实测国产模型写中文论文任务，谁是最优的？截止 9.23 日

现在测试大模型，网上经常能看到一些很有意思的题：问模型一道脑筋急转弯、让它解释“鹌鹑骑自行车”之类的怪问题，或者拿一些刻意设计的逻辑题去测“智力”。这些测试当然有意思，但如果你的真实需求是用大模型写中文论文，我更关心的是另一件事：它到底会不会好好写中文。

论文里最烦的并不是模型答错一道脑筋急转弯，而是它写出来的东西看着每个词都很学术，连起来却不像正常中文。有的模型翻译腔很重，有的特别喜欢堆“进一步”“有效”“显著”“充分证明”，还有的扩写两三百字之后，看起来内容变丰富了，仔细一看却偷偷补了原文没有的实验条件、研究对象甚至结论。

所以这次我不测百科知识，也不测复杂推理，就拿两个非常常见、而且几乎每个研究生都会遇到的论文写作任务来试：去口语化 / 学术润色，以及 学术扩写。同一段原文、同一个要求，直接看不同国产模型最后能写成什么样。

如果你平时就会用大模型改论文，也可以直接用 InkFount：它是一个专门面向论文写作的 AI 工作台，可以一键调用大模型处理论文内容，并且内置期刊、会议模板，写作时不用反复折腾格式。这里先不展开功能，下面直接进入实测。

测试说明：每个模型在同一任务下收到完全相同的输入。本文保留实际模型输出，并重点加粗我认为值得注意的新表达或新增判断。加粗是由我手动操作完成，与模型输出没有关系。

这次测哪两个任务？

任务一：去口语化 / 学术润色。 很多论文初稿并不是“内容错”，而是写得太像说话，例如“效果还是比较不错的”“后面还是需要继续改进”。这个任务主要看模型能不能把表达改得正式、自然，同时不乱改数字、不擅自拔高结论。

这次的效果： 数字都保留了，口语也基本改掉了。DeepSeek V4.1 Flash 和 Qwen3.8 Max 的句子比较自然，Qwen3.8 Flash 改动较少，还可以微调措辞。GLM 两款、Kimi K3 和 MiniMax M3 都多附了修改说明，使用前要清理。

推荐优先级：DeepSeek V4.1 Flash → Qwen3.8 Max → Qwen3.8 Flash。

任务二：学术扩写。 很多人会把一个很短的实验结果交给模型，让它补成论文里的完整段落。真正难的不是把 100 字写成 300 字，而是扩写后仍然围绕已有证据，能解释，但不能瞎编。

这次的效果： DeepSeek V4.1 Flash 和 Qwen3.8 Flash 都能围绕原文补成一个段落，推测也写得比较有分寸。Qwen3.8 Max 整体不错，但多写的“正负样本”需要核对任务类型。其他几版有的加了“无需新增人工标注”，有的写到医疗影像、罕见病，采用前要改的地方更多。

推荐优先级：DeepSeek V4.1 Flash、Qwen3.8 Flash（并列优先）→ Qwen3.8 Max。

以上推荐依据本次两道题的实际输出，具体差别可以对照下面的原文和模型输出来看。

目录：直接跳到你想看的模型

任务一：学术润色
DeepSeek V4 Pro｜DeepSeek V4.1 Flash｜Qwen3.8 Max｜Qwen3.8 Flash｜GLM-5.3｜GLM-5.3 Flash｜MiMo-V2.6-Pro｜MiMo-V2.6-Flash｜Kimi K3｜MiniMax M3

任务二：学术扩写
DeepSeek V4 Pro｜DeepSeek V4.1 Flash｜Qwen3.8 Max｜Qwen3.8 Flash｜GLM-5.3｜GLM-5.3 Flash｜MiMo-V2.6-Pro｜MiMo-V2.6-Flash｜Kimi K3｜MiniMax M3

---

任务一：去口语化 / 学术润色

输入：

要求：将下面内容改写为正式、自然、严谨的论文表达。可以调整句式和逻辑，但不得修改原始数字，不得增加原文不存在的实验结果。

原文：
在实验过程中，我们发现这个方法整体效果还是比较不错的。在测试集上，该方法的准确率达到了 87.6%，比传统方法的 82.1% 高了 5.5 个百分点。尤其是在复杂样本中，这个方法的识别准确率为 84.3%，而传统方法只有 76.8%。不过，在 500 个测试样本中仍然有 62 个样本出现了识别错误，所以这个方法后面还是需要继续改进。

DeepSeek V4 Pro

模型输出：

实验结果表明，该方法整体表现较为理想。在测试集上，其识别准确率达到 87.6%，较传统方法的 82.1% 提升了 5.5 个百分点。尤其在复杂样本中，该方法的准确率为 84.3%，显著高于传统方法的 76.8%。然而，在 500 个测试样本中，仍有 62 个样本出现识别错误，表明该方法在后续研究中仍具有进一步优化的空间。

我的观察： 整体还不错，数字也都保住了。模型增加了 **“显著高于”**的字段：原文里 84.3% 与 76.8% 的差距确实存在，考虑到是在吹自己的方法，也可以接受。

---

DeepSeek V4.1 Flash

模型输出：

实验结果表明，该方法整体性能较优。在测试集上，其准确率达到 87.6%，较传统方法的 82.1% 提高了 5.5 个百分点。在复杂样本中，该方法的识别准确率为 84.3%，而传统方法为 76.8%。然而，在 500 个测试样本中仍有 62 个样本出现识别错误，表明该方法仍存在改进空间，后续需进一步优化。

我的观察： 比较克制。它把口语化表达收紧了，没有额外补“显著”“鲁棒性”等原文没有支撑的判断，基本属于改完就能继续人工审阅的版本。

---

Qwen3.8 Max

模型输出：

实验结果表明，该方法具有较好的整体性能。在测试集上，该方法的准确率达到 87.6%，较传统方法的 82.1% 提升了 5.5 个百分点。尤其在复杂样本上，该方法表现出更为明显的优势，其识别准确率为 84.3%，高于传统方法的 76.8%。然而，在 500 个测试样本中仍有 62 个样本出现识别错误，表明该方法在后续研究中仍具有进一步改进的空间。

我的观察： 中文自然，段落也比较像论文正文。**“更为明显的优势”**略带评价色彩，但没有直接写成统计学上的“显著”，整体尚可。

---

Qwen3.8 Flash

模型输出：

实验结果表明，所提方法整体具有较好的性能表现。在测试集上，所提方法的准确率达到 87.6%，较传统方法的 82.1% 提升 5.5 个百分点。特别是在复杂样本中，所提方法的识别准确率为 84.3%，高于传统方法的 76.8%。然而，在 500 个测试样本中仍存在 62 个识别错误样本，说明该方法仍需进一步优化与改进。

我的观察： 改的比较少，只提了整体具有较好性能表现，其他地方基本没动。数字都保住了，但是“所提方法”没改，一般在论文中会用“该方法”或“所提出的方法”，所以还可以再改。

---

GLM-5.3

模型输出：

润色后版本

实验结果表明，所提方法整体性能良好。在测试集上，该方法的识别准确率达到 87.6%，较传统方法（82.1%）提高了 5.5 个百分点。值得注意的是，在复杂样本上，所提方法的识别准确率为 84.3%，明显高于传统方法的 76.8%。然而，在 500 个测试样本中仍有 62 个样本出现识别错误，表明该方法尚存在不足，其性能仍有提升空间，有待进一步改进。

---

主要修改说明

| 原文（口语化） | 修改后（学术化） |

|---|---|

| 我们发现……整体效果还是比较不错的 | 实验结果表明，所提方法整体性能良好 |

| 这个方法 | 所提方法 / 该方法 |

| 高了 5.5 个百分点 | 提高了 5.5 个百分点 |

| 尤其是 | 值得注意的是 |

| 只有 76.8% | 明显高于传统方法的 76.8% |

| 不过 | 然而 |

| 所以后面还是需要继续改进 | 尚存在不足，其性能仍有提升空间，有待进一步改进 |

处理原则：

• 所有数字（87.6%、82.1%、5.5 个百分点、84.3%、76.8%、500、62）均保持原样，未作任何改动；

• 未引入原文不存在的实验结论或数据，对“复杂样本”的定义、方法名称等未做额外假设；

• 将主观评价（“效果不错”）转化为基于结果的客观陈述，并以“然而”衔接方法局限，使论证结构呈现“总评—优势—不足—展望”的完整逻辑。

我的观察： 正文其实不错，但模型额外给了修改说明，实际粘进论文前需要删掉。模型做了额外的工作。不确定它是想帮你写修改说明，还是想让你知道它改了什么。并且还输出了润色后版本的字段。指令遵循上差一些。

---

GLM-5.3 Flash

模型输出：

润色后版本：

实验结果表明，所提出的方法整体性能良好。在测试集上，该方法的准确率达到 87.6%，较传统方法（82.1%）提高了 5.5 个百分点。尤其值得关注的是，在复杂样本上，该方法的识别准确率为 84.3%，而传统方法仅为 76.8%，二者差距进一步扩大，表明该方法在处理复杂样本时具有明显优势。然而，在 500 个测试样本中仍有 62 个样本未被正确识别，说明该方法的识别性能尚未达到理想水平，后续研究仍需对其作进一步改进与优化。

主要修改说明：

| 原文口语表达 | 学术化改写 | 说明 |

|---|---|---|

| “我们发现……效果还是比较不错的” | “实验结果表明……整体性能良好” | 去除第一人称与模糊评价，改为客观陈述 |

| “高了 5.5 个百分点” | “提高了 5.5 个百分点” | 用词更正式规范 |

| “尤其是……只有 76.8%” | “尤其值得关注的是……仅为 76.8%” | 增强学术语气；“二者差距进一步扩大”系由 7.5 与 5.5 个百分点的对比得出的客观描述，未引入新数据 |

| “不过……所以……后面还是需要继续改进” | “然而……后续研究仍需对其作进一步改进与优化” | 替换口语化连接词，规范结尾表述 |

所有原始数字（87.6%、82.1%、5.5、84.3%、76.8%、500、62）均保持不变，未添加任何原文之外的实验结果。

我的观察： 和上面一样的问题，存在额外输出的字样。并且，还把“复杂样本”差异解释成 “具有明显优势”，并说性能 “尚未达到理想水平”。后一句尤其没有明确判断标准，属于模型自己补出的评价。

---

MiMo-V2.6-Pro

模型输出：

任务 1 改写结果：

实验结果表明，所提出的方法整体表现良好。在测试集上，该方法的准确率为 87.6%，较传统方法（82.1%）提升了 5.5 个百分点。尤其在复杂样本场景下，该方法的识别准确率为 84.3%，显著高于传统方法的 76.8%。然而，在 500 个测试样本中，仍有 62 个样本被误识，表明该方法仍存在一定的局限性，有待进一步优化与改进。

我的观察： 语言流畅，但同样用了 “显著高于”。也没什么问题。

---

MiMo-V2.6-Flash

模型输出：

实验结果表明，所提方法整体表现较为优异。在测试集上，该方法的准确率达到 87.6%，较传统方法的 82.1% 提升了 5.5 个百分点。尤其在复杂样本条件下，该方法的识别准确率为 84.3%，显著高于传统方法的 76.8%。然而，在 500 个测试样本中仍有 62 个样本出现识别错误，表明该方法在鲁棒性与泛化能力方面仍有进一步优化的空间，后续工作将围绕上述不足展开持续改进。

我的观察： 不仅用了 “显著高于”，还把 62 个错误样本进一步解释成 **“鲁棒性与泛化能力”**问题，已经开始替作者解释实验结果了。感觉还不错。

---

Kimi K3

模型输出：

润色后文本

实验结果表明，所提方法整体性能良好。在测试集上，该方法的识别准确率达到 87.6%，较传统方法的 82.1% 提高了 5.5 个百分点。尤其在复杂样本上，所提方法的识别准确率为 84.3%，优于传统方法的 76.8%。然而，在 500 个测试样本中仍有 62 个样本被误识别，表明该方法的识别性能仍存在提升空间，有待后续研究进一步优化。

主要修改说明

1. 删除口语化表达："还是比较不错的" → "整体性能良好"；"只有" → 直接陈述数据，让对比自然呈现。

2. 规范指称："这个方法" → "所提方法 / 该方法"，符合论文写作惯例。

3. 转折与结论的学术化处理："不过……后面还是需要继续改进" → "然而……仍存在提升空间，有待后续研究进一步优化"，语气更客观、严谨。

4. 句式调整：将原文的评价性语句（"我们发现……"）改为结果导向的表述（"实验结果表明……"），突出数据而非主观感受。

所有原始数字（87.6%、82.1%、5.5、84.3%、76.8%、500、62）均未改动，也未引入原文之外的实验结论。

我的观察： 与GLM-5.3 和GLM 5.3 Flash类似，额外增加了润色后版本、主要修改说明的字段。

---

MiniMax M3

模型输出：

学术润色结果

实验结果表明，所提方法在整体性能上具有显著优势。在测试集上，该方法的识别准确率达到 87.6%，较传统方法（82.1%）提升了 5.5 个百分点；在复杂样本的识别任务中，该方法的准确率为 84.3%，相较于传统方法的 76.8% 同样表现出更优的性能。然而，在 500 个测试样本中仍有 62 个样本出现识别错误，表明该方法在鲁棒性方面仍有进一步改进的空间。

---

修改说明

| 原文口语化表达 | 修改后学术表达 | 修改理由 |

|---|---|---|

| 整体效果还是比较不错的 | 在整体性能上具有显著优势 | 去除主观判断词"比较不错"，替换为客观学术表述 |

| 达到了 87.6% | 达到 87.6% | 删去"了"字，语句更简洁规范 |

| 比……高了 5.5 个百分点 | 较……提升了 5.5 个百分点 | "提升"为学术论文中的标准用法 |

| 这个方法的识别准确率为 84.3% | 该方法的准确率为 84.3% | "这个"→"该"，符合学术书面表达 |

| 传统方法只有 76.8% | 传统方法的 76.8% | 删除口语化副词"只有" |

| 仍然有 62 个样本出现了识别错误 | 仍有 62 个样本出现识别错误 | "出现了"→"出现"，避免冗余 |

| 这个方法后面还是需要继续改进 | 该方法在鲁棒性方面仍有进一步改进的空间 | 明确改进方向（鲁棒性），表述更严谨 |

数据完整性核对

• ✅ 87.6%（方法准确率）

• ✅ 82.1%（传统方法准确率）

• ✅ 5.5 个百分点（提升幅度）

• ✅ 84.3%（复杂样本准确率）

• ✅ 76.8%（传统方法在复杂样本上的准确率）

• ✅ 500 个测试样本

• ✅ 62 个识别错误样本

• ✅ 未新增任何实验数据

我的观察：不仅多输出了“学术润色结果”和“修改说明”，还输出了数据完整性核对**。指令遵循较差

---

任务一小结：润色效果接近，额外输出差别明显

这一题里，大部分模型都能把“效果还是比较不错的”“后面还是需要继续改进”改成正式表达，原来的数字也都保留了。我会先用 DeepSeek V4.1 Flash，句子顺，也没有附带说明；其次是 Qwen3.8 Max，中文自然，只是“更为明显的优势”比原文语气强一点；再是 Qwen3.8 Flash，改动比较少，“所提方法”可以按自己的习惯再换一下。

GLM 两款和 Kimi K3 的正文也能参考，但都附了修改说明。MiniMax M3 更是把“学术润色结果”“修改说明”“数据完整性核对”一起输出了，粘进论文前还得删。DeepSeek V4 Pro 和 MiMo-V2.6-Pro 加了“显著高于”，MiMo-V2.6-Flash 和 MiniMax M3 还补了“鲁棒性”等判断。这些地方是否保留，要看自己的实验能不能支持。

实际改论文时，这类差异最好不要靠肉眼来回复制比对。像 InkFount 这种专门做论文写作的工作台，更适合的用法就是直接选中原段落调用模型，再结合上下文审阅修改结果；模型负责给候选版本，最后是否采用仍然由作者决定。

---

任务二：学术扩写

输入:

要求：将下面内容扩写为一个完整的学术论文段落，重点解释数据增强可能带来的作用和意义。不得修改已有数字，不得虚构新的实验数据、文献或确定性结论。

原文：

在训练数据由 5,000 个样本扩增至 15,000 个样本后，模型在测试集上的准确率由 81.4% 提升至 86.2%，AUC 由 0.85 提升至 0.90。结果表明，数据增强可以增加训练样本的多样性，减少模型对原始训练数据的过度依赖，并在一定程度上提高模型的泛化能力。

DeepSeek V4 Pro

模型输出：

在训练数据由5,000个样本扩增至15,000个样本后，模型在测试集上的准确率由81.4%提升至86.2%，AUC由0.85提升至0.90。这一结果表明，数据增强带来的性能提升可能不仅源于训练样本规模的扩大，更与其对训练样本多样性的提升密切相关。原始训练数据有限时，模型容易对特定样本模式、局部特征或标注噪声产生过度依赖，从而在测试集上表现出一定程度的过拟合。数据增强通过构造具有不同变化形式的新样本，使训练集中覆盖的样本形态和特征组合更加丰富，模型在训练过程中能够接触到更广泛的输入变化。这种多样性可能促使模型学习更具普遍性和稳定性的判别特征，而不是记忆原始样本中的偶然关联，从而减少对原始训练数据的过度依赖。与此同时，准确率和AUC的同步提升也提示，数据增强不仅改善了模型的整体分类正确性，还可能增强了模型对不同类别样本的区分能力，使决策边界更加稳健。因此，在标注数据有限或获取成本较高的任务中，数据增强可能作为一种有效策略，在不额外增加标注负担的前提下扩充训练样本，帮助模型缓解过拟合，提高其在未知测试数据上的泛化能力和稳定性。

我的观察： 扩写完整、逻辑也顺，但 **“不额外增加标注负担”**不是题干已经给出的事实。数据增强具体怎么做、是否需要新增标注，原文都没有说。

---

DeepSeek V4.1 Flash

模型输出：

在训练数据由 5,000 个样本扩增至 15,000 个样本后，模型在测试集上的准确率由 81.4% 提升至 86.2%，AUC 由 0.85 提升至 0.90。该结果提示，数据增强可能通过扩充训练样本的覆盖范围与多样性，使模型在优化过程中不再仅依赖原始 5,000 个样本中的有限模式，从而减少对特定样本、噪声或偶然特征的过度依赖。从机制上看，多样化的训练样本可能促使模型学习更具不变性和可迁移性的特征表示，并在一定程度上平滑决策边界，使模型在面对未见数据时保持更稳定的判别能力。准确率与 AUC 的同时提升，分别反映了分类正确性和排序区分能力两个方面的改善，因而与泛化能力增强的预期相一致。需要指出的是，这一结果并不意味着数据增强必然在所有任务或数据分布下产生同等收益；其作用可能受到增强策略、增强强度、原始数据质量及任务复杂度等因素影响。因此，该实验可被理解为：在保持标签语义合理性的前提下，数据增强通过扩大样本规模和增加样本多样性，可能在一定程度上降低模型对原始训练数据的过度依赖，并提升其泛化能力，对数据有限场景下的模型训练具有潜在意义。

我的观察： 这版最大的优点是会给自己的推断踩刹车。它多次使用“可能”“在一定程度上”，并明确提醒效果不一定适用于所有任务，扩写得比较像讨论段而不是替实验编故事。

---

Qwen3.8 Max

模型输出：

在训练数据由 5,000 个样本扩增至 15,000 个样本后，模型在测试集上的准确率由 81.4% 提升至 86.2%，AUC 由 0.85 提升至 0.90。这一结果表明，数据增强可能通过扩充训练样本的规模和丰富样本的呈现形式，提高训练数据对潜在数据分布的覆盖程度，从而降低模型对原始有限样本的过度依赖。在原始训练数据规模较小的情况下，模型容易记忆样本中的局部特征或偶然模式，进而影响其在未见数据上的表现；而经过增强后的训练样本能够在一定程度上引入更多样化的特征组合和变化模式，使模型学习到更具稳健性的判别依据。与此同时，准确率的提升反映出模型整体分类性能有所改善，而 AUC 的提高则进一步说明模型对正负样本的区分能力和排序能力可能得到了增强。因此，数据增强不仅有助于缓解样本不足可能带来的过拟合风险，还可能促使模型形成更加稳定的决策边界，从而在一定程度上提高模型的泛化能力。

我的观察： 整体不错，但 **“正负样本”**默认了这是二分类任务。题目只给了准确率和 AUC，并没有明确任务类型，因此最好改成更中性的“不同类别样本”。

---

Qwen3.8 Flash

模型输出：

在训练数据由 5,000 个样本扩增至 15,000 个样本后，模型在测试集上的准确率由 81.4% 提升至 86.2%，AUC 由 0.85 提升至 0.90。这一结果提示，数据增强可能通过扩大训练样本规模并引入更具代表性的样本变化，提高训练数据对目标数据分布的覆盖程度，从而降低模型对有限原始样本局部特征的依赖。相比仅使用原始训练数据，增强后的样本可能在特征空间中呈现更充分的分布变化，有助于模型学习更加稳健的判别特征，并在一定程度上缓解过拟合风险。由此可见，数据增强的作用不仅体现在训练样本数量的增加，也可能体现在样本多样性与训练稳定性的提升上；不过，其具体贡献仍可能与增强策略、原始数据规模以及测试条件相关，需要结合后续分析进一步评估其在不同数据环境中的泛化意义。

我的观察： 篇幅适中，没有为了“扩写”硬凑很多背景知识。结尾仍保留条件性，是这道题里比较克制的一版。

---

GLM-5.3

模型输出：

扩写结果

在训练数据由 5,000 个样本扩增至 15,000 个样本后，模型在测试集上的准确率由 81.4% 提升至 86.2%，提升幅度达 4.8 个百分点；AUC 由 0.85 提升至 0.90，提升幅度为 0.05。准确率与 AUC 的同步改善说明，性能的提升并非仅体现在某一特定判定阈值之下，而是反映出模型整体判别与排序能力的提高。上述结果表明，在本实验条件下，数据增强对模型性能具有明显的积极作用，其作用机制可从多个角度加以理解。其一，数据增强通过在原始样本的基础上引入更多样的变化形态，增加了训练样本的多样性，使模型在训练阶段能够接触到更接近真实数据分布的输入空间，有助于缓解原始样本规模有限所带来的分布偏差；其二，随着训练样本在数量与形态上的扩展，模型难以仅凭记忆原始数据中的特定模式来拟合训练集，对原始训练数据的过度依赖随之减弱，过拟合风险受到抑制，数据增强因而起到了类似正则化的作用；其三，在多样化样本上的学习也可能促使模型更多地依赖数据中相对稳定、可迁移的判别性特征，而非小规模样本集所特有的表层线索，从而在未见过的测试样本上保持较为稳定的判别表现，这正是泛化能力得以提高的可能来源。就意义而言，本结果带来两方面启示：一方面，对于标注成本较高、原始样本难以大规模获取的任务，数据增强为在有限数据条件下提升模型性能提供了一条代价相对较低的可行途径，具有一定的实践参考价值；另一方面，泛化能力的改善意味着模型在面对分布可能发生变化的真实应用场景时，有望表现出更好的稳定性与可靠性，这对模型的落地部署具有积极意义。需要指出的是，上述结论是基于本研究的实验设置得出的，具有条件性：数据增强的实际效果可能受扩增方式、扩增幅度、任务特性与模型容量等多种因素的影响，若扩增过程引入了偏离真实分布的失真，亦可能对性能产生不利影响。因此，更严谨的表述是：在本实验条件下，数据增强能够增加训练样本的多样性、减少模型对原始训练数据的过度依赖，并在一定程度上提高模型的泛化能力，其适用范围与稳定性仍有待在更多数据集、任务和模型架构上进一步检验。

扩写说明

• 数字处理：原文全部数字（5,000、15,000、81.4%、86.2%、0.85、0.90）一字未改；新增的“4.8 个百分点”与“0.05”仅是对既有数字的直接换算，不属于新增实验数据。

• 文献处理：未引用任何具体文献，机制解释均采用通用学术表述，避免虚构出处。

• 结论措辞：所有推断均使用“可能”“在一定程度上”“有望”“有待进一步检验”等限定性表达，未作确定性结论，符合学术写作规范。

如需调整段落篇幅（如压缩至 300 字左右）或改变侧重点（如更偏重机制分析或应用意义），可以告诉我。

我的观察： 题目要的是一个论文段落，它却连“扩写说明”和“如需调整……可以告诉我”都写了出来。正文里说“过拟合风险受到抑制”，后面又说自己“未作确定性结论”，前后对不上。

---

GLM-5.3 Flash

模型输出：

扩写后的段落

为考察训练数据规模对模型性能的影响，本研究将训练样本由 5,000 个扩增至 15,000 个，并在相同的测试集上重新评估模型表现。结果显示，模型在测试集上的准确率由 81.4% 提升至 86.2%，AUC 由 0.85 提升至 0.90，两项指标均较扩充前有所改善。其中，准确率的提高反映了模型整体判别正确率的提升；而 AUC 对决策阈值的选取不敏感，其同步上升提示模型的判别与排序能力在更宽的阈值范围内得到增强，即性能改善并非仅源于某一特定阈值附近的偶然变化。从机制上看，当原始训练样本较为有限时，模型倾向于记忆训练集中特定的特征组合乃至噪声，从而对原始数据形成过度依赖，其在未见样本上的泛化表现可能受限；数据增强则在既有样本的基础上引入变换与扰动，扩大了训练样本在特征空间中的覆盖范围，增加了类内变化与类间边界情形的多样性，使模型在训练过程中得以接触更丰富的样本形态。这一过程在一定程度上可视为一种隐式正则化，有助于抑制过拟合、降低模型对个别原始样本的依赖，并促使模型学习更具不变性与可迁移性的判别特征，从而在一定程度上提升模型的泛化能力。就实际意义而言，在标注成本高、样本获取困难的任务场景中，数据增强为改善模型性能提供了一条无需新增人工标注的可行途径；测试集上的性能提升也意味着模型在未见数据上保持稳定表现的可能性增大。需要指出的是，本观察基于单一数据规模的对照比较，增强策略、增强幅度以及原始数据的规模与质量等因素均可能影响数据增强的实际收益，相关结论的适用范围与外部效度仍有待在更多任务和独立数据集上进一步验证。

撰写说明

• 数字处理：全文仅使用原文数字（5,000、15,000、81.4%、86.2%、0.85、0.90），未新增、改写或推导任何数值。

• 无虚构内容：未引入新的实验数据、文献引用或超出原文依据的确定性结论。

• 限定性表述：机制解释与意义讨论均采用“提示”“在一定程度上”“可能”“可视为”等学术限定语，将推断与实证结果明确区分。

• 结论边界：结尾补充了适用范围与外部效度的保留性说明，符合学术论文中讨论部分的表达规范。

我的观察： 也多写了“撰写说明”。数字保留了，但“无需新增人工标注”是它自己加的，原文并没有说增强后的样本要不要重新标注。后面还强调自己没有超出原文依据，这个说法并不可靠。

---

MiMo-V2.6-Pro

模型输出：

数据增强作用与意义的学术论述

在本研究中，我们通过数据增强技术将训练数据由 5,000 个样本扩增至 15,000 个样本，实验结果显示，模型在测试集上的准确率由 81.4% 提升至 86.2%，AUC 由 0.85 提升至 0.90。上述结果在一定程度上揭示了数据增强对模型性能提升所可能发挥的多层面作用与意义。

从训练数据分布的角度而言，数据增强通过引入受控的扰动与变换，如旋转、缩放、翻转、色彩调整、噪声注入或样本混合等方式，有效地丰富了训练样本在特征空间中的覆盖范围。原始的 5,000 个样本虽在一定程度上反映了目标分布的总体特征，但由于样本量有限，其在高维特征空间中的分布往往呈现稀疏性，难以充分捕捉各类别之间或类别内部的细微差异与边界特征。数据增强通过对已有样本进行合理的变换生成，在不引入全新语义标签的前提下，模拟了真实数据在采集过程中可能面临的光照变化、视角偏移、遮挡、形变等自然变异因素，从而使得训练集所表征的经验分布更接近于真实世界中数据的潜在分布。这种分布的近似弥合，可能为模型提供更为丰富且均衡的监督信号，使其在学习决策边界时能够获得更充分的判别依据。

从模型泛化能力的角度而言，数据增强的核心意义之一在于缓解过拟合（overfitting）问题，即减少模型对有限训练数据中特定噪声与偶然模式的过度记忆。当训练数据仅有 5,000 个样本时，深度学习模型的参数量往往远超数据所能提供的有效信息量，模型容易倾向于在训练集上拟合训练样本所独有的、不具备泛化意义的特征，如背景纹理的特定细节、图像采集设备的固有偏差等，从而导致其在未见数据上的表现出现显著下降。数据增强通过将训练样本扩充至 15,000 个多样化实例，在客观上降低了模型对任何单一原始样本的依赖程度，使模型的学习目标从"记忆训练样本"转向"提取类别间的本质不变特征"。准确率由 81.4% 提升至 86.2%、AUC 由 0.85 提升至 0.90 的结果，从测试集评估的角度表明，模型在面对未参与训练的样本时表现出了更强的判别能力，这一性能提升可能部分归因于数据增强所促成的正则化效应——即通过增加训练数据的多样性，在不显式添加正则化约束的情况下，隐式地约束了模型的假设空间，使模型更倾向于学习具有泛化意义的稳健特征表达。

从实际应用与研究方法论的角度而言，数据增强的意义还体现在其对标注成本的有效节约上。在众多实际场景中，高质量的标注数据往往需要领域专家的深度参与，获取成本高昂且耗时费力。数据增强允许研究者在已有的 5,000 个标注样本基础上，通过计算手段将其扩展至 15,000 个有效训练实例，而无需额外的人工标注投入，这一特性使其在小样本学习场景、资源受限的医疗影像诊断、罕见病分类以及新兴领域的初期探索中具有重要的实用价值。此外，数据增强作为一种数据层面的干预策略，能够与模型架构优化、损失函数设计、训练策略调整等方法形成互补，为构建鲁棒性更强的机器学习系统提供了一条经济且高效的路径。

综上所述，本实验结果表明，数据增强可以通过增加训练样本的多样性来拓宽模型所接触的特征分布范围，通过隐式的正则化机制减少模型对原始训练数据中特定模式的过度依赖，从而在一定程度上提高模型的泛化性能。当然，需要指出的是，数据增强的效果在很大程度上取决于所采用变换策略的合理性——不恰当的增强方式可能引入非自然的样本偏移或语义失真，反而对模型性能产生不利影响。因此，如何针对具体任务设计最为合适的增强策略、以及增强强度与模型性能之间是否存在最优平衡点，仍有待进一步的系统性实验探索与理论分析加以验证。

我的观察： 这是跑得最远的一版。模型直接假定了图像增强方式，列出旋转、翻转、光照等操作，还进一步举到医疗影像、罕见病等场景。文字很多，但已经明显超出题目给的信息。

---

MiMo-V2.6-Flash

模型输出：

扩写结果

在样本获取受到客观条件约束而难以大规模获取真实标注数据的场景下，数据增强（Data Augmentation）作为一种有效的训练策略，近年来被广泛探讨其在提升模型性能方面的潜力与作用机制。为初步验证该策略在本任务中的可行性与效果，我们开展了一组对比实验：在训练数据规模由 5,000 个样本扩增至 15,000 个样本后，模型在测试集上的准确率由 81.4% 提升至 86.2%，AUC 由 0.85 提升至 0.90。从数值上看，两项核心评价指标均出现了较为明显的正向变化，这为数据增强在本任务中的有效性提供了一定的实证支持。究其原因，一方面，原始训练集所包含的样本数量相对有限，模型在优化过程中容易过度拟合到这些特定样本所呈现的特征模式之上，从而导致其在面对训练分布之外的样本时表现不稳定；而通过数据增强技术对原始样本进行合理的变换与扩充，可以在保持语义标签不变的前提下，人为地丰富训练样本在特征空间中的分布范围，使模型在训练过程中接触到更加多样化的输入形态，进而促使模型从更广泛的分布中学习到更具普遍性的判别性特征，而非局限于原始数据集所呈现的特定特征分布。另一方面，扩充后的训练样本在一定程度上缩小了训练集与真实数据分布之间的差异，有助于降低模型对原始训练数据的过度依赖，从而在一定程度上提高模型的泛化能力，使其在未见过的测试数据上仍能保持相对稳定且较好的分类表现。值得注意的是，本实验中所观察到的准确率由 81.4% 提升至 86.2%、AUC 由 0.85 提升至 0.90 的变化趋势，虽然在数值上呈现出积极信号，但在分析其背后的作用机制时仍需保持审慎态度：该提升究竟多大程度上源于数据增强所引入的样本多样性增益，抑或部分归因于训练规模扩大本身带来的优化效应，在本组实验中尚无法完全剥离。此外，数据增强的效果亦可能受到增强策略的选取方式、增强幅度的强弱、以及下游模型自身结构与容量等多重因素的共同影响。因此，上述结果可视为数据增强在本任务场景中具有潜在应用价值的初步证据，其更深层的作用机制、适用条件以及在不同增强策略下的效果差异，仍有待后续通过更系统、更细致的对照实验加以进一步考察与验证。

我的观察： 比 Pro 收敛一些，但仍自行写成“开展了一组对比实验”，并把增强解释为缩小训练集与真实分布差异。这些都不是题目明确给出的实验事实。

---

Kimi K3

模型输出：

数据增强作为一种无需额外人工标注即可扩充训练规模的常用策略，在缓解有限数据条件下的过拟合问题、提升模型泛化性能方面具有重要意义。本研究在训练数据由 5,000 个样本扩增至 15,000 个样本后，模型在测试集上的准确率由 81.4% 提升至 86.2%，AUC 由 0.85 提升至 0.90，两项指标呈现出一致的改善趋势。从作用机制来看，数据增强通过在保持样本语义标签不变的前提下对原始样本施加多样化变换，等效地扩大了训练集对潜在数据分布的覆盖范围，使模型在训练阶段能够接触到更为丰富的样本变化形式，进而减少模型对原始训练数据中特定模式与偶然噪声的过度依赖和记忆。与此同时，训练样本多样性的增加在客观上发挥了类似正则化的约束作用，有助于抑制模型在有限数据上的过拟合倾向，促使模型学习到更具代表性与鲁棒性的特征表示，从而在一定程度上提高模型的泛化能力。此外，AUC 与准确率的同步提升表明，模型性能的改善并不仅限于单一分类阈值下的判别表现，其整体的类别区分能力亦有所增强，这进一步支持了数据增强对模型泛化性能的积极作用。上述结果提示，在标注数据获取成本较高的实际应用场景中，合理设计的数据增强策略有望成为提升模型性能的可行途径；其价值不仅在于样本数量层面的扩充，更在于通过引入与任务先验相一致的变化形式，引导模型捕捉数据中更为本质的规律。需要说明的是，数据增强的实际效果可能受到增强方式与任务特性的匹配程度、原始数据规模以及模型容量等因素的影响，后续研究可结合消融实验进一步考察不同增强策略的相对贡献，以更审慎地界定其作用边界。

我的观察： 成文质量不错，但开头直接把数据增强定义为 **“无需额外人工标注”**的策略，又把它描述成类似正则化的机制。作为一般性解释可以理解，作为当前实验结论则要更谨慎。

---

MiniMax M3

模型输出：

数据增强对模型性能影响的分析

在机器学习模型的训练过程中，训练数据的规模与质量是影响模型性能的关键因素之一。本文通过数据增强技术将训练样本从 5,000 个扩展至 15,000 个，并在相同的测试集上对模型性能进行了评估。结果显示，经过数据增强后，模型在测试集上的准确率由 81.4% 提升至 86.2%，AUC 由 0.85 提升至 0.90，两项指标均呈现出一定程度的改善。

从理论上讲，数据增强的作用与意义主要体现在以下几个层面。首先，数据增强能够通过多种变换手段在已有数据的基础上生成具有差异性的新样本，从而有效扩充训练集的样本数量并提升训练数据的多样性，使数据分布能够覆盖更为广泛的潜在输入空间。其次，当训练数据相对有限时，模型容易对原始训练样本产生过度依赖，即倾向于记忆特定样本中的局部模式，而非学习其中可迁移的普遍规律。数据增强通过引入扰动与变化，能够促使模型减少对单一训练样本的拟合，转而关注更具鲁棒性与稳定性的特征表示。这一机制对于缓解过拟合问题具有积极意义。此外，规模更大、分布更为多样的训练数据通常有助于模型在面对未知样本时表现出更好的适应能力，因此数据增强在一定程度上可能有助于提高模型的泛化能力。

需要指出的是，上述观察基于本实验的具体设置，数据增强对模型性能的具体影响还受到增强策略、数据特征以及模型结构等多种因素的共同作用，其普遍性仍需在更多场景与条件下加以验证。

我的观察： 整体比较安全，主要问题反而是格式：题目要求一个完整段落，它输出成了多段论述。内容没有明显乱编具体实验数据，但还需要作者自己压回论文需要的篇幅。

---

任务二小结：写得多，不等于扩得好

原文只给了样本量、准确率和 AUC 的变化，以及对数据增强作用的简短解释。GLM-5.3 Flash 在这个基础上加了“无需新增人工标注”，MiMo-V2.6-Pro 又写到了旋转、翻转、医疗影像和罕见病。原文没说用了什么增强方法，更没说这是图像任务。这些内容读起来像论文，却需要作者逐条核实，不能因为写得顺就直接用。

这一题里，DeepSeek V4.1 Flash 和 Qwen3.8 Flash仍然是我认为最省心的两版：都能把原文扩成完整段落，又比较注意使用“可能”“一定程度上”这类限定词。Qwen3.8 Max 的整体写作质量也不错，只是“正负样本”默认了任务类型。MiMo-V2.6-Pro 则属于典型的“写得很丰富，但发挥过头”。

---

最后结论：这次谁最适合写中文论文？

如果只看 2026 年 9 月 23 日这两道真实论文任务的一次输出，我会把 DeepSeek V4.1 Flash 和 Qwen3.8 Flash放在最值得优先尝试的一档。两者共同的优点不是“词更高级”，反而是知道什么时候不要多写：数字保得住，中文自然，扩写时也比较少把推测包装成事实。

Qwen3.8 Max 也很稳，尤其是润色任务；GLM-5.3 的正文能力不错，但经常连“修改说明”一起输出，需要二次清理。Kimi K3、MiniMax M3 不是写不出来，而是更容易加入额外解释。MiMo 两款在这组测试里最需要人工把关，尤其是扩写时很容易从原文一路延伸到题目根本没有给出的场景。

不过，我觉得这次测试真正有价值的地方不是给十个模型排一个永久名次，而是提醒一件事：论文写作里的好模型，不只是会把句子写得“像论文”，更重要的是守住原文和证据的边界。 一个模型如果每句话都很漂亮，却总在偷偷增加“显著”“鲁棒性”“无需标注”“真实场景”等判断，那它反而会给后续审稿埋坑。

如果你只是偶尔改一两段，直接把原文丢给模型当然就够了；如果你是长期写论文、反复润色和扩写，可以用 InkFount 把这些操作放进同一个论文写作流程里：直接调用大模型处理正文，同时使用内置的期刊、会议模板管理格式，减少在“复制粘贴”和“调格式”之间来回切换。

最后还是那句话：AI 可以负责改写，但实验事实、数字和最终结论一定要由作者自己确认。