共计 1270 个字符，预计需要花费 4 分钟才能阅读完成。
AI 写高考作文, 混元给 DeepSeek-V4 打了满分
AI 写高考作文,已经不只是“能不能写”的问题 , 而是“写得像不像人、评得准不准”的问题。 近日, 一项让 GPT-5.5、Fable-5、DeepSeek-V4 和 Hunyuan 3 Preview 同场作答并互相盲评的实验, 引发了关于大模型写作能力与作文评价标准的讨论。
📌 四个模型参加同一场“作文考试”
这次测试选用的是 2026 年北京高考作文题,考生可在议论文题“做规划与下功夫”和记叙文题“含英咀华”中任选其一。四个模型完成作文后, 又被要求扮演阅卷老师, 对匿名作文进行打分和简评。
评分采用类似高考作文的分档标准:42 至 50 分为一类文,34 至 41 分为二类文,25 至 33 分为三类文。为减少偏见, 评分环节加入了自检提示, 要求模型说明是否可能受到文风熟悉感、作者猜测等因素影响, 并在必要时校正分数。
🔍 DeepSeek-V4 凭记叙文拿到最高平均分
从结果看,四篇作文都进入了一类文区间, 但差距仍然存在。DeepSeek-V4 选择记叙文“含英咀华”, 平均分为 46 分, 位列第一;Fable- 5 的议论文平均分为 44 分;GPT-5.5 和 Hunyuan 3 Preview 的议论文平均分均为 43.25 分。
- DeepSeek-V4:记叙文平均 46 分, 细节和情感表达更突出。
- Fable-5:议论文平均 44 分, 结构完整但仍偏常规。
- GPT-5.5:议论文平均 43.25 分, 逻辑清晰但材料较熟。
- Hunyuan 3 Preview:议论文平均 43.25 分, 框架稳妥但个性不足。
DeepSeek-V4 的作文围绕祖父书房、《诗经》以及个人成长展开,使用了较多意象和细节描写。虽然部分评价认为其比喻略显密集, 但整体叙事更容易形成记忆点, 也更符合记叙文“经历”和“体悟”的要求。
💡 三篇议论文暴露“安全写法”的局限
相比之下,三篇议论文的相似度较高。它们普遍采用“规划重要、下功夫重要、二者统一”的结构, 开头引用常见名句, 论据也多集中在王羲之、袁隆平、国家发展等熟悉素材上。
这也呈现出大模型写议论文时的典型倾向: 为了稳妥完成任务,会优先选择高频论证路径和安全素材。这样做可以降低跑题风险, 却容易牺牲个性、现场感和独立思考。
📊 混元打分最宽,Fable- 5 最严格
更有意思的是评分差异。Hunyuan 3 Preview 给分明显偏高, 四篇作文平均给到 48 分, 并给 DeepSeek-V4 的记叙文打出 50 分满分; 而 Fable- 5 则更严格, 平均给分为 42.25 分, 对套话、常规论据和缺少个性化思考的问题更敏感。
GPT-5.5 对自己的作文也并未“手软”,给出 41 分, 并指出论据较常见、思想辨识度不强。这说明即便同为大模型, 在面对主观性较强的作文评分时, 也会体现出不同的评价偏好。
🚀 AI 作文的看点: 会写, 更要写出差异
这场实验的结论并不复杂: 当前大模型已经能稳定完成高考作文任务,尤其在审题、结构、语言流畅度方面表现成熟。但真正拉开差距的, 不是“有没有写完”, 而是是否具备细节、个性和不那么模板化的表达。
