九家模型冒充真人写手，只有一家骗过了守门员

先报一个反直觉的数字。DeepSeek v4-flash 在我们九模型续写横评里拿过两种文体的双冠军； 换一张考卷，让它从零冒充真人写手写网文短章，九家垫底，被守门员一抓一个准， 置信 85，全场最高。

同一家模型，两个极端。原因不复杂：接笔和冒充是两种能力。续写有原文文气当拐杖， 贴得越紧分越高；冒充没有拐杖，模型自己的底色全部露出来。 这篇讲的就是「冒充」这张考卷：九家大模型，谁写的中文网文最难被认出是机器？

考场规则

每家写手拿到同一份任务书，逐字相同：一段真人网文锚文（学它的声口）、 一套反 AI 味写作纪律、三种叙事声音类型各写一篇短章。写手之间互相隔离。 产出混进同书的真人段落做成盲池，由守门员逐段判「人还是机器」并给出置信和理由。

守门员为什么不用 GPT 或 Gemini？因为我们先测了评委本身： 十个主流模型判「像不像真人」方向是反的，会把守纪律的机器稿当真人夸、把真书原文当 AI 批。 唯一与人类判定同构的机器评委是与写手同代的 Claude 思考型模型，它连续七轮 100% 识破、 零误伤，判词还给得出可复核的证据。所以这张考卷的裁判是它， 另配一名副裁交叉复核，遇到自家模型的稿子由对方主判。

九家过堂，成绩单如下，越靠前越难被识破。

逐家档案

Opus 5：赢在「写了没用的东西」

全场唯一一段让主裁真心判「人」的机器稿出自它。守门员事后归因，赢点是 「零收益的时间戳」和「口癖扎堆且分布不均匀」：一篇里转折连词清一色用同一个字， 换了段落又忘了这个习惯。这种不均匀装不出来，像真人日记的毛边。 在另一场十万字长篇对照里，它也是四个模型中唯一有「限量」意识的： 把最浓的文笔交给一个角色的台词，旁白保持克制。特征性弱点是越写越长， 章节长度到末段膨胀了四成。

DeepSeek v4-pro：一个真错字值千金

它的漏网段靠的是「那到未必」，一个真实的错别字。守门员的判词把它引为 「错别字懒得改」的活人证据。这不是工序的功劳，是这家模型中文输出里天然带一点毛边， 恰好落在机器最难伪造的位置上。注意和 v4-flash 区分：同一家的两个档位， pro 冒充次强，flash 冒充垫底，档位差在这张考卷上比想象中大。

Gemini 3.1 Pro：毛边加分，抄袭扣分

同音别字「量地」「逢了」帮它漏网一段，判词是「手打连载的真毛边，机器几乎不犯」。 但它有全场唯一的严重事故：换一种调用形态跑同一任务时， 它把任务书里的参考锚段逐字抄了三十多个字进正文，连原书名都写了出来。 同任务书、同模型、走另一条接口的版本没抄。用它做仿写， 防抄袭滑窗检查必须设为硬闸。

GLM 系：均匀是原罪

GLM-5.2 有一段骗过了副裁，主裁没放行。败因很典型：口语调料撒得太均匀， 一段里三个「嘛」，每段都俏皮，每段俏皮得一样多。真人的口语是一阵一阵的。

Sonnet 5：统计上最像，整体上露馅

句长、碎句这些形状指标，它是九家里唯一全线落在真人区间的，我们复核时反复确认过这一点。 照样全被抓，判词落在术语错位和「每段收尾都要总结点题」。它还有一份十万字长跑的旧账： 写到后半程，「带着一丝」写了 101 次，密度比前半恶化 4.8 倍， 章节长度从两千六百字衰减到一千一，是我们测过的模型里最陡的断崖。 形状对了，密度和耐力不对。

Fable 5：败给自己的执行力

我们内部产线用得最多的写手，也是这场实验的起点。它的问题一句话：任何写作指令都执行得十全十美， 而「十全十美」本身就是指纹。让它装个错字，它会顺手在下文把错字自纠了，纠得还很对称。 十几轮里它没有漏网过一次。

Grok 4.5：短跑选手，长跑事故

短章考卷上它平平无奇地被抓。真正值得记录的是十万字长篇对照里的表现：第一跑直接梗概化坍缩， 三十章只写出两万七千字，章均九百字；加了每章字数硬性条款重跑，坍缩转化成填充， 同一个「捋思绪」模板段落写了 18 处，还有整段文字逐字重复三遍的事故。 评委的判词很扎心：「前两章的语言是我这一轮读到的最好的一档，前二章我愿意签，全书我不敢签。」 它败在长程自我管理，不败在笔力。角色卡开场白这类短件，不必禁用它。

DeepSeek v4-flash：续写冠军的另一面

说明书腔，设定自打架，被抓置信全场最高。它和 v4-pro 的档位差、 它自己在续写榜和冒充榜上的座次反转，是这场实验最有用的提醒： 看到「某模型写小说第一名」的榜单，先问一句测的是什么任务。

贯穿九家的规律：胜因买不来

排进前三的段落，胜因没有一个来自写作工序，全部来自「真实能力缺陷产生的省事的错」： 真错字、真别字、真口癖。九家拿的任务书逐字相同，工序完全一致， 差距全在模型自己的底色上。

我们反向验证过：给不犯错的强执行模型下指令，让它主动写「省事的错」， 产出的错会整整齐齐落在最安全的位置，守门员当场判「做旧」。 错误的真实性无法用指令移植。想要像真人的产出，选型就是工序的一部分， 而且是排在最前面的那道。

给不同任务的选型建议

长篇另送三个便宜的机器预警器，都是这次实验里和人评结论完全一致的信号： 套话密度超过每万字 1.5 次要警惕；「一丝」这类高危词单独计数， 正常稿十万字十几次，失控稿能写到 149 次；末五章平均长度低于首五章的七成， 基本就是密度衰减的开始。

这张榜单的边界

三条诚实声明。第一，每家每种声音只写了一篇，被抓置信是上界不是精确值： 九家同题竞写给了守门员「多段撞车」的聚类线索，单篇混进真书实战里会更难判。 第二，GPT 系因为账号配额问题全程缺席，这张榜对它无话可说， 「GPT 味」这个词的本尊没进考场。第三，榜单测的是中文网文语域的短章冒充， 换语域换文体，座次会动。我们把它当方向性信号用，不当终榜供着。

实验收口那天，产线的写手配置改了一行：以假乱真场景的默认写手从 Fable 5 换成 Opus 5。 不是因为 Fable 写得差，是因为它写得太好了。