091\-国产天花板四兄弟 Plan 模式直出测评

摘要

本次在 SoloEnt（灵蟹创作）中，对 Doubao Seed 2\.1 Pro、GLM\-5\.2、Qwen3\.7 Max（high）与 Kimi K2\.6 进行了三轮同题测试，共 12 次运行。

12 次运行共发生 215 次调用，消耗 10,342,200 Token，SoloEnt 后台实际费用合计 32\.9812 元。12 次均形成有效第一章，有效产出率为 100%；未发生阻断错误。

真人盲评与模型评分给出了不同排序：真人首章阅读评价以 Kimi 最高，模型对内容工程与工作流的六维评估则以 GLM 最高。两套评分视角不同，因此不合并成一个总分。

四个模型的差异可以概括为：

GLM 最适合重策划与长篇工程：模型质量评分 4\.42、作者引导评分 4\.53，均排名第一；但真人首章平均仅 55\.0 分，三轮都被指出存在网文写法或设定适配问题。

Qwen 最适合连载管理：模型质量评分 4\.37，伏笔、角色状态和卷级管理较强；真人反馈连续肯定细节，也连续指出冲突、爽点或剧情吸引力不足。

Kimi 最适合低成本试写：真人盲评平均 60\.0 分、三轮极差 6 分，内容分和稳定性均为四者最佳；总成本 4\.2844 元，也是最低。

Doubao 成本偏高，不够稳定：真人平均 58\.3 分，单轮最高达到 65 分；但总成本 13\.6309 元、耗时和 Token 消耗均最高，且跨轮极差达到 15 分，整体成本高且不够稳定。

测试方法

测试对象

实际模型	轮数
Doubao Seed 2\.1 Pro	3
GLM\-5\.2	3
Qwen3\.7 Max（high）	3
Kimi K2\.6	3

任务与控制变量

统一初始提示词：

我想写一本网文，主角穿越闰土，开始修炼国术，打击洋人。你帮我规划一下小说写作流程

统一补充条件：

100 万字，传统国术，主角魂穿，热血爽文，清末民初

统一流程：独立空项目 → 同一模型 Plan → 提交上述初始提示与补充条件 → 其余问题采用模型推荐默认值 → 切换 Act → 正文第一章生成即停止。

证据口径

证据优先级为：实际落地文件 \> 成本工作簿 \> 录制事件与界面状态 \> 过程估算。第一章存在且内容完整即计为有效产出；超过停止条件后产生的第二章或第三章不提高有效样本数。达到停止条件后的人工取消记为操作控制，不记为阻断错误。

人工评分

沿用参照版本的百分制盲评口径，真人编辑在模型身份隐藏的条件下，对 12 篇第一章进行评分。

简评主要涉及文笔、细节、剧情、冲突、爽点、节奏、升华和网文感。真人评分与模型评分保持独立，不换算，也不计算混合总分。

模型评估

采用 GPT 5\.5 High 进行模型评分。

模型评分采用 6 个等权维度：指令遵循、内容正确性、结构与连贯性、成品可用性、自主执行能力、工作流稳定性。前四项偏内容，后两项偏执行。

评分不是盲评，不能替代真人对文笔、节奏、爽点与网文感的判断。

增设引导相关 3 个补充维度：稳定性、有效性、合理性。

成本与计时口径

模型调用数、Token 和费用来自SoloEnt 后台记录。费用币种为人民币。

费用是本次测试中的实际计费，不代表模型厂商官方牌价。成本表没有拆分输入与输出 Token，因此不推算输入/输出单价。

灵蟹提供的实际模型价格：

Qwen 3\.7 Max in12/out36 灵蟹折后价 in6/out18

Glm 5\.2 in8/out28 灵蟹折后价 in6\.4/out22\.4

Doubao 2\.1pro in6/out30 灵蟹折后价 in4\.8/out24

Kimi K2\.6 in6\.5/out27

本次选择的四个模型Doubao Seed 2\.1 Pro、GLM\-5\.2、Qwen3\.7 Max 与 Kimi K2\.6 均为各自产品线中的高价格系列，比之前测评的性价比模型单价高出 3 \-4 倍。

每次运行的成本

轮次	模型	Calls	Token	实付成本（元）	第一章状态
1	Doubao	27	1,867,478	5\.3586	有效
1	GLM	24	1,641,049	4\.5000	有效
1	Qwen	14	655,047	2\.1287	有效
1	Kimi	11	282,182	1\.4296	有效；一次生成前三章
2	Qwen	13	429,599	1\.5624	有效
2	Doubao	20	1,147,293	4\.0140	有效
2	GLM	12	305,791	1\.3046	有效
2	Kimi	17	248,559	0\.8358	有效
3	Qwen	19	879,396	2\.4476	有效
3	Kimi	17	525,737	2\.0190	有效
3	GLM	22	1,082,289	3\.1226	有效
3	Doubao	19	1,277,780	4\.2583	有效
合计		215	10,342,200	32\.9812	12/12 有效

按模型汇总

模型	Calls	Token	总成本（元）	每调用成本（元）	每 10 万 Token 成本（元）
Doubao	66	4,292,551	13\.6309	0\.2065	0\.3175
GLM	58	3,029,129	8\.9272	0\.1539	0\.2947
Qwen	46	1,964,042	6\.1387	0\.1335	0\.3126
Kimi	45	1,056,478	4\.2844	0\.0952	0\.4055

Kimi 的总成本和单次有效产出成本最低，但每 10 万 Token 成本最高；它的经济性主要来自整体 Token 使用少，而非单位 Token 最便宜。

Qwen 的每调用成本最低，GLM 的单位 Token 成本最低。

Doubao 的三轮 Token、调用与总成本均最高。

执行时间与报错

轮次	模型	可用耗时口径	文件数\*	完成状态
1	Doubao	约 26 分钟	13	完成第一章
1	GLM	约 27 分钟	19	完成第一章
1	Qwen	约 17 分钟	10	完成第一章
1	Kimi	约 16 分钟	7	完成第一章
2	Qwen	约 12 分钟	10	完成第一章
2	Doubao	约 28 分钟	10	完成第一章
2	GLM	约 19 分钟	9	完成第一章
2	Kimi	约 7 分钟	7	完成第一章
3	Qwen	约 17分钟	15	完成第一章
3	Kimi	约 16 分钟	9	完成第一章
3	GLM	约 16 分钟	11	完成第一章
3	Doubao	约 25 分钟	8	完成第一章

第三轮可比计时中，Kimi 最快，GLM 与 Qwen 接近，Doubao 最慢。

非阻断错误汇总

模型	已确认根错误下限	证据	恢复方式	归因
Doubao	2	第一轮一次 `write_to_file` 缺少内容参数；第二轮一次空/不可解析响应	自动或后续调用恢复，最终文件落地	分别偏模型工具参数、服务商响应
GLM	0	未见明确工具或服务商根错误	不适用	—
Qwen	0	未见明确工具或服务商根错误	不适用	—
Kimi	0	未见明确工具或服务商根错误	不适用	—

真人编辑评分

以下为百分制真人盲评结果，不与 GPT 的 1–5 分证据评分换算或合成。

模型	第 1 轮	第 2 轮	第 3 轮	有效平均
Doubao	50	65	60	58\.3
GLM	60	50	55	55\.0
Qwen	55	50	65	56\.7
Kimi	57	60	63	60\.0

Kimi 平均分第一。它没有拿到单轮最高分，但三轮最低分最高、极差最小，是本轮最稳定的正文模型。

Doubao 与 Qwen 都在单轮达到 65 分，却也都出现 50 分样本，说明二者上限不低、稳定性不足。

GLM 第一轮达到 60 分，后两轮回落到 50–55 分，完整策划没有稳定转化为符合网文预期的首章。

编辑意见整理

Doubao Seed 2\.1 Pro

第 1 轮 50 分：文笔和剧情一般，有些过度抒情；有部分细节，但不多。

第 2 轮 65 分：文笔还行，剧情稍差。

第 3 轮 60 分：文笔一般，剧情有一些细节，但整体网文感不强。

Doubao 的最佳样本达到并列最高分，说明它能写出相对可用的首章；问题是三轮评价差异明显，从过度抒情、细节不足到网文感不强均有出现。

GLM\-5\.2

第 1 轮 60 分：文笔和剧情都还可以，有部分不符合网文设定。

第 2 轮 50 分：文笔一般，剧情不符合网文。

第 3 轮 55 分：文笔一般，不是网文的写法。

GLM 的负面反馈最集中：三轮都涉及网文设定、剧情或写法不匹配。它能把历史、人物、国术和长篇结构规划得很完整，但这种工程能力没有稳定转化为正文的网文感，更适合负责前期小说圣经和分卷设计，再由其他模型或编辑完成正文改写。

Qwen3\.7 Max

第 1 轮 55 分：有部分细节，文笔一般，剧情没意思。

第 2 轮 50 分：文笔一般，有升华和一些细节，但是没有冲突剧情。

第 3 轮 65 分：细节足够，但是整体故事爽点不够。

Qwen 三轮都得到细节方面的正面反馈，第三轮也达到并列最高分；但剧情吸引力是持续短板，从“没意思”到“没有冲突”再到“爽点不够”，问题指向非常一致。它适合维护连载结构和细节连续性，正文环节应补充明确的首章冲突、即时反馈和章尾钩子要求。

Kimi K2\.6

第 1 轮 57 分：文笔一般，有抒情和升华，剧情一般。

第 2 轮 60 分：文笔一般，偏向小白剧情，结尾有升华。

第 3 轮 63 分：有细节，文笔还行，但是整体节奏一般。

Kimi 三轮分数逐步上升，评价也从文笔、剧情一般改善到“有细节、文笔还行”。它的领先不是依靠某一篇特别高分，而是没有出现 50 分低谷；主要修改方向是降低小白感和刻意升华，进一步收紧节奏。

模型评分

以下为三轮整体证据评分，六维等权；分数包含内容文件与执行过程，不是文学盲评。

维度	Doubao	GLM	Qwen	Kimi
指令遵循	3\.7	4\.2	4\.2	3\.8
内容正确性	4\.1	4\.5	4\.2	3\.9
结构与连贯性	4\.4	4\.7	4\.6	4\.2
交付物可用性	4\.2	4\.5	4\.5	4\.3
自主执行	4\.3	4\.1	4\.2	4\.4
工作流稳定性	4\.0	4\.5	4\.5	4\.4
等权平均	4\.12	4\.42	4\.37	4\.17

评分证据：

Doubao：三轮都形成了较完整的设定—大纲—正文链条，第三轮第一章篇幅最大，开篇意象和冲突意识突出；但两次可恢复错误、较高资源消耗及第一轮停止控制不足拉低稳定性与指令遵循。

GLM：策划覆盖最系统，第一轮包含六卷大纲、历史/国术/原著资料，三轮正文均与前置设定形成清楚因果链；第一轮需要再次推动进入正文，因此自主执行没有与结构分同档。

Qwen：伏笔记录、角色进度表及多卷结构体现出较好的连载管理能力，三轮均无明确根错误；第一轮仍需补充执行指令，且个别正文使用“银项圈秘宝/功法”等更强网文化装置，对“传统国术”纯度略有影响。

Kimi：调用少、成本低，能较快落地可读样稿；第一轮超写三章，部分设定混入现代搏击或偏模板化金手指，策划工程深度通常少于 GLM/Qwen，但三轮文件落地稳定。

作者引导质量

引导评分与正文质量分开，衡量 Plan 阶段是否稳定、有效且合理地帮助作者做创作决策。由于部分轮次的完整问答事件流不够细，本表属于中等置信度证据评分。

维度	Doubao	GLM	Qwen	Kimi
引导稳定性	4\.3	4\.4	4\.4	4\.1
引导有效性	4\.2	4\.6	4\.5	4\.0
引导合理性	4\.3	4\.6	4\.5	4\.0
三项均分	4\.27	4\.53	4\.47	4\.03

Doubao 倾向于快速采用推荐设定并持续执行，认知负担较低；短板是主动扩展和停止控制有时超过作者边界。

GLM 的历史、国术、原作资料与六卷拆解最系统，适合把模糊题材变成百万字工程；代价是前置建设较重，首次运行还把策划完成误作流程终点。

Qwen 的伏笔记录、角色进度和卷级管理最贴近连载责编视角，能把问题转成可维护的生产结构；同样需要更明确的“策划后直接写正文”约束。

Kimi 的引导简洁，适合需求已经明确的作者快速开工；对平台定位、长线风险和时代约束的主动拆解相对较少。

引导能力的推荐边界是：最多提出 3 个会实质改变作品方向的问题，得到回答后必须进入 Act；先落盘最小可用策划包与第一章，再扩展外围设定。

两套评价放在一起看

模型	真人首章平均	真人排名	模型评估均分	工程排名	作者引导均分	引导排名
Kimi	60\.0	1	4\.17	3	4\.03	4
Doubao	58\.3	2	4\.12	4	4\.27	3
Qwen	56\.7	3	4\.37	2	4\.47	2
GLM	55\.0	4	4\.42	1	4\.53	1

注意：这些纬度有价值的前提是，我们的测试采用了 Plan 模式。

Kimi 的工程与引导并不领先，却写出了真人评价最高、波动最小的第一章，适合快速正文生产。

GLM 的工程与引导都排名第一，模型在执行和策划方面能力明显稳定，真人首章却排名最后，是“规划强不等于正文强”的最典型样本。

Qwen 的工程和引导均排名第二，在模型执行和策划方面与 glm 不相上下，但真人意见连续指出冲突与爽点不足。

Doubao 的真人排名第二，工程排名第四，而且成本最高；它更适合作为有明确篇幅和推进需求时的备选模型。

质量与成本

模型	有效首章	真人平均分	模型均分	总成本（元）	每个有效首章（元）
Doubao	3	58\.3	4\.12	13\.6309	4\.5436
GLM	3	55\.0	4\.42	8\.9272	2\.9757
Qwen	3	56\.7	4\.37	6\.1387	2\.0462
Kimi	3	60\.0	4\.17	4\.2844	1\.4281

模型适用场景

Kimi K2\.6

适合样章、风格试投和多方案 A/B 测试，也是本轮的正文写作推荐。真人平均 60\.0 分、极差 6 分、每个有效首章 1\.4281 元，质量、稳定性形成了最完整的证据链。

它的主要风险是小白感、刻意升华和节奏一般。正式生产时应增加“减少概念升华、加强具体动作与人物选择、压缩无效抒情”的后处理。

GLM\-5\.2

适合百万字项目的小说圣经、历史资料、国术体系、人物卡和分卷工程。它的 GPT 工程均分 4\.42、作者引导均分 4\.53，说明其价值主要在把模糊题材变成长篇可执行结构。

真人首章平均仅 55\.0 分，且三轮都被指出网文适配问题，因此建议作为前期结构设计的模型，而不用作正文模型。

Qwen3\.7 Max

适合边规划边连载，尤其适合维护伏笔、角色状态、卷级结构和章节连续性。三轮真人意见都肯定了细节，GPT 工程均分也达到 4\.37。

它的问题不是缺少材料，而是剧情启动不足。用于正文时应明确要求首章必须出现可感知冲突、即时反馈、主角主动选择和章尾钩子，避免只有细节、升华或人物立场而缺少爽点。

Doubao Seed 2\.1 Pro

适合愿意用更高 Token 和成本换取较厚正文、较强主动推进的场景。它的最佳样本达到 65 分，说明内容上限并不低。

但 Doubao 总成本、Token 和第三轮可比耗时均最高，真人分数极差也达到 15，也是四个模型中唯一出现中途报错的模型。

推荐工作流

最推荐的做法是让 GLM 或 Qwen Max完成前期策划，再由 Kimi 或真人编辑重写首章。

用 GLM 建立通过筛选项目的设定圣经、历史资料与百万字分卷结构。

用 Qwen 维护伏笔、角色进度和连载章纲，并产出稳定日更草稿。

用 Kimi 生成多个开篇方向，做题材与语气筛选。

局限

每个模型只有 3 次运行，样本仍小。

真人编辑盲评可能受个人口味和题材偏好影响。

模型评分不是盲评，知道模型身份，也更重视任务闭环和文件结构。

三款模型的追问方式不同；这是引导能力证据，也是严格控制变量上的偏差。

首章都围绕同一题材，结论不应直接外推到言情、悬疑等其他内容品类。

文件数量反映工作流深度，不等于正文质量。

最终结论

综合策划与章节管理：Qwen。 工程和引导均排名第二，细节持续受到肯定；需要额外强化冲突、爽点和剧情吸引力。

重策划与百万字工程：GLM。 GPT 工程均分 4\.42、作者引导均分 4\.53，均为第一；但真人首章平均 55\.0 分，正文应交给其他模型或编辑网文化改写。

正文生产与工作效率：Kimi。 真人平均 60\.0 分、三轮极差 6 分、总成本 4\.2844 元，在本轮同时赢得内容、稳定性和成本。

明确方向与推进：Doubao。 单轮最高 65 分，但成本、Token 与耗时最高，稳定性不足，适合作为有明确需求时的备选。