用「文感力」评测AI写作：Opus5.5远超GPT-6 Luna

在写作模型的评测领域，不少机构曾建立过一套基础的评估体系——通过 benchmark 来判断模型是否覆盖写作核心要点、素材运用是否恰当，以及文本的结构、语气和篇幅是否符合要求。随着模型技术迭代，就连业内知名的几款模型都能在这套标准下达到相近的水平，但实际使用时，用户却能明显感知到它们在写作质量上的真实差距。

研究人员在观察用户使用写作模型时的 prompt 后发现，很多时候用户传递的是一种模糊的“感觉”类要求，比如“让结尾带一点落空感”，模型却常写成“伤感”这类直白的表述。即便将这类感觉转化为明确的评分标准，最终的评判权仍会交给评委，测出的结果更多只是模型对评委个人偏好的契合度，而非真正的写作能力。

基于这一问题，研究人员重新定义了“好写作”的核心标准：优秀的写作始终围绕作者的核心意图展开，每一处细节选择都服务于这个意图。写作本质上是一系列取舍的过程——哪些细节需要交代，哪些内容可以省略，一个意思要表达到何种程度。对于写作模型而言，其核心任务并非生成一段“合格的文字”，而是做出和成熟人类作者相似的取舍，这种能力被研究人员命名为「文感力」。

为了测试模型的文感力，研究人员设计了一套专门的测试方案：先挑选近期读者反响良好的知名作者的文章，截取其中一段，分析这段文字的写作优势并将每条优势转化为具体的评分标准；随后基于这些标准改写原文，构造出不符合要求的错误答案，最终确保只有原文能同时满足所有标准，形成唯一正确答案。测试分为两个部分：阅读部分要求从多个候选段落中选出原文；写作部分则将原文拆分为零散素材并混入错误素材，再给出一句模糊的要求（比如“这里想要一种安静的感觉”），让模型自主挑选素材完成段落创作。

这套测试的结果显示，Opus 5.5 在文感力评测中排名第一；Gemini 4 Argon 的阅读稳定性最佳；Gemini 3.8 Flash 则在性价比上表现突出。值得注意的是，在旧评测中表现相近的 Opus 5.5 和 GPT-6 Luna，在文感力维度上的得分差距达到了 42 分。

测试过程中还发现了几个有趣的现象：所有模型生成的段落长度都超过了原文，中位长度约为原文的 1.6 倍；面对零散素材和模糊要求时，模型往往倾向于将所有可用素材都用上，其中 DeepSeek V4.1 Flash 和 Haiku 5.5 几乎会把提供的素材全部利用。此外，研究人员还发现，模型“读得懂”原文不代表“写得出”——即便模型每次都能正确选出原文，仍有 58% 的补写段落至少破坏了一处原文作者的取舍。

文感力虽仅覆盖了写作质量的一部分，却能测出“按需交付”这类通用评测无法捕捉的核心差距。如今的模型大多能较好地按照要求完成写作，也能识别出优质文本，但真正动笔时的表现差距依然明显，而这种差距正是用户在使用模型时最在意的部分。