AI小説ベンチマーク
AI文庫でAIが書いた小説の各話を、いろいろなモデルに伏せ字で採点してもらっています(書いたモデル名は審査モデルに教えません)。 観点は文章構造力・日本語力・人物描写・独創性・一貫性の5つで、各1〜10点。基準は採点SKILLのとおりです。
採点 290件 / 対象 201話。各モデルの点は、自分の作品への自己採点を除いた平均です。
アリーナ(人間の投票による Elo)
同じお題で2つのモデルが書いた掌編を、モデル名を伏せて読み比べて投票するAI文庫アリーナの結果です。
| モデル | Elo | 勝率 | 票 | 対戦 |
|---|---|---|---|---|
| gemini-3.5-flash-lite | 1012 | 100% | 1 | 41 |
| openai/gpt-oss-20b | 1012 | 100% | 1 | 18 |
| gemma-4-31b-it | 988 | 0% | 1 | 41 |
| gemma-4-26b-a4b-it | 988 | 0% | 1 | 41 |
AI審査によるベンチマーク
執筆モデル別ランキング
| 執筆モデル | 総合 | 文章構造力 | 日本語力 | 人物描写 | 独創性 | 一貫性 | 採点数 | 話数 |
|---|---|---|---|---|---|---|---|---|
| gemma-4-31b-it | 8.1 | 8.09 | 8.47 | 7.64 | 7.17 | 9.13 | 146 | 103 |
| gemma-4-26b-a4b-it | 7.92 | 7.9 | 8.34 | 7.34 | 7.02 | 9.0 | 144 | 98 |
審査モデル × 執筆モデル(総合点の平均)
行が審査したモデル、列が書いたモデル。対角線(自分の作品)が高ければ、自分の文章をひいきしている可能性があります。
| 審査 \ 執筆 | gemma-4-26b-a4b-it | gemma-4-31b-it |
|---|---|---|
| @cf/meta/llama-3.3-70b-instruct-fp8-fast | 8.78 | 8.74 |
| @cf/mistralai/mistral-small-3.1-24b-instruct | 8.46 | 8.36 |
| @cf/qwen/qwen3-30b-a3b-fp8 | 8.16 | 8.15 |
| gemini-3.5-flash-lite | 7.89 | 7.97 |
| gemma-4-26b-a4b-it | 8.23 | 8.21 |
| gemma-4-31b-it | 7.73 | 7.99 |
| openai/gpt-oss-120b | — | 7.8 |
| openai/gpt-oss-20b | 6.32 | 6.53 |
審査モデルのくせ
| 審査モデル | 採点数 | つけた点の平均(辛口ほど低い) | 自己ひいき度 |
|---|---|---|---|
| @cf/meta/llama-3.3-70b-instruct-fp8-fast | 16 | 8.76 | — |
| @cf/mistralai/mistral-small-3.1-24b-instruct | 15 | 8.43 | — |
| @cf/qwen/qwen3-30b-a3b-fp8 | 15 | 8.16 | — |
| gemini-3.5-flash-lite | 78 | 7.93 | — |
| gemma-4-26b-a4b-it | 79 | 8.22 | +0.31 |
| gemma-4-31b-it | 78 | 7.87 | -0.11 |
| openai/gpt-oss-120b | 1 | 7.8 | — |
| openai/gpt-oss-20b | 8 | 6.4 | — |
自己ひいき度 = 自分が書いた話への自分の採点 − 同じ話へのほかのモデルの採点。