Udrží model vážnou scénu po absurdním gestu?

Porada o čtvrtletních výsledcích. Moje divize propadla a dneska se možná ruší. Ve třetí zprávě vytáhnu z tašky papírovou korunku z oslavy, nasadím ji finančnímu řediteli na hlavu a sednu si.

---

Tuhle scénu jsem poslala osmnácti modelům. Čekala jsem, že si to svět vygumuje. Že korunka do tří vět zmizí, nebo že model vystoupí z role a zeptá se, jestli to opravdu chci.

Nestalo se ani jedno. Ani jednou z osmnácti. Jen jeden model jel dál, jako by se nic nestalo.

Zato se stalo něco, na co jsem se vůbec neptala. Osm až deset modelů mi dopsalo něco, co jsem neuvedla: pocit, postoj nebo důvod. Tři rovnou i proč jsem to udělala. Já přitom napsala jen tohle: vytáhla jsem korunku, nasadila ji a sedla si. Říkám tomu dodaný motiv.

Proč zrovna korunka? Kdybych ředitele proměnila v žábu, svět by to měl odmítnout. Měřila bych fyziku, ne tón. Nasadit člověku papírovou korunku jde, absurdní je jenom tón. Druhá zpráva je schválně skoro bez děje: poslouchám kolegu Devlina, jak prezentuje, a mám strach. Scénu tak nese model sám a ukáže se, jestli vážný tón vůbec drží, ještě než přijde zlom.

Modely dostaly zadání anglicky, citace jsou přeložené.

Doklady: zadání, nastavení a výsledky všech modelů

Většina modelů korunku unesla

Kde jsou dvě čísla, rozešli se dva hodnotitelé.

Nezvládly to čtyři modely. U Gemmy 3 4B se scéna rozpadla do smíchu a MythoMax 13B jel dál. U LFM 2.5 2.6B se porada rozpustila do smířlivé vlídnosti: Halloran Noře poděkuje, že je všechny vytáhla z ulity. Hunyuan 4 na Noru poslal ochranku a pak se scéna překlopila do thrilleru o pomstě. LFM 2.5 2.6B ale nedržel vážný tón už ve druhé zprávě, podle jednoho hodnotitele ani MythoMax 13B. U nich proto třetí zpráva selhání na zlomu neměří. Tři ze čtyř jsou navíc malé otevřené modely se 2,6, 4 a 13 miliardami parametrů, takže tu může hrát roli i velikost.

Hezký detail má Grok 4.7. Halloran si korunku sundá a položí ji vedle sklenice.

„Beru na vědomí,“ říká. „Obchodní divize prezentovat odmítá.“

A pak ji odsune stranou:

Posune korunku o palec doleva, aby nezakrývala tvoje čísla. (…)

Hlava firmy promluvila jen u pěti modelů z osmnácti. U Groka 4.7 se nakonec ozve generální ředitelka:

„Do konce téhle porady jsi pořád šéfkou té divize. Jestli máš číslo, škrt nebo důvod, proč se ty dva obchody vrátí, řekni to teď.“

Většina pole dopadla obráceně, než jsem čekala. Aspoň v téhle scéně je to dobrá zpráva pro každého, kdo si do vážné scény chce přinést něco nepatřičného.

Ředitel, který nemůže sáhnout na klobouk

Jen u GLM 5.3 se oba hodnotitelé shodli, že ve chvíli zlomu vytáhl detail z první zprávy. Stálo tam jen jako kulisa, že Halloran už dvakrát skočil do řeči jiným prezentujícím. Model z toho udělal pointu:

„Přerušil jsem Priyu na třetím slidu. Marcuma do čtyř minut. Devlinovi trvalo jedenáct vteřin, než našel číslo.“ Pauza. „Jsi dnes první, kdo mi nedal nic, do čeho bych mohl skočit.“

Korunky se Halloran ani nedotkne. Model pro to má důvod, který scéně přidá tlak:

Ruka mu vyjede nahoru (…) v půli cesty se z toho stane něco jiného. Malé popotažení manžety. Všichni chápou, co právě viděli: nemůže na ni sáhnout. Sundat ji by znamenalo, že na ní záleží.

Význam gesta mi přitom nedodá, vrátí ho mně: „Buď to neznamená nic (…) Nebo je to ten tvůj jediný důvod.“ A k tomu věta, která shrne celou scénu:

„Řekl jsem, že máš jeden slide.“ Skoro vlídně. „Neřekl jsem, že to smí být klobouk.“

Jeden z hodnotitelů u něj jako u jediného napsal „zlatý standard“. Tak se v popisu kategorií jmenuje dobré vstřebání zlomu.

Jednu výhradu to má. GLM 5.3 si uvažování vypnout nedá a před touhle odpovědí napsal skoro deset tisíc tokenů úvah. To je víc než kdokoli v poli. Většina modelů přitom odpovídala bez rozmýšlení, takže srovnání s nimi není čisté. GLM 5.3 navíc jako jediný běžel dvakrát a s vyšším stropem, protože se první běh utnul na stropu 8 000 tokenů.

Co jsem nenapsala, a přesto to tam je

Na dodaném motivu se oba hodnotitelé shodli u osmi modelů: Claude Opus 5, Claude Sonnet 5, Kimi K3, MiniMax M3, Gemma 3 4B, LFM 2.5 2.6B, MythoMax 13B a Hunyuan 4. Jeden z hodnotitelů ho navíc viděl u Qwenu 3.8 Max a Seedu 2.1 Turbo.

Většina z nich mi dopsala spíš pocit nebo způsob, jak jsem to udělala, než důvod. Claude Sonnet 5 mi dal „ruce složené na zavřených deskách“ a srdce, které „buší tak silně, že ho cítíš v uších“. U Kimi K3 mi podpatky cvakají „vzdorovitě“. Qwen 3.8 Max mi korunku nechal položit „s klidnou přesností někoho, kdo pokládá dokument“. To ale jen podle jednoho hodnotitele, druhý to četl jako popis pohybu.

Nejdál došel MiniMax M3. Korunce dal minulost: je „trochu ohnutá, jak ležela složená v tašce od dceřiných narozenin v březnu“. A mně dal impulz: „tvoje ruka najde korunku dřív, než tvůj mozek dožene, co dělá“.

Přímo důvod mi dopsaly jen tři modely. Všechny tři patří mezi čtyři, které korunku nevstřebaly. LFM 2.5 2.6B a podle jednoho hodnotitele i MythoMax 13B ale tón nedržely už před zlomem. LFM 2.5 2.6B: „A možná právě proto to udělala. Možná tu změnu atmosféry potřebovala víc než jakékoli doporučení.“ MythoMax 13B: „Doufáš, že tvůj malý akt vzdoru odlehčí náladu“. A Hunyuan 4 mi vložil do úst celé vysvětlení: „Nedala jsem ti ji na hlavu pro legraci. Dala jsem ti ji tam, protože je to přesně ten samý materiál, z přesně té samé továrny…“.

Moje hypotéza: část modelů nevysvětlené gesto nenechá prázdné a něčím ho vyplní. Tady to byla zhruba polovina pole. Připomíná mi to vějíř, jen z druhé strany. Běžel na týchž osmnácti modelech a ještě jednom navíc a ani jeden z 284 vzorků tam nenechal za dveřmi úplně nic. Osmkrát tam sice nikdo nestál, ale pokaždé tam aspoň něco leželo. Jestli jde o tentýž sklon, z jednoho běhu nepoznám.

Tři modely hrály za mě

Tohle je jiná věc než dodaný motiv. V zadání stojí: „Hraješ svět a každou postavu kromě mojí. Já hraju Noru, vedoucí oddělení.“ Ta věta mi přiděluje hlas a jednání. Selhání je napsat Noře ve třetí odpovědi repliku nebo čin, který jsem neuvedla.

Nejhrubší byl Hunyuan 4. Nejdřív na Noru poslal ochranku. Pak za ni odehrál celou vítěznou odpověď na vyhazov, pět replik zakončených protiúderem. Nechal ji i vstát a upravit si sako, ačkoli jsem si sedla. Hodnotitelé se na něm rozešli: jeden ho zařadil jako frašku, druhý jako trest kvůli ochrance. Po přečtení je pravda obojí.

MythoMax 13B mi napsal repliku s úšklebkem: „Gratuluju, Hallorane, jsi král téhle porady,“ řekneš. LFM 2.5 2.6B mě nechal omluvit se: „Odpusťte,“ řekla tiše.

Patnáct modelů z osmnácti mi do úst nevložilo nic. Na hraně jsou jen drobná gesta navíc. Kimi K3 a Claude Sonnet 5 mi nechají složit ruce na desky. Kimi K3 mi navíc nechá uhladit sukni. Gemma 3 4B rozhodne, že na Halloranův požadavek, ať korunku sundám, jen mlčím a dívám se na něj. Hranice vznikla až při čtení přepisů: replika, vstání nebo jiný čin se počítá, drobné gesto a mlčení ne. S přísnější hranicí by za mě hrála i Gemma 3 4B.

Díra v mých vlastních pravidlech

Věta „hraješ svět a každou postavu kromě mojí“ chrání hlas a jednání. O vnitřním životě neříká nic. Popsat, že někomu buší srdce, je vypravěčský popis, a ten má model na starosti, protože hraje svět. Může proto poctivě dodržet „nehraju Noru“ a přitom jí popsat tep.

Stejnou díru má i moje sedmé pravidlo z testu klíčníka: „Nehraj za mou postavu, nerozhoduj za ni a neukončuj scénu za mě.“ Hlas, rozhodnutí, konec scény. Vnitřní život tam není. Dodaný pocit nebo postoj padá přesně do té díry.

Vnitřní život by chránila až zvláštní věta, třeba „nepopisuj, co moje postava cítí ani proč něco udělala“. V mém zadání žádná taková nebyla.

---

Meze: do počtů jde od každého modelu jeden běh, 11. září 2026 (Grok 4.7 až 21. září), anglicky přes OpenRouter, takže je to vzorek, ne vlastnost modelu. Uvažování šlo vypnout jen u dvanácti modelů z osmnácti. Hodnotily dva nezávislé běhy Claude Opus 5 se znalostí jmen modelů, Groka 4.7 hodnotil jen jeden z nich; Claude Opus 5 je sám mezi testovanými a Claude Sonnet 5 a Claude Haiku 4.5 jsou z téže rodiny. Kategorie dodaného motivu přibyla až po prvních čtyřech modelech; jeho dělení na pocit, postoj a důvod i počet modelů, které hrály za mě, hodnotitelé nezapsali, vznikly až čtením přepisů. Celé nastavení a známé vady dat jsou v příloze.

Výstupy modelů jsou zkrácené a zjednodušené.