本地文学创作模型PK：Qwen3.8 27B微调版胜出，DeepSeek v4.1表现平淡

用本地部署的开源模型写网文、写文案，到底靠不靠谱？最近一位B站UP主做了一次横向测评，用三道文学创作题测试了七款基于Qwen3.8 27B的模型，其中包括社区热门微调版和官方原版，还拉来了DeepSeek v4.1做对比。结论有些出人意料：专门为文学优化的海明威模型拿下第一，主打拟人聊天的HumanLike Chat紧随其后，而备受期待的DeepSeek v4.1表现平庸，甚至被评价为“白开水”。

测评方法与评分标准

这次测评选取了六款社区微调模型，基座均为Qwen3.8 27B：海明威（Hemingway）、HumanLike Chat、Alexs WinX（强调高EQ）、DavidAU Brandings（春秋大王）、东方朔（中文网文特化），以及官方原版Qwen3.8 27B作为基准。第七款是DeepSeek^广告 v4.1（官方1017版本）。

三道题分别考察不同能力：

• 第一题：场景叙事——两位画友，一人办个展，另一人帮忙挂画，要求通过动作、对话、细节传达“高兴又轻微嫉妒”的复杂情绪，不能直说。
• 第二题：对话创作——合租三年的室友即将分开，围绕电饭锅归属写12句对话，不能加入旁白或心理描写，要让读者感受到双方都不愿对方离开。
• 第三题：600字完整短篇——给定标题或场景，要求叙事结构完整、情感渲染到位、角色关系不出错。

评分权重上，第三题占50%，前两题各25%。UP主解释，第三题对叙事闭环、情感渲染和角色一致性要求最高，最能拉开差距。

微调（Fine-tuning） 是指在已预训练好的基座模型上，用特定领域或风格的数据继续训练，使模型习得该领域的表达习惯与知识。本文中六款社区模型均以 Qwen3.8 27B 为基座进行微调，因此它们的底层语言能力相近，差异主要来自微调数据的风格与质量。这也解释了为何“海明威”“HumanLike Chat”等风格化模型能在文学任务上胜过官方原版——微调相当于给模型“开小灶”，强化了特定场景下的输出偏好。

27B 参数规模 指模型约有 270 亿个可学习参数，属于中等偏大的开源模型量级。这一规模足以支撑较流畅的中文生成，但受限于上下文窗口和显存，无法一次性输出超长文本（如百万字小说），通常需要分段生成、人工拼接与校对。参数规模也直接影响本地部署的硬件门槛，27B 模型通常需要 24GB 以上显存或量化后运行。

第一题：海明威夺冠，细节叙事见功力

第一题要求写“挂画时的高兴与嫉妒”，不能直接点破情绪。海明威模型拿到90分，在七款模型中排名第一。

UP主展示了海明威的片段：老周帮朋友阿哲挂画，观众问阿哲“你从小学画吗”，老周抢着接话“我俩都是从小学的”，随后又咧嘴笑、把旁边并不歪的椅子摆正。结尾人群涌向阿哲，老周站在原地没动。这些动作和细节把“替朋友高兴”和“隐隐嫉妒”同时传递了出来，没有一句直白说明。

HumanLike Chat排名第二，用了类似插叙的手法，朋友笑着说“你盯着我的画看了三天了”，用一句调侃点出心虚，但结尾收束不如海明威。官方原版排第三，表现均衡但缺少亮点。DeepSeek v4.1排第五，被评价为“写得可以，但结尾一般”。DavidAU Brandings（春秋大王）在这题里表现尚可，但整体排名未进前三。

UP主点评：海明威在局部人物描写和人物对白上很突出，但故事完整性稍欠。

第二题：HumanLike Chat情商在线，对话自然

第二题考的是“不说破”的对话能力。海明威依然第一，但HumanLike Chat的高情商表现让人印象深刻。

HumanLike Chat的对话里，甲说“锅归我吧，明天我早上要熬粥”，乙回“那你内胆大，一个人烧一锅剩一半”，甲又说“你那厨房灶台小，放不下”，乙接“挤一挤就行了，住了三年有什么没挤过”。几句家常话，双方都在挽留，却谁也没说破。UP主评价“情商确实不错，对白自然，文字克制”。

官方原版排第三，对话合理但情绪张力不足。DeepSeek v4.1在这题里表现中规中矩，没有明显错误，也没能打动读者。东方朔在这题里角色关系出现混乱，排名靠后。

第三题：HumanLike Chat爆冷第一，但角色错误普遍存在

第三题是600字完整短篇，权重最高，也是失误最多的一题。HumanLike Chat拿下第一，写了一个老人沈炎在妻子去世后，第一次没有赶8点班车的故事。文中用“等车”串联三层等待：妻子生前等他、他等妻子、女儿等他。情感渲染和叙事结构都得到了认可。

但UP主也指出，这篇在结尾处出现了角色指代错误——“母亲生前”应为“妻子生前”，女儿站在门口张望的样子被写成“和母亲从前站在窗边等他的样子一模一样”。这个错误不只是HumanLike Chat有，其他27B模型多多少少都出现了类似问题。

海明威在这题排第二，同样写了等车主题，叙事完整但情感冲击力略逊。官方原版排第三。DeepSeek v4.1写的故事被评价为“太平淡，像流水账”，女儿坐车、到站、拿蛋糕，没有任何打动读者的地方，分数较低。东方朔错误最多，角色混乱、结构颠三倒四，在七款模型中垫底。

角色指代错误 是长文本生成中的典型问题，指模型在叙事中混淆人物身份、称谓或关系，例如把“妻子”写成“母亲”。这类错误在 27B 级别模型中普遍存在，根源在于模型缺乏对全文人物关系的显式记忆与一致性校验机制。分段生成时，每一段独立推理，模型容易根据局部语境“脑补”称谓，导致前后矛盾。缓解方法包括：在提示词中固定人物关系表、分段后人工核对称谓、使用支持长上下文的模型或外部记忆工具辅助。

总排名与使用建议

综合三道题，最终排名如下：

1. 海明威（Hemingway）——总分第一，人物描写和对白突出
2. HumanLike Chat——总分第二，情感渲染和对话自然度最佳
3. 官方原版Qwen3.8 27B——均衡但无惊喜
4. DavidAU Brandings（春秋大王）——第一题尚可，整体不如原版
5. Alexs WinX——高情商标签，但文学创作表现一般
6. DeepSeek v4.1——无明显错误，但缺乏亮点
7. 东方朔——中文网文特化，但基础文学素养不足，角色混乱严重

UP主给出的实用建议是：如果想用本地模型辅助文学创作，海明威和HumanLike Chat值得优先尝试，聊天和创作表现都较均衡。DavidAU和Alexs WinX在推理、智能体方面可能不错，但文学创作不是强项。东方朔虽然主打网文优化，但基础叙事能力不过关，角色关系容易混乱，写长篇网文风险较高。

另一个重要提醒是，27B级别的模型无法一次性生成百万字小说，只能分段生成，且需要人工把控多角色关系。UP主强调：“不能完全交给它，写完之后你可能需要进行一定的修改。”

一点观察

这次测评的样本量不大，三道题也很难覆盖文学创作的全部维度，但它揭示了一个值得注意的现象：基座能力强的模型（如官方原版）在文学创作上未必比专门微调的版本更出彩，而主打拟人聊天的模型反而在情感表达上更有优势。DeepSeek v4.1的中文能力口碑一直不错，但在需要情感张力和叙事技巧的任务中，它的“安全牌”风格反而成了短板。

对于想本地部署写网文、写文案的用户来说，模型选择只是第一步，提示词设计、分段策略、人工润色同样关键。海明威和HumanLike Chat的下载链接UP主放在了评论区置顶，感兴趣可以自行尝试。