摘要：“LLM创意故事写作基准V3”公布了17款主流AI模型的创意写作能力排名，Kimi K2-0905以8.749的平均分登顶，GPT-5（medium reasoning）、通义千问3 Max Preview分列二三位，测评通过严格控制故事元素与长度、多AI评分及稳健性检验确保结果可信。

哪款AI最会写故事？最近，“LLM创意故事写作基准V3”（LLM Creative Story-Writing Benchmark V3）公布了答案，该评测专门考验AI能否按指定要求写出引人入胜的虚构故事。

该测评的标准很明确：只比写作质量和元素融合度。每个模型都需要把十个指定的元素自然地融入到故事当中，比如特定的角色、物品、场景、语气等等，而且故事长度被严格控制在600到800字，以避免有模型靠“凑字数”占便宜。

打分环节，会让7个独立的“评分模型”分别用18道题的评分表打分。这18道题主要分两类：8道题看故事本身的质量，比如角色塑造够不够立体、情节通不通顺、文字好不好，另外10道题专门检查那十个指定元素有没有被自然融入。最后会用一套加权计算方式得出每个故事的分数，再算出每个模型的平均分。

从最终排名来看，头部模型的竞争很激烈。排在第一的是Kimi K2-0905，平均分8.749，紧随其后的是GPT-5（medium reasoning），平均分8.723。第三名是通义千问3 Max 预览版，平均分8.711。前四名里还有一个Kimi K2，排第四，平均分8.693，能看出Kimi系列在创意写作上确实有优势。

除了看平均分，测评还做了“归一化排名”，以消除不同评分标准的差异，结果显示，Kimi K2-0905还是第一，通义千问3 Max预览版升到了第二，GPT-5（medium reasoning）则落到第三。但不管怎么排，前七名的差距都不大，都在8.6分以上，属于第一梯队。

但，排名靠后的模型分数差距比较明显。比如排12名的百度文心一言4.5（Baidu Ernie 4.5 300B A47B）平均分8.110，而最后一名Llama 4 Maverick只有6.370，和头部模型差了一大截。

为了确保结果靠谱，测评还做了好几轮“稳健性检验”。比如把每个模型得分最低的10%故事去掉再算分，或者每次排除一个评分模型再重新排名，结果发现前几名的顺序基本没变化，说明这个排名还是可信的。而且，测评还检查了评分模型之间的“意见一致性”，发现它们对故事质量和元素融合的判断大多能对齐，不会出现“甲说极好、乙说极差”的情况。

当然，测评也说了自己的局限，比如目前只看单个故事的质量，没考虑AI写作风格的多样性，而且评分还是靠AI完成，不是人类评委。但不管怎么说，这份排名还是给大家提供了一个参考：如果想让AI帮忙写点有创意的小故事，优先试试头部的那几款模型，大概率不会让人失望。

参考资料：https://github.com/lechmazur/writing/；https://x.com/LechMazur/status/1965729450940588459