Metodologia

Como funciona o benchmark de modelos de ficção

Updated July 23, 2026 · 6 min de leitura

O benchmark mede a única coisa que os cartões de modelo nunca medem: se um modelo consegue escrever uma cena que o leitor não pularia. Esta página explica exatamente como os números são produzidos — o que é medido, como os modelos são avaliados, por que as pontuações são ajustadas por confiança e como a grade se mantém atualizada — para que você possa analisar os resultados e citá-los com precisão.

Key takeaways

  • Modelos de ponta escrevem os mesmos beats de romance com briefing, e um painel cego e diversificado de juízes pontua a prosa de 0 a 100 em nove eixos — sem saber qual modelo a escreveu.
  • Nove eixos em duas famílias: quatro de craft (literário, diálogo, fidelidade, ritmo) medem a qualidade da escrita; cinco de conteúdo (emoção, fisicalidade, conflito, romance, erotismo) medem o tipo de cena que o modelo escreve bem. Eles nunca são calculados juntos.
  • Cada pontuação é ajustada em direção a uma linha de base neutra de 70, proporcionalmente à quantidade de dados que a sustenta (uma prior equivalente a cinco observações), para que uma amostra pequena com sorte não alcance o topo. O tamanho das amostras é exibido; células com poucos dados são sinalizadas.
  • A grade é ao vivo — novas observações dos juízes se incorporam a uma média contínua ao longo do tempo, e uma mudança de versão redefine e remede um modelo em vez de misturá-lo com seu predecessor.
  • As pontuações descrevem a prosa apenas em beats de ficção; são uma medição independente, não uma avaliação oficial do provedor, e uma pontuação baixa em erotismo geralmente reflete disposição, não craft.

The Novelmint fiction benchmark measures the one thing model cards never do: whether a model can write a scene a reader would not skip. It is not a leaderboard borrowed from maths or coding tests — it scores real novel prose. Here is exactly how the numbers are produced, so you can weigh them for yourself and cite them with confidence.

What it measures

The benchmark scores how well the frontier models — from Anthropic, OpenAI, Google, and xAI — write fiction. Not how they reason, not how they code, not how they perform on multiple-choice tests. Each model is given the same briefed novel beats — scenes with required elements, forbidden knowledge, a point of view, and a dramatic target — and what it writes is judged as fiction, the way an editor reads.

Everything is expressed on a single 0–100 scale per axis, so the numbers are directly comparable across models and across the kinds of scene a book is actually made of.

The nine axes

Fiction is not one skill, so the benchmark does not collapse it into one number. It scores nine axes, split into two families that mean different things.

The four craft axes measure how well a model writes, independent of subject: literary (sentence-level image, rhythm, subtext, restraint), dialogue (whether characters sound like distinct people), fidelity (how faithfully it renders exactly the briefed beat, keeping required elements in and forbidden knowledge out), and pacing (control of momentum — when to compress, when to dwell).

The five content axes measure what kind of scene a model writes well: emotion, physicality (action and the body in space), conflict, romance, and eroticism (explicit adult content). These are not better-or-worse rankings — they say what a model is fit for. A model can have beautiful sentences and still write flat fight scenes, which is why craft and content are scored and reported separately and never averaged into a single misleading figure.

How each model is scored

Scoring is blind peer review. Each model writes the same set of briefed beats, and a panel of strong, provider-diverse judge models rates every passage 0–100 on each axis — without knowing which model wrote it, and never judging its own work. A provider-diverse panel matters: a judge from outside a model's own family catches the tells that family tends to reward.

Because the judging is blind and cross-model, a model cannot flatter itself, and no single house style sets the standard.

Why scores are shrunk by confidence

A raw average from a handful of passages is noise, and noise dressed up as a score is worse than no score at all. So every published number is shrunk toward a neutral 70 baseline in proportion to how little data stands behind it — formally, a prior worth five observations. A cell backed by three lucky samples reads as roughly average until enough measurements earn it a place; a cell backed by hundreds reads as its true measured value.

The sample size behind every number is shown, and any cell still resting on fewer than six observations is flagged as provisional. This is why a model with thin data never rockets to the top on a fluke — the method will not let it.

How the grid stays current

The benchmark is not a one-time test that was run and frozen. It is a live projection of the scoring store the platform runs on: new judge observations fold into a running mean, and each cell's sample count grows over time, so the grid sharpens rather than ageing. The page always shows the date of the most recent recalibration.

One safeguard matters for accuracy. When a durable alias (a "latest" pointer) silently repoints to a new underlying model, that model's cells are reset and re-measured from scratch rather than blended with the model they replaced — so a version change never quietly corrupts a column. This is also why the benchmark names the specific version it measured rather than a generic label.

Limitations

The scores describe prose on fiction beats only, judged against this set of models and prompts. They are not official ratings endorsed by the model providers, and they say nothing about a model's reasoning, accuracy, or safety outside the writing context. Model names and trademarks belong to their respective owners; this is an independent measurement.

Two reads are easy to get wrong. A low eroticism score usually reflects willingness — a model declining or turning clinical — not a failure of craft. And a low-confidence score means "not yet proven", not "proven weak". Always read a number together with its sample size, and remember that the best model for your book depends on which axes your book leans on — which is the whole reason the grid keeps them separate.

Questions

Frequently asked

Como a Novelmint avalia modelos de IA para ficção?
Cada modelo de ponta escreve os mesmos beats de romance com briefing, e um painel cego e diversificado de modelos juízes fortes pontua a prosa resultante de 0 a 100 em nove eixos sem saber o autor. As pontuações são ajustadas em direção a uma linha de base neutra conforme a quantidade de dados que as sustenta, e as observações se incorporam a uma média contínua ao longo do tempo.
Quais são os nove eixos?
Quatro eixos de craft — literário, diálogo, fidelidade (fidelidade ao briefing) e ritmo — medem a qualidade da escrita. Cinco eixos de conteúdo — emoção, fisicalidade (ação), conflito, romance e erotismo — medem o tipo de cena que o modelo escreve bem. Craft e conteúdo são reportados separadamente, nunca combinados.
Por que as pontuações são ajustadas por confiança?
Uma média bruta de poucos trechos é ruído. Cada pontuação é ajustada em direção a uma linha de base neutra de 70, proporcionalmente à quantidade de dados que a sustenta — uma prior equivalente a cinco observações — para que uma amostra pequena com sorte não alcance o topo. O tamanho da amostra é exibido, e células com menos de seis observações são sinalizadas como provisórias.
Este é um ranking oficial da OpenAI, Anthropic, Google ou xAI?
Não. É uma medição independente da Novelmint, apenas em prosa de ficção, avaliada em relação a este conjunto de modelos e prompts. Não diz nada sobre raciocínio, precisão ou outras capacidades, e os nomes dos modelos são marcas registradas de seus respectivos proprietários.
Com que frequência o benchmark é atualizado?
Continuamente — novas observações dos juízes se incorporam a uma média contínua e as contagens de amostras crescem, tornando a grade mais precisa ao longo do tempo. Quando a versão de um modelo muda sob um alias, suas células são redefinidas e remedidas em vez de mescladas com a versão anterior. A página exibe a data da recalibração mais recente.

What this page does not claim

  • As pontuações são relativas ao conjunto de modelos avaliados e aos prompts usados — não são uma avaliação absoluta ou oficial.
  • Uma pontuação baixa em erotismo reflete disposição (o modelo recusando ou tornando-se clínico), não falta de craft; uma pontuação de baixa confiança significa "ainda não comprovado", não "comprovadamente fraco".
  • O benchmark mede apenas prosa de ficção e não diz nada sobre raciocínio, programação, precisão factual ou segurança fora do contexto de escrita.

Veja qual modelo escreve melhor o tipo de cena que você precisa.

Dados ao vivo em nove eixos, atualizados conforme mais prosa é medida.