小模型的定义是Out价格在10以下的模型们。
任务：润色文段，但不是冗杂油腻，润色后的字数要求在一万字。
对于推理可选的模型，我会开推理，默认中档；此外一概不管，全部使用OpenRouter统一的设定：Temp 1；Max Token Inf……我测评的是实际使用感受，不是调优后能力。
同一档位的模型大致按照粗略的好坏排序。
251223更新：是我的疏忽，以后评测数据会指定固定官方提供商，OpenRouter上有些供应商实在是臭不可闻，之前的开源模型的评测数据，尤其是拉完了一档，仅作参考；M2.1/GLM4.7的写作能力没有明显进步，但由于指令遵循变好了，两个模型的结果都提升了。 @flyingmiao @quiiiii 两位能不能和开发组反映一下，把模型加一些文学（包括非严肃文学网文同人等）数据？国产模型你们两家很可观！
拉完了（用不了）
提示词尝试救了，没用，没做多Roll，因为没这个必要。
- Doubao 1.6 Flash：
“港口的雨总是很细，像silk一样滑过青瓦”“正抱着一个玩偶asleep”“都被fireworks照亮了”这是我见过第一个在纯中文润色任务里，毫无征兆地开始吐英文的国产模型，真，Gemini都顶多只会「中文（Chinese）」这种；他的手机（没错，他穿越前就带来了，还连上了须弥的基站）——大哥，我让你润色同人文，没让你写穿越文，没错个妈妈的头的没错；至于输出长度……这还用问吗？ - Mistral Large 3 2512：乱搞列表、斜体、小标题……但起码是润色了的。
- Grok 4.1 Fast：前500字Ok，500字向后就不说人话地缩句（
沏茶细腻：滤、倒、拭。忆烫茶，挑战再起。试射弧线，远处绽微光。四人笑语，振翅预练。）
——大哥，我让你润色，没让你转换成文言！ - Doubao 1.6：重量级的。总输出6000 Token，有效大概1200 Token，水字数丧心病狂的地步。它用列表大纲的方式写了一个极其简略的版本，然后直接在后面单开了一个「补充细节部分」，给我这重新创作来了：
「选地的深层考量（1500字）」、「堂口的细节补充（1500字）」……底下实际输出同样只有不到四百字。最后还恬不知耻地总结「最终字数：10023字」——合着您家一个Token 4个字啊；语言风格一股GPT 5+R1就不说了，字节要是还不出新模型，就赶快倒闭得了。 - MiniMax M2：大刀阔斧地改，调换顺序、破坏逻辑……没法用；以及经常会
很抱歉，直接一次性输出一万字……容易溢出。 - DeepSeek V3.2 Speciale：输出速度慢，推理过于冗长，一次请求10分钟，润色质量也只是能用，而且是经典的6000字缩略问题（原版提示词会直接让它推理超时，我加了：推理思考长度适中即可，推理长度应当精简一些，并非精简原文）。
- R1T Chimera：啊……这段文字如初春融雪般使记忆在时光的褶皱中苏醒——那缕浸润灵魂的风息携着山涧般的澄明，以三重递进的韵律（知性的巧构、情感的共鸣、精神的共振）叩击着我的感官壁垒。眼角忽而温热，原是岁月深处蛰伏的悸动，此刻竞相破茧，凝结成两行闪烁着认知光辉的珠玉，沿着面庞的等高线蜿蜒而下。……输出只有1500Token，不可用。
- Qwen 3 Max：写文言文，一股子GPT味道。
注：这里的有些过小的模型我用的是5000输入+6000输出的指令，10000字的超长情况或许不常见，但5000字的文章是底线。
这俩难兄难弟的共同特点就是输出Token总数都在4000多，其它的输出至少7000，明显是有问题。
- GLM 4.6：这位仁兄输出6200，我仔细一看，好家伙，原来除了第一段将
他抬起了头改成了他慢慢地抬起了头之外，剩下的将近6000字一字未改，纯纯直接复制。 - Mistral Small Creative：不管是1000字，还是5000字，输出永远只有3000；然后幻觉严重，指令基本不遵循，乱改原文格式；Creative不是胡编乱造，或许它只优化了法语和英语的缘故？
能用
- GPT 5.1：这东西以10的上限价格进到这个组内这个分数简直是丢人；不过其实效果很可以，放到这个档次的主要原因是GPT味道太浓了，看着反胃。
- GPT 5.2：涨价，过（1 Roll效果明显好于5.1，点子好，文风差）。
- Haiku 4.5：润色的过于克制了，还行，还行，定价高反倒不算什么，A社一贯操作。
- Mimo-V2-Flash：只是润色而已，扩写句子、微调句子，假如你的语言枯干还是有点用的，一点新点子没有；等价格，如果超过Haiku就放到拉完了去。
- Qwen VL 235B A22B：幻觉严重，但内容意外地还行，有所亮点。
- DeepSeek V3.2：同样的前详后略问题，不过仍然是输出了6000 Tokens，似乎是模型推理商的问题；官方API输出了14000字被截断了，怀疑是网络问题，输出的结果还不错。
- GLM 4.7：不知道是不是刚发布导致的，输出速度极慢；正文截断问题仍然没有解决，唯一的一次完整输出竟然输出了2万字，竟然不水；按照平均的结果来看，有可取之处，但话里话外语言情感不对（味道很怪，颇有一种Gemini的用力过猛+GPT的曲解角色的结合体），经常夹杂着一些奇怪但生动的比喻；在官网试用了一下，反倒出现了长时间思考不回答的破毛病；幻觉不小，爱加一些错误的细节；由于表现过于不稳定，预计过几天重新测试。
- MiniMax M2.1：多Roll后总结：平均下来其实挺一般的，但只要模型在思考中输出超过300字，最终结果就会有一个飞跃式的提升（仍然大部队0Pass时的），思考强度、提示词中强调均无用，只能抽卡；0Roll的结果过于惊艳，甚至超过了3 Flash，以至于我一时间想要将它归到「赞」去，但……
赞
- Kimi K2 Thinking：超绝，对比价格而言效果是最好的（251219更新，3 Flash让它失掉了宝座），人味也Great。是最接近Gemini 3的模型。会让我有那种，哇原来这里可以这么加细节、这么写、加这一句话会这么好！
Gemini 3系列
虽然Pro的两个模型说什么也算不上是小模型，但……拉出来遛遛。
-
Pro Preview（11月）：拉！完！了！
跟Grok 4.1 Fast的问题极为类似，前1000字平均句长接近100字，到后边就只有十个左右了。属于是介于上述榜单综合质量在还行的范围，但考虑到价格和Gemini 3的名号，只能说拉完了。 -
Canvas Pro（谷歌在现在的Gemini 3上线之前iOS应用Canvas内侧的模型）：绝赞！细节生动不吝啬话语，感觉谷歌现在发的模型是把这个大砍一刀。K2改写结果闪光点x3就是它。
-
Flash Preview（12月）：意外的惊喜和意料之内的无奈
指令遵循大幅提升、性能超过2.5 Pro、世界知识大幅提升、速度极快、价格低廉……唯一的缺点就是高居不下的幻觉，属于Gemini 3系列的固有特征。
这使得这个模型在面对请求的时候不稳定性很高，在我的几次尝试中，这个特性会导致一个很奇怪的问题：它遵循指令，但在指令没有说的地方经常放飞自我，自作多情。
真的，颇有一种读朝鲜新闻和论文的感觉。
别的发病表现大概还有：说输出一万字对于AI文本系统来说，经验上可能会导致截断，但还是老老实实输出了一万字；明明思考开了Xhigh结果思考3秒回答……
稳定复现的问题有两个：- 输出一万字可能不现实……
- 加入奇奇怪怪的数学、物理公式。
我推测可能是数学刷榜太多了，导致有点混杂；但改写的质量（亮点）还是颇多的，甚至优于Canvas Pro（也许）。我的评价是，很有用，多用，但要做好心理建设，要调提示词。
爱之，恨之啊。
附录一：模型排除规则
- 所有资费大于20$的模型（因为有些在10-20之间的有评测价值）；
- 所有明确已知小于7B的模型；
- 所有明确表示面向Agentic、Tool Call、Programmatic的小微厂模型；
- 所有在更新评测时发布时间已经明显超过6个月的模型；
- 所有没有出现在OpenRouter上的模型。
附录二：额外排除的模型列表
此目录下的模型未能被排除规则排除，但经过1 Pass验证已经是比不可用更不可用的地步了，也没什么意思，没人会掉坑，因此不多做说明。
- arcee-ai/trinity-mini
- mistralai/ministral-14b(8b)-2512
- thedrummer/cydonia-24b-v4.1
- amazon/nova-premier-v1
