免费大模型写长文，最长的比最短的多 8 倍
让免费模型写长一点的东西，要么断在半句话上，要么草草收尾。我一直以为是 max_tokens 没给够，这次同一道题、同样 8000 token 预算测了 8 个模型：Mistral 写到 13785 字还被截断，GLM-4-Flash 只写 1598 字就自己停了，差 8.6 倍。还测出两件反直觉的事：Groq 和 Cerebras 跑同一个模型却差 2.3 倍，以及思考模型先把四成预算吃掉。
让免费大模型写长一点的东西，你大概率遇到过两种情况：要么写着写着断在半句话上，要么它草草收尾，明明让它写六段，它写了三段就说「以上就是全部内容」。
我一直以为这是 max_tokens 没给够。这次真测下来，发现不全是。
测法很简单：同一道题，同样的参数，让八个免费模型各写一遍。
题目是「写一篇挑选笔记本电脑的完整指南，分成 6 个部分，每部分至少 300 字，一次性写完不要省略」。按要求，合格答案至少 1800 字。max_tokens 统一给到 8000，也就是预算管够，谁写多写少全看它自己。
结果差了 8.6 倍。
从一万三到一千六
| 模型 | 正文字数 | 耗时 | 怎么结束的 |
|---|---|---|---|
| Mistral Large | 13785 | 125 秒 | 预算用完被截断 |
| Groq oss-120b | 10927 | 14 秒 | 自然收尾 |
| 智谱 GLM-Z1-Flash | 5955 | 50 秒 | 自然收尾 |
| Cerebras oss-120b | 4792 | 3 秒 | 自然收尾 |
| Kimi k2.6 | 4213 | 93 秒 | 自然收尾 |
| 智谱 GLM-4.7-Flash | 3567 | 130 秒 | 自然收尾 |
| NVIDIA Nemotron | 3307 | 211 秒 | 自然收尾 |
| 智谱 GLM-4-Flash | 1598 | 46 秒 | 自然收尾 |
最长的 Mistral 写到 13785 字还没写完，是被 8000 token 的预算掐断的。最短的 GLM-4-Flash 写了 1598 字，然后自己停了。
注意这两者的区别，这是这次测试里最要紧的一点。
Mistral 是「还想写，但预算没了」，finish_reason 返回 length。这种情况你把 max_tokens 调大就能解决。
GLM-4-Flash 是「它觉得写完了」，finish_reason 返回 stop，只用掉了 846 个 token，预算还剩八千多。你把 max_tokens 调到十万也没用，它就是不写了。
而任务要求的是六个部分、每部分至少 300 字，也就是至少 1800 字。它交了 1598 字。没达标，但它认为自己完成了。
所以「输出太短」这件事有两种完全不同的病因，对应的解法也完全不同：
被截断，看 finish_reason 是不是 length，是就加预算。
自己收尾，finish_reason 是 stop，加预算没用，只能换模型，或者把任务拆成几次调用。
在我之前那篇文章里，我把空返回归因于 max_tokens 被思考吃光，那是对的。但这次要补一句：即使预算充足，模型也可能写不够，那是另一回事。
同一个模型，换个平台差 2.3 倍
这是我完全没料到的。
表里 Groq 和 Cerebras 跑的是同一个模型，gpt-oss-120b，同一个开源权重。但输出长度是 10927 对 4792，差了 2.3 倍。
耗时也差得离谱：Cerebras 3 秒，Groq 14 秒。不过 Groq 多写了一倍多的内容，摊到每个字上其实两边都很快。
同样的权重、同样的题目、同样的 max_tokens，结果差这么多，只能是平台侧的差异：默认的采样参数、系统提示词、推理配置，这些各家都可以自己设，而且通常不写在文档里。
这条的实际意义是：「我用的是 XX 模型」这句话在免费 API 的世界里信息量很有限。同一个模型名，在不同平台上是不同的东西。你在某个平台上测出来的表现，换一家可能完全不成立。
思考模型的预算，先被自己吃掉一半
带思考的那两个模型，账要分开算。
智谱 GLM-4.7-Flash：正文 3567 字，但在此之前它先思考了 2667 字。两部分加起来才是它真正消耗的输出预算，思考占了 43%。
Kimi k2.6：正文 4213 字，思考 1576 字，思考占 27%。
这意味着什么？如果你给 GLM-4.7-Flash 设 max_tokens 为 2000，它光思考就能用掉将近一半，剩下的写不了几段。你以为自己给了 2000 的写作预算，实际到手的只有一千出头。
这也解释了为什么思考模型在长文任务上普遍吃亏：预算被切走一块，还没开始写就少了。
顺带说，这两个模型的思考过程放在不同字段里。GLM-4.7-Flash 放在 reasoning_content，content 里是干净的正文；而智谱另一个推理模型 GLM-Z1-Flash 是把思考混在 content 里用 <think> 标签包着，得自己切掉。同一家的两个模型，返回结构都不一样。
长输出更容易撞限流
还有个细节值得记。
Groq 这一轮我调了三次才成功，前两次都返回 rate_limit_exceeded。而在我之前那次测试里，Groq 发短问题的时候并发五个都没被限。
区别就在输出长度。它的限流是按 token 算的，一次七千 token 的长输出，等于几十次短问答。你按「每分钟能发几次请求」去估算额度，遇到长文任务会算错得离谱。
所以做长文批量任务的时候，重试逻辑比短任务更重要，退避时间也得给够。
那到底该怎么挑
按这次的数据，我的分法是这样。
要写长文，选 Mistral 或 Groq。一个能写到一万三还没停，一个一万出头自然收尾。代价是慢，Mistral 用了 125 秒。
要又快又能写，Cerebras 是唯一解。3 秒出 4792 字，这个组合表里没有第二个。日常写个千字文档，它最划算。
GLM-4-Flash 别用来写长文。这话我说得有点别扭，因为在我上一篇里它是成功率最高的兜底模型（两万五千次调用 98.2%）。它确实稳，但稳和能写长是两回事。它适合做高频短任务的保险丝，不适合让它一口气写一篇东西。
NVIDIA Nemotron 只能离线跑。211 秒，任何有人在前面等的场景都不能用。
用思考模型写长文，max_tokens 至少翻倍。按 43% 的思考占比算，你想要三千字正文，预算就得按六千字给。
这次测试的边界
只测了一道题，一次调用。模型输出长度本身有随机性，同一道题再跑一遍数字会有出入，尤其是「自己收尾」那一档，波动会比「被截断」那一档大。
题目类型也会影响结果。这是一道结构明确的说明文，如果换成开放式写作或者代码生成，排序很可能不一样。
火山的 GLM-5.2 这次没测到，它的账户欠费停服了。这事本身也算个提醒：免费模型的可用性随时会变，上一篇里它还在存活名单上。
最后，所有数字都是 2026 年 8 月 13 日测的。各家平台的默认参数改起来毫无声响，这张表的保质期同样以周计。真要用，自己拿你的真实任务跑一遍最准。