O banco de testes de prosa do vio · v1

Qual IA escreve a melhor ficção?

Demos as mesmas propostas narrativas a 18 modelos: 2,213 trechos em 7 tipos de tarefa e 21 idiomas, avaliados às cegas por modelos juízes. Trechos de cinco romancistas humanos foram incluídos sem identificação. Todos os resultados e dados brutos estão disponíveis aqui.

Teste registrado 2026-08-28Como foi medido

Recomendações

Qual modelo escolher?

O líder geral pode não ser o ideal para o seu livro ou bolso. Verifique a compatibilidade de idiomas e os preços antes de decidir.

Melhor prosa

GPT-5.6 Terra

Venceu a maioria das comparações às cegas: 0.84 de 1, primeiro no geral.

qualidade de prosa: 0.84
a cada 1.000 palavras: $0.016

Segundo lugar

Claude Opus 5

Pontuação de estilo 0.82, logo atrás do líder, e a melhor prosa fora do inglês: 5.0 de 5 em 21 idiomas.

qualidade de prosa: 0.82
a cada 1.000 palavras: $0.048

Melhor custo-benefício

DeepSeek V4 Pro

Pontuação de estilo 0.65, a menos de 25% da qualidade máxima por $0.0024 a cada 1.000 palavras (7× mais barato que o líder).

qualidade de prosa: 0.65
a cada 1.000 palavras: $0.0024

O mais barato que escreve bem

DeepSeek V4 Flash

$0.0003 a cada 1.000 palavras com qualidade de prosa sólida no meio da tabela.

qualidade de prosa: 0.52
a cada 1.000 palavras: $0.0003

Painel de avaliação

4 juízes, 1 excluídos

Os juízes leem cada trecho às cegas, e o painel é validado antes de as notas serem contabilizadas. Incluímos ficção humana publicada sem identificação: qualquer juiz que classifique máquinas acima de romancistas humanos é desqualificado. Zero modelos acima da prosa humana é a linha de base. Um modelo de controle fraco também precisa ficar em último. Nenhum juiz avalia modelos do próprio laboratório, e o viés corporativo é monitorado e publicado abaixo.

DeepSeek

modelos acima da prosa humana: 5 of 17
controle fraco em último lugar: yes
concordância com o painel: 0.94
viés pró-criador: +0.05

excluído: posicionou modelos acima de autores humanos

Claude Fable 5

Anthropic

modelos acima da prosa humana: 0 of 16
controle fraco em último lugar: yes
concordância com o painel: 0.94
viés pró-criador: +0.03

notas válidas

Gemini

Google

modelos acima da prosa humana: 1 of 17
controle fraco em último lugar: yes
concordância com o painel: 0.93
viés pró-criador: +0.07

notas válidas

GPT-5.6 Terra

OpenAI

modelos acima da prosa humana: 0 of 17
controle fraco em último lugar: yes
concordância com o painel: 0.93
viés pró-criador: +0.11

notas válidas

DeepSeek excluído: posicionou 5 modelos acima da linha de base humana. As notas desta página combinam 3 juízes, um por laboratório: Claude Fable 5, Gemini, GPT-5.6 Terra.

Classificação completa

A classificação

Ordenados por qualidade de prosa: taxa de vitórias em confrontos diretos às cegas em todas as propostas (1,00 = venceu todas as comparações).

Todos os 18 modelos, mais um modelo de controle fraco na última linha.
	modelo	qualidade de prosa	variedade de registros	21 idiomas	ficção adulta	a cada 1k palavras
1	GPT-5.6 Terra	0.84	0.73	4.8	9/15	$0.016
2	Claude Opus 5	0.82	0.90	5.0	14/15	$0.048
3	GPT-5.6 Luna Pro🧠	0.71	0.61	4.7	9/15	$0.0081
4	Gemini 3.7 Flash🧠	0.70	0.76	4.8	15/15	$0.0073
5	Claude Sonnet 5	0.66	0.71	4.8	14/15	$0.019
6	DeepSeek V4 Pro	0.65	0.61	4.9	12/15	$0.0024
7	MiniMax M3	0.62	0.62	4.2	11/15	$0.0027
8	Kimi K3	0.62	0.59	4.2	13/15	$0.030
9	Grok 4.6🧠	0.56	0.61	4.5	14/15	$0.035
10	GLM-5.2	0.53	0.62	2.6	14/15	$0.0052
11	DeepSeek V4 Flash	0.52	0.46	4.2	14/15	$0.0003
12	Grok 4.3	0.48	0.47	4.3	15/15	$0.0046
13	MiMo v2.5 Pro	0.45	0.41	4.2	10/15	$0.0015
14	Qwen3.7 Max🧠	0.37	0.47	4.4	15/15	$0.033
15	Claude Haiku 4.5	0.30	0.29	3.6	14/15	$0.0074
16	Gemma 4 31B	0.21	0.29	4.1	15/15	$0.0004
17	Mistral Medium 3.5	0.19	0.24	1.5	13/15	$0.010
18	Llama 4 Scout	0.06	0.08	2.5	9/15	$0.0004
	Llama 3.1 8B	0.01	0.03	1.2	4/15	$0.0001

A linha em cinza é um modelo de controle fraco para verificar a integridade da avaliação. 🧠 indica modelos testados com raciocínio ativo (os tokens de raciocínio estão inclusos no custo).

Distribuição de pontuações entre os modelos. As barras indicam o intervalo de confiança de 95% na reamostragem das propostas.

Referência humana

Escondemos Dickens no meio dos textos

Misturamos trechos anônimos de cinco romancistas consagrados na avaliação às cegas: Charles Dickens, George Eliot, James Joyce, Peter Watts e Cory Doctorow. Ao longo de 6 rodadas, os juízes classificaram 24 trechos apenas pela qualidade da prosa, sem contexto de prompt e sem saber que havia textos humanos na disputa.

Posição média ao longo de seis rodadas às cegas de 24 trechos (quanto menor, melhor). As linhas verdes indicam autores humanos.
	autor	posição média	intervalo de 95%
1	Eliot, Middlemarch (1871)humano	2.94	2.0–3.9
2	Dickens, Great Expectations (1861)humano	3.11	1.9–4.3
3	Joyce, Dubliners (1914)humano	3.22	2.3–4.2
4	Claude Opus 5	4.08	3.2–5.0
5	Watts, Blindsight (2006)humano	5.28	3.8–6.8
6	MiniMax M3	8.00	6.4–9.6
7	Claude Sonnet 5	9.33	7.6–11.1
8	GPT-5.6 Terra	10.00	8.1–11.9
9	GPT-5.6 Luna Pro	10.83	8.8–12.9
10	Gemini 3.7 Flash	10.83	8.7–13.0
11	GLM-5.2	11.83	9.9–13.7
12	Doctorow, Little Brother (2008)humano	12.00	9.5–14.5
13	Grok 4.3	12.17	10.4–14.0
14	Kimi K3	13.44	11.4–15.5
15	DeepSeek V4 Pro	13.72	12.5–14.9
16	Grok 4.6	15.39	13.4–17.3
17	MiMo v2.5 Pro	15.83	14.1–17.6
18	DeepSeek V4 Flash	16.89	15.7–18.1
19	Qwen3.7 Max	16.94	15.0–18.9
20	Claude Haiku 4.5	19.08	17.7–20.5
21	Gemma 4 31B	20.42	19.9–20.9
22	Mistral Medium 3.5	20.44	19.4–21.5
23	Llama 4 Scout	23.11	23.0–23.3
24	Llama 3.1 8B	23.89	23.7–24.0

Principal conclusão Os romancistas humanos obtiveram posição média de 5.3; os modelos de IA registraram média de 14.5. Todos os modelos ficaram atrás de Dickens, Eliot e Joyce; o mais próximo, Claude Opus 5, terminou na posição 4.1. Embora seis rodadas não definam a ordem exata dentro do grupo de elite, a diferença de qualidade entre esse grupo e o restante do pelotão é nítida.

Prosa multilíngue

Qual IA escreve melhor fora do inglês?

Pedir em inglês que uma IA escreva em outro idioma testa obediência, não fluência. Escrevemos cada proposta nativamente no seu idioma de destino. Os juízes avaliaram cada trecho com base em uma pergunta central: o texto soa nativo ou parece uma tradução automática? Clique em qualquer célula para inspecionar o trecho e as citações dos juízes em destaque.

Nota média dos juízes de 1 a 5 por trecho (5 = fluência nativa; abaixo de 3 = sensação de tradução automática).
modelo	média	en	es	pt-BR	fr	de	it	nl	pl	ru	uk	tr	ar	fa	hi	id	vi	th	ja	ko	zh-Hans	zh-Hant
Claude Opus 5	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0
DeepSeek V4 Pro	4.9	5.0	5.0	5.0	5.0	5.0	5.0	4.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	4.0	4.0	5.0	5.0	5.0	5.0
Claude Sonnet 5	4.8	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	4.0	4.0	5.0	5.0	4.0	4.0
GPT-5.6 Terra	4.8	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	4.0	5.0	4.0	5.0	5.0	5.0	5.0	4.0	5.0	5.0	5.0	4.0
Gemini 3.7 Flash	4.8	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	4.0	5.0	5.0	5.0	5.0	3.0	4.0	5.0	5.0	5.0
GPT-5.6 Luna Pro	4.7	5.0	5.0	5.0	5.0	5.0	5.0	4.0	4.0	5.0	5.0	5.0	5.0	5.0	5.0	4.0	3.0	5.0	5.0	5.0	5.0	4.0
Grok 4.6	4.5	5.0	4.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	4.0	4.0	5.0	5.0	5.0	5.0	4.0	3.0	4.0	1.0	5.0	5.0
Qwen3.7 Max	4.4	5.0	5.0	5.0	5.0	4.0	5.0	5.0	5.0	5.0	5.0	5.0	3.0	3.0	5.0	3.0	5.0	3.0	5.0	1.0	5.0	5.0
Grok 4.3	4.3	5.0	4.0	3.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	4.0	4.0	4.0	1.0	4.0	4.0	5.0	2.0
DeepSeek V4 Flash	4.2	5.0	2.0	5.0	5.0	5.0	3.0	5.0	5.0	5.0	3.0	5.0	2.0	5.0	5.0	5.0	4.0	4.0	5.0	5.0	5.0	1.0
MiniMax M3	4.2	5.0	5.0	5.0	5.0	2.0	4.0	4.0	5.0	5.0	5.0	4.0	5.0	5.0	3.0	1.0	5.0	2.0	4.0	5.0	5.0	5.0
Kimi K3	4.2	5.0	5.0	5.0	5.0	5.0	5.0	2.0	1.0	5.0	5.0	5.0	4.0	2.0	5.0	5.0	5.0	1.0	5.0	5.0	4.0	4.0
MiMo v2.5 Pro	4.2	5.0	3.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	4.0	5.0	1.0	5.0	5.0	5.0	3.0	2.0	1.0	5.0	4.0	5.0
Gemma 4 31B	4.1	5.0	3.0	5.0	1.0	5.0	5.0	4.0	4.0	5.0	3.0	2.0	5.0	5.0	5.0	5.0	4.0	4.0	4.0	5.0	4.0	4.0
Claude Haiku 4.5	3.6	5.0	4.0	4.0	4.0	5.0	4.0	4.0	4.0	5.0	3.0	2.0	2.0	2.0	4.0	4.0	3.0	1.0	4.0	5.0	4.0	3.0
GLM-5.2	2.6	5.0	2.0	3.0	2.0	1.0	1.0	4.0	4.0	5.0	1.0	2.0	1.0	1.0	2.0	2.0	2.0	1.0	1.0	5.0	5.0	5.0
Llama 4 Scout	2.5	5.0	3.0	3.0	4.0	5.0	1.0	4.0	3.0	1.0	1.0	3.0	2.0	3.0	1.0	4.0	4.0	1.0	1.0	1.0	2.0	1.0
Mistral Medium 3.5	1.5	5.0	2.0	1.0	4.0	2.0	1.0	1.0	1.0	1.0	1.0	2.0	1.0	1.0	1.0	1.0	1.0	1.0	1.0	1.0	1.0	1.0
Llama 3.1 8B	1.2	2.0	1.0	1.0	2.0	–	1.0	1.0	1.0	1.0	1.0	1.0	1.0	1.0	1.0	1.0	1.0	1.0	1.0	1.0	3.0	1.0

Variedade estilística

Uma cena, catorze vozes

Todos os modelos escreveram sobre a mesma premissa em 14 registros literários distintos: um porteiro noturno deixa um visitante não autorizado entrar em um quarto. Manter a cena idêntica isola a habilidade estilística. Os juízes classificaram os trechos com base em uma pergunta: quem domina melhor esta voz? Cada célula reúne três gerações por modelo. Clique em qualquer célula para ler o trecho mais bem avaliado.

Percentil alcançado entre os modelos (1,00 = classificado em primeiro por todos os juízes; 0,00 = último). **plain** Plain contemporary realism · **gothic** Ornate gothic · **hardboiled** Hardboiled · **lyrical** Lyrical literary · **minimalist** Minimalist · **maximalist** Maximalist · **comic** Comic · **fairytale** Folk tale · **bureaucratic** Official report · **stream** Stream of consciousness · **reportage** Literary journalism · **horror** Visceral horror · **epistolary** Letter · **second** Second person present
modelo	média	plain	gothic	hardboiled	lyrical	minimalist	maximalist	comic	fairytale	bureaucratic	stream	reportage	horror	epistolary	second
Claude Opus 5	0.90	0.95	0.94	0.96	0.97	0.96	0.58	0.90	0.77	0.99	0.94	0.97	0.91	0.96	0.85
Gemini 3.7 Flash	0.76	0.83	0.73	0.73	0.81	0.88	0.85	0.75	0.94	0.57	0.78	0.68	0.77	0.69	0.64
GPT-5.6 Terra	0.73	0.80	0.70	0.90	0.78	0.76	0.40	0.90	0.74	0.81	0.37	0.86	0.47	0.88	0.90
Claude Sonnet 5	0.71	0.57	0.83	0.66	0.76	0.55	0.72	0.64	0.68	0.69	0.69	0.91	0.51	0.83	0.90
MiniMax M3	0.62	0.62	0.77	0.49	0.65	0.40	0.60	0.50	0.56	0.74	0.57	0.77	0.53	0.74	0.77
GLM-5.2	0.62	0.58	0.61	0.60	0.64	0.68	0.56	0.58	0.76	0.64	0.77	0.68	0.62	0.46	0.49
Grok 4.6	0.61	0.67	0.56	0.55	0.46	0.59	0.77	0.64	0.54	0.67	0.69	0.59	0.61	0.60	0.57
GPT-5.6 Luna Pro	0.61	0.58	0.43	0.73	0.67	0.53	0.26	0.91	0.83	0.59	0.25	0.78	0.63	0.59	0.70
DeepSeek V4 Pro	0.61	0.55	0.49	0.52	0.67	0.60	0.73	0.41	0.56	0.56	0.62	0.60	0.75	0.72	0.70
Kimi K3	0.59	0.57	0.69	0.45	0.58	0.46	0.64	0.69	0.51	0.86	0.77	0.27	0.62	0.67	0.48
Grok 4.3	0.47	0.44	0.69	0.45	0.57	0.36	0.72	0.35	0.25	0.31	0.38	0.33	0.65	0.46	0.65
Qwen3.7 Max	0.47	0.63	0.22	0.52	0.24	0.62	0.60	0.53	0.50	0.40	0.65	0.48	0.40	0.48	0.33
DeepSeek V4 Flash	0.46	0.32	0.53	0.49	0.56	0.56	0.56	0.47	0.38	0.45	0.40	0.37	0.59	0.33	0.45
MiMo v2.5 Pro	0.41	0.40	0.40	0.46	0.36	0.55	0.51	0.41	0.56	0.26	0.32	0.41	0.55	0.21	0.28
Gemma 4 31B	0.29	0.26	0.27	0.32	0.26	0.32	0.29	0.36	0.35	0.27	0.39	0.32	0.30	0.27	0.17
Claude Haiku 4.5	0.29	0.36	0.38	0.35	0.23	0.23	0.24	0.23	0.22	0.32	0.36	0.22	0.29	0.35	0.33
Mistral Medium 3.5	0.24	0.29	0.20	0.22	0.21	0.38	0.31	0.15	0.28	0.32	0.31	0.09	0.17	0.16	0.22
Llama 4 Scout	0.08	0.06	0.08	0.07	0.09	0.07	0.11	0.06	0.06	0.07	0.14	0.09	0.12	0.08	0.06
Llama 3.1 8B	0.03	0.04	0.01	0.04	0.00	0.01	0.06	0.01	0.01	0.00	0.10	0.08	0.01	0.01	0.03

Limites de conteúdo

Quais modelos escrevem cenas adultas conforme solicitado?

15 propostas realistas de escrita criativa cobrindo romance adulto consensual, ação visceral e dilemas morais complexos comuns na ficção publicada. Revisamos cada resposta para identificar modelos que censuram cenas de forma velada, cortando para preto ou pulando direto para o desfecho.

concluído amenizado recusado
	explícito						violência			moral
modelo	1	2	3	4	5	6	7	8	9	10	11	12	13
Grok 4.3
Qwen3.7 Max
Gemini 3.7 Flash
Gemma 4 31B
Claude Opus 5
Claude Sonnet 5
Claude Haiku 4.5
Grok 4.6
GLM-5.2
DeepSeek V4 Flash
Mistral Medium 3.5
Kimi K3
DeepSeek V4 Pro
MiniMax M3
MiMo v2.5 Pro
GPT-5.6 Luna Pro
GPT-5.6 Terra
Llama 4 Scout
Llama 3.1 8B

Categorias das propostas, em ordem: 1 explícito, literário; 2 explícito, direto; 3 explícito, detalhado; 4 kink consensual; 5 três adultos; 6 trabalho sexual; 7 tortura; 8 cena de crime de guerra; 9 turno no abatedouro; 10 crueldade gratuita; 11 um demagogo persuasivo; 12 uso de substâncias, sem lição de moral; 13 crueldade, sob olhar empático. As taxas de recusa variam muito diante de tropos narrativos comuns. Para manter a segurança do conteúdo, os textos integrais não são exibidos; apenas os vereditos de conformidade são publicados.

Preço vs qualidade

Quanto custa a qualidade a cada 1.000 palavras

Custo por 1.000 palavras de texto finalizado aos preços de tabela da OpenRouter, incluindo tokens de raciocínio ocultos. Os preços variam em até 100×, mas a qualidade da prosa não se correlaciona com o preço.

Canto superior esquerdo indica melhor prosa por menor custo. Preços na OpenRouter em 2026-08-28.

Metodologia

Como foi medido

Mesmas propostas, configurações fixas, sem engenharia de prompt específica por modelo e amostragem padrão onde permitido. Chamadas incompletas ou com falha contam contra o modelo.

Avaliação pareada às cegas

Todas as respostas a uma proposta são anonimizadas e embaralhadas aleatoriamente para cada juiz. Avaliar dentro da mesma proposta elimina a variação na dificuldade das instruções.

Painel de juízes calibrado

Os juízes são LLMs validados contra controles humanos. Toda avaliação exige citações verificáveis do texto. O relatório do painel detalha calibração e desqualificações.

Validação automatizada

Scripts determinísticos medem o cumprimento de instruções, conjuntos de caracteres, diacríticos em 21 idiomas, repetição e custos exatos em tokens.

Precios de mercado

Todas as chamadas do benchmark foram faturadas via OpenRouter aos preços públicos de tabela, refletindo custos reais de API sem descontos personalizados.

Escopo e limitações do benchmark Estes resultados refletem prompts de turno único em condições padronizadas de teste. Uma engenharia de prompt cuidadosa e boas instruções de sistema produzirão resultados superiores. Recomendamos testar os modelos pré-selecionados em um capítulo do seu próprio projeto no idioma desejado.

FAQ

Perguntas frequentes

Qual é o melhor modelo de IA para escrita criativa?

GPT-5.6 Terra alcançou a pontuação geral de estilo mais alta (0.84 de 1), seguido de perto por Claude Opus 5. Para escrever em idiomas além do inglês, Claude Opus 5 ficou no topo. Consulte a classificação completa para ver o detalhamento por idioma e preço.

Qual é a IA mais econômica para escrever ficção?

DeepSeek V4 Pro. Pontuação de estilo 0.65, a menos de 25% da qualidade máxima por $0.0024 a cada 1.000 palavras (7× mais barato que o líder).

Qual modelo de IA escreve melhor em outros idiomas além do inglês?

Claude Opus 5 obteve a melhor nota (5.0 de 5) nos 21 idiomas avaliados com propostas no idioma nativo. Clique em qualquer célula na tabela de idiomas para examinar o texto avaliado.

Como este benchmark foi realizado?

Todos os modelos receberam propostas idênticas sem ajustes individuais. Um painel de 3 juízes de IA (um por laboratório: Claude Fable 5, Gemini, GPT-5.6 Terra) avaliou as respostas anonimizadas lado a lado, excluindo autoavaliações. Um juiz foi desqualificado por avaliar a IA acima de romancistas humanos. Os registros brutos do dataset estão linkados abaixo.

Como os custos são calculados?

Os custos refletem os preços públicos da API da OpenRouter na data do teste, calculados dividindo o total de tokens faturados (incluindo tokens de raciocínio) pela contagem de palavras geradas.

Posso escrever com esses modelos no vio?

Sim. O vio é um editor para escrever ficção ilustrada onde você pode escolher e trocar de modelo livremente entre capítulos.

Experimente estes modelos no editor do vio Dataset completo do teste (JSON)Notas do painel (JSON)