的默认理解仍然是「被标注的段落大概不算正文」。 把说明改写成两句显式声明——「AI 续写段落是已发生的正文剧情，续写必须从全文最后一段继续， 不得跳过或重写；仅文风、用词、句式节奏以原著正文段落为基准」——20 轮零回退，剧情正常推进。

这个教训值得写下来：给上下文里的特殊标记写说明时，措辞的鲁棒性要按最容易误读的那个模型设计， 而且说明不能省——没有说明比错误说明只好一点点。

所有模型的两个共同短板

第一，没有一个模型学会了原著的碎段节奏。原著平均一段 35 字，经常一句一段； 六个模型的段落平均长度在 62 到 94 字之间，全都比原著长了一倍上下。 句长波动也一样：原著的句长变异系数 0.84（短句和长句剧烈交错），六个模型全部落在 0.46 到 0.59——句子长度均匀化，这是我们反复在不同实验里撞见的、最深的机器指纹。

第二，场景锚定会集体漂移。续写点在血云翻滚的禁地阵法里，20 轮之后，六个模型笔下 不约而同出现了密林、山谷、甚至「阳光透过枝叶洒下斑驳光影」。文风指令管得住用词， 管不住世界状态——这属于另一套机制（设定词条、状态追踪）的职责范围。

对读者的实际建议

如果你主要读中文网文，这次数据支持一个省钱的结论：DeepSeek V4 Flash 的文风复刻 排在第一，而它是六个模型里最便宜的档位之一。第二名 V4 Pro 的对话写得更锋利， 但描写密度偏高，适合口味偏「精修」的读者。Claude 和 Qwen 写得都不差， 只是「不差」和「像原著」是两回事——它们更适合你想要 AI 有自己笔感的场景， 比如同人重构，而不是无缝续写。

在 Foreverse 里这些模型都可以自带 key 接入，续写时逐段换着试；来源标注的措辞修复 已经进了产品，你不需要自己踩这个坑。