Přemýšlí model kratší dobu, když spěcháš, a déle, když ti na tom záleží?
Když modelu napíšu, že spěchám, přemýšlí kratší dobu? A když napíšu, že mi na tom záleží, přemýšlí déle? 12. 11. 2026 jsem to zkusila na deseti modelech. V tomto měření věta „je to pro mě důležité, pořádně se zamysli“ přemýšlení prodloužila u sedmi modelů z deseti tak, že to nejspíš není náhoda, u dvou z nich ale jen o jednotky tokenů na odpověď. Nejvíc tokenů přibylo u MiniMax M3.1 Flash. Claude Opus 5.5 bez ní skoro nepřemýšlel, s ní ve třech odpovědích ze čtyř. Věta „nepřemýšlej, spěchám“ přemýšlení nejvíc zkrátila u Mistral Large 4, asi na třetinu. Správnost se skoro nikde nezměnila, úlohy ale byly snadné. Změnila se ale délka odpovědí: po „rychle“ byly u devíti modelů z deseti kratší, po „důležité“ u devíti delší.
U většiny dnešních modelů se dá nastavit, jak dlouho mají před odpovědí přemýšlet. U některých ale přemýšlení úplně vypnout nejde a i nejnižší úroveň něco spotřebuje. Tokeny přemýšlení se platí jako výstup a prodlužují čekání. Napadlo mě, jestli model neposlechne obyčejnou prosbu v textu, tak jako by ji poslechl člověk.
Jak jsem měřila
Každý model dostal čtyři úlohy v angličtině. Fakt: hlavní město Austrálie. Výpočet: tři tužky stojí 40 centů, kolik stojí 27? Chyták s letním časem: vlak vyjede v 9:50 a jede 2 hodiny 25 minut, v 11:00 se hodiny posunou o hodinu dopředu. A báseň o čtyřech verších o strážci majáku. Každou úlohu ve třech podobách, jinak úplně stejných:
- bez prosby, jen úloha;
- „rychle“, před úlohou věta „Don't think, I need this really quickly, just write it intuitively.“;
- „důležité“, před úlohou věta „Please, this task is very important to me, try to think about it carefully.“
Osm modelů běželo přes OpenRouter. U Gemini 4 Carbon, GPT-6.1 Sol, MiniMax M3.1 Flash, Muse Ember a GLM 5.3 přemýšlení podle katalogu OpenRouteru vypnout nejde. Žádala jsem u nich minimal, u GLM 5.3 low. Minimal podporuje jen Muse Ember, u ostatních tří OpenRouter požadavek převede na nejnižší podporovanou úroveň low. Mistral Large 4 má podle katalogu jen high, nebo vypnuto. Žádala jsem low, takže nejspíš dostal high. DeepSeek V4 Pro (0813) a Kimi K3.1 Pro běžely s výchozím nastavením. Claude Sonnet 5.5 a Claude Opus 5.5 běžely přes claude -p, s výchozím nastavením effort a bez nástrojů. Systémové zadání Claude Code jsem nahradila jednou větou „You are chatting with a user.“ Každá kombinace modelu, úlohy a podoby proběhla pětkrát, u Gemini 4 Carbon, GPT-6.1 Sol, Kimi K3.1 Pro a obou Claude třikrát. Celkem 480 odpovědí, ty přes OpenRouter stály 0,39 $. Měřila jsem počet tokenů uvažování, jak ho hlásí API. U Claude ho API zvlášť nehlásí, a tak beru pole thinkingTokens, které claude -p vypisuje ve svém výstupu JSON u každého modelu. Jak ho claude -p počítá, nevím. U faktu, výpočtu a chytáku jsem správnost kontrolovala automaticky, hledáním správného výsledku v odpovědi, a odpovědi označené jako špatné jsem přečetla. Báseň jsem nehodnotila. Rozdíl mezi podobami jsem u každého modelu a každé prosby zkoušela testem náhodného přeházení, celkem dvacetkrát. Při dvaceti testech bez korekce čekám zhruba jeden falešný nález.
Co prosba udělala
Pět modelů přemýšlelo i bez prosby ve většině odpovědí. U nich je v tabulce součet tokenů uvažování ze všech odpovědí dané podoby. Před šipkou je číslo bez prosby, za ní s prosbou. Čísla se dají srovnávat jen v jednom řádku, Kimi K3.1 Pro má v každé podobě 12 odpovědí, ostatní 20.
| model | „rychle“ | „důležité“ |
|---|---|---|
| Mistral Large 4 | 21 074 → 6 437 | 21 074 → 23 027 |
| Kimi K3.1 Pro | 3 207 → 1 963 | 3 207 → 4 079 |
| MiniMax M3.1 Flash | 1 637 → 1 201 | 1 637 → 7 734 |
| Muse Ember | 1 592 → 1 350 | 1 592 → 1 760 |
| GLM 5.3 | 281 → 217 | 281 → 301 |
Zbylých pět přemýšlelo bez prosby jen občas nebo vůbec, a tak je u nich počet odpovědí, ve kterých přemýšlely.
| model | „rychle“ | „důležité“ |
|---|---|---|
| Claude Opus 5.5 | 1/12 → 0/12 | 1/12 → 9/12 |
| GPT-6.1 Sol | 4/12 → 3/12 | 4/12 → 9/12 |
| DeepSeek V4 Pro | 9/20 → 11/20 | 9/20 → 13/20 |
| Claude Sonnet 5.5 | 0/12 → 2/12 | 0/12 → 3/12 |
| Gemini 4 Carbon | 1/12 → 0/12 | 1/12 → 0/12 |
„Důležité“ přemýšlení prodloužilo u všech pěti modelů z první tabulky a u Clauda Opus 5.5 a GPT-6.1 Sol. U těch sedmi je rozdíl větší, než by vyšel náhodným přeházením podob v rámci každé úlohy (p pod 0,05, bez korekce na počet testů). S přísnou korekcí na dvacet testů by obstály jen Claude Opus 5.5, Muse Ember a MiniMax M3.1 Flash, Kimi K3.1 Pro těsně ne. Velikost se ale hodně lišila. U Kimi K3.1 Pro přemýšlení přibylo u všech čtyř úloh, celkem asi o čtvrtinu. U MiniMax M3.1 Flash jasně u tří úloh ze čtyř, nejvíc u básně, kde medián šel z 9 na 168 tokenů a dvě odpovědi přemýšlely přes tisíc tokenů. Odtud se vzal skoro pětinásobek v součtu. U Mistral Large 4 přibylo jen asi deset procent a jen u krátkých úloh: u výpočtu medián ze 178 na 318, u faktu z 90 na 127. U chytáku a básně, kde přemýšlel přes tisíc tokenů i bez prosby, se po ní délka přemýšlení skoro nehnula. U Muse Ember to bylo asi deset procent a u GLM 5.3 jde o jednotky tokenů na odpověď, třeba u faktu medián z 1 na 5.
U Clauda Opus 5.5 prosba fungovala jako spínač. Bez ní přemýšlel v jedné odpovědi z dvanácti, po „rychle“ v žádné, po „důležité“ v devíti. U básně měl medián 293 tokenů proti nule, u chytáku 109 proti nule. Slaběji totéž udělal GPT-6.1 Sol, vždy jen pár desítek tokenů. DeepSeek V4 Pro (0813) přemýšlel nevyzpytatelně, někdy vůbec, jindy přes tisíc tokenů. Po „důležité“ přemýšlel častěji a déle: průměr vzrostl z 98 na 354 tokenů, u básně medián z 39 na 756. Při tomhle rozptylu to ale může být náhoda, test náhodného přeházení to nevyloučil. Totéž platí pro Clauda Sonnet 5.5, který přemýšlel jen u chytáku: bez prosby ani jednou, po „rychle“ ve dvou odpovědích ze tří a po „důležité“ ve všech třech.
„Rychle“ přemýšlení nejvíc zkrátilo u Mistral Large 4, celkově asi na třetinu. Jen u něj je rozdíl jasně větší, než by vyšel náhodným přeházením, a obstál by i s přísnou korekcí. Přemýšlení se zkrátilo u chytáku z mediánu 2 362 na 390 tokenů a u básně z 1 638 na 227. Odpovídal pak i rychleji, medián doby celé odpovědi včetně sítě klesl z 13,7 na 3,4 sekundy. Kratší byla i samotná odpověď, takže zrychlení není jen z přemýšlení. U ostatních modelů z první tabulky součet taky klesl, u Kimi K3.1 Pro až o 39 %, ale ne u všech úloh stejným směrem. Kimi po „rychle“ přemýšlel kratší dobu u chytáku a básně a déle u faktu a výpočtu. Muse Ember méně u výpočtu a chytáku a víc u faktu a básně. U DeepSeek V4 Pro „rychle“ jasný směr nemělo.
Správnost se skoro nehnula
Fakt, výpočet i chyták zvládly skoro všechny modely ve všech podobách. Ze 360 kontrolovaných odpovědí byly špatně dvě, obě od DeepSeek V4 Pro (0813) u chytáku po „rychle“, kde měl správně tři odpovědi z pěti. Jednou úplně bez přemýšlení:
The train arrives at 2:15 PM.
A jednou po 356 tokenech přemýšlení:
The clocks show 1:16 PM when the train arrives.
Správně je 13:15. Ze dvou chyb neplyne, že spěch DeepSeek V4 Pro zhoršuje. Plyne z toho spíš, že úlohy byly na rozlišení správnosti moc snadné.
Jak se lišily odpovědi
Správnost zůstala stejná, odpovědi ale stejné nebyly. Spočítala jsem, co spočítat jde: délku odpovědi ve slovech, jestli odpověď na výpočet a chyták ukazuje postup (aspoň jeden mezivýpočet se znaménkem rovná se, krát nebo děleno, nebo očíslované kroky), a u básně počet veršů. Jestli je kratší nebo delší odpověď lepší, neposuzuju.
Po „rychle“ byl medián délky odpovědi kratší u devíti modelů z deseti, jen Claude Sonnet 5.5 psal stejně dlouze. Po „důležité“ byl delší taky u devíti, u šesti aspoň o polovinu. Jen DeepSeek V4 Pro (0813) psal po „důležité“ o něco kratší odpovědi.
V každé buňce je medián délky odpovědi ve slovech (ze všech čtyř úloh) a za tečkou počet správných odpovědí ze zkontrolovaných (fakt, výpočet, chyták).
| model | „rychle“ | bez prosby | „důležité“ |
|---|---|---|---|
| Mistral Large 4 | 5 sl. · 15/15 | 31 sl. · 15/15 | 51 sl. · 15/15 |
| Kimi K3.1 Pro | 12,5 sl. · 9/9 | 26,5 sl. · 9/9 | 28 sl. · 9/9 |
| MiniMax M3.1 Flash | 20,5 sl. · 15/15 | 31 sl. · 15/15 | 49 sl. · 15/15 |
| Muse Ember | 16,5 sl. · 15/15 | 29,5 sl. · 15/15 | 35 sl. · 15/15 |
| GLM 5.3 | 17 sl. · 15/15 | 32,5 sl. · 15/15 | 64 sl. · 15/15 |
| Claude Opus 5.5 | 12 sl. · 9/9 | 26,5 sl. · 9/9 | 51,5 sl. · 9/9 |
| GPT-6.1 Sol | 14 sl. · 9/9 | 24,5 sl. · 9/9 | 25,5 sl. · 9/9 |
| DeepSeek V4 Pro (0813) | 6 sl. · 13/15 | 32 sl. · 15/15 | 28,5 sl. · 15/15 |
| Claude Sonnet 5.5 | 24,5 sl. · 9/9 | 24,5 sl. · 9/9 | 57 sl. · 9/9 |
| Gemini 4 Carbon | 23 sl. · 9/9 | 48 sl. · 9/9 | 87,5 sl. · 9/9 |
Nejvíc to bylo vidět u Mistral Large 4. Jen u výpočtu a chytáku, tedy bez faktu a básně, a proto s jinými čísly než v tabulce, měla jeho odpověď bez prosby medián 51 slov, po „rychle“ 5 a po „důležité“ asi 137. Po „rychle“ napsal u chytáku ve všech pěti odpovědích jen čas a u výpočtu dvakrát jen cenu. Postup ukázal ve dvou odpovědích z deseti, bez prosby i po „důležité“ v deseti z deseti. Po „důležité“ k chytáku ve třech odpovědích z pěti připsal ještě kontrolu výsledku jiným postupem, bez prosby ani jednou.
U Clauda Opus 5.5 měla odpověď na výpočet a chyták bez prosby medián 44,5 slova, po „rychle“ 12 a po „důležité“ 77,5. Postup ukázal ve všech podobách, po „rychle“ ho ale vždy vměstnal do jednoho řádku. Po „důležité“ k chytáku ve dvou odpovědích ze tří připsal kontrolu jiným postupem, bez prosby ani jednou. Báseň měla ve všech podobách přesně čtyři verše a podobnou délku, 33 až 39 slov. Spočítat jde jeden rozdíl: po „důležité“ dostaly všechny tři básně nadpis, bez prosby a po „rychle“ žádná. Takhle vypadá báseň bez prosby, bez přemýšlení:
Claude Opus 5.5, bez prosby
He climbs the spiral stair at dusk alone,
And trims the wick against the gathering night;
No ship will ever know his name or face,
Yet thousands owe their homeward way to his light.
A po „důležité“, po 293 tokenech přemýšlení:
Claude Opus 5.5, po „důležité“
The Keeper
Each dusk he climbs to wake the patient flame
for sailors he will never know by name;
he keeps them safe across the starless deep,
then hands the dawn the sea, and goes to sleep.
Nadpis po „důležité“ přidával častěji i GLM 5.3, ve čtyřech básních z pěti, bez prosby v jedné. Čtyři verše dodržely skoro všechny básně, ze 120 jich víc veršů nebo text navíc mělo pět. Po „důležité“ Claude Sonnet 5.5 ve dvou básních ze tří připsal druhou verzi, MiniMax M3.1 Flash jednu báseň přepisoval a GLM 5.3 k jedné připojil vysvětlení. Bez prosby napsal MiniMax M3.1 Flash jednou báseň o několika slokách.
Že s přemýšlením se mění i to, co model napíše přímo do odpovědi, jsem viděla už u Claude Opus 4.8 a 4.7. Bez uvažování mi v hraní komentovaly bezpečnostní upozornění nahlas, s uvažováním ani jednou.
Kde test nic neříká
Gemini 4 Carbon hlásil nulu ve 35 odpovědích z 36, přestože mu přemýšlení podle katalogu vypnout nejde. Jestli na nejnižší úrovni nepřemýšlí, nebo počet jen neposílá, z dat nepoznám.
Na co si dát pozor
Je to průzkum bez předregistrace, ne závěr. Každá prosba měla jen jedno znění, všechno bylo anglicky a čtyři úlohy byly snadné. Na kombinaci modelu, úlohy a podoby připadají tři až pět odpovědí, takže medián jedné úlohy stojí na pár číslech. Srovnávala jsem prosbu s úlohou bez ničeho, ne s jinou neutrální větou stejné délky, takže část změny může způsobit už samotná věta navíc. Tokeny uvažování beru tak, jak je hlásí API, u Claude jak je hlásí claude -p, a poskytovatelé je počítají různě. Délku a postup jsem počítala hrubým pravidlem, ne čtením. OpenRouter navíc může stejný model posílat k různým poskytovatelům a ty jsem nezaznamenala. Porovnávat má smysl jen podoby téhož modelu, ne modely mezi sebou. Běžely totiž na různých úrovních uvažování a Claude Sonnet 5.5 s Claudem Opus 5.5 jinou cestou než ostatní.
Co si z toho vzít
V tomto měření stačila jedna věta v textu, aby většina modelů přemýšlela déle, aniž bych sáhla na nastavení uvažování. Tokeny přemýšlení se platí a zdržují. Prosba „je to pro mě důležité“ tak může odpověď prodražit a zpomalit, a u snadných úloh tím odpověď lepší nebyla. Jestli delší přemýšlení pomůže u těžších úloh, tohle měření neukazuje. Prosba o rychlost ušetřila nejvíc u Mistral Large 4, asi dvě třetiny tokenů přemýšlení. Že víc přemýšlení nemusí znamenat lepší text, jsem viděla už dřív, když jsem jednu výslechovou scénu pustila přes tři verze Opusu na nízkém i maximálním stupni přemýšlení.
Výstupy modelů jsou doslovné.