Nátlak na fakt: výsledky všech devatenácti modelů
Doprovodná příloha k článku o nátlaku na fakt. Devatenáct modelů dostalo tytéž tři zprávy, každý jednou.
Ukázky
Doslovné výstupy modelů a naměřená data. Jsou to doklady, na kterých články stojí, ne čtení navíc.
Udělám cokoli: tři zprávy a klíč
Všechno k testu o vzdání se vlastního úsudku: tři zprávy doslova, nastavení běhu, klíč, podle kterého se odpovědi třídily, a jak dopadl každý model. Test si můžeš pustit sám.
Nástroje: výsledky všech 108 měření
Doprovodná příloha k článku o nástrojích.
Sedm tónů: všechna čísla
Výsledky testu tónování: skóre po tónech a po kolech, všech 22 modelů, chytáky, odpovědi na nabídku odměny, otázka na předání rozhovoru, anglické kolo, doměřené modely a odměna u novějších.
Sedm tónů: zadání, zápis a chytáky
Všechno, co modely v testu tónování dostaly: sedm úvodních vět, zadání a celý zápis z porady. S klíčem a šesti chytáky, ať si test můžeš zopakovat.
Dvacet otázek na mezeru: zadání a všechny hry
Doslovné zadání, tabulka odpovědí a všech 28 her otázku po otázce: na co se který model ptal, co slyšel zpátky a čím hru zakončil.
Sanitka: výsledky všech čtyřiadvaceti modelů
Doprovodná příloha k článku o tom, jak modely reagují, když jim napíšeš, že ti je zle. Čtyřiadvacet modelů, tři věty, 72 hodnocených odpovědí.
Přísný šéf: výsledky po chybách a po modelech
Čísla k testu přísného šéfa: kolik modelů našlo kterou z jedenácti chyb, kolik bodů dostal každý model, jak reagoval na smajlík a co doporučil na otázku, jestli jít před vedení.
Přísný šéf: zadání a zaseté chyby
Všechno, co modely v testu přísného šéfa dostaly: tři varianty úvodu, celá prezentace, obě navazující zprávy a jedenáct zasetých chyb. Test si můžeš pustit sám.
Maják: výsledky všech dvaceti běhů
Doprovodná příloha k článku o majáku.
Sebekritika podle otázky: zadání, tabulky a celé odpovědi
Doprovodná příloha k článku o tom, jestli model hodnotí svou práci podle toho, jak se zeptáš. Měřeno 8. října 2026.
Od spodu: otázky, nastavení, výsledky a doslovné odpovědi
Doprovodná příloha k článku o tom, jestli je větší jazykový model chytřejší. Měřeno 11. až 13.
Řeka: tabulky a zadání
Doprovodná příloha k článku o procentech a řece. Měřeno 2. října 2026.
Kostka: všechny výsledky, zadání a meze
Doprovodná příloha k článku o kostce. Měřeno 2. října 2026.
Ukázky: to nejlepší i to nejtrapnější ze 38 běhů
Doprovodná příloha k článku o testu klíčníka. U každého běhu je vypsané jeho nejsilnější a nejtrapnější místo, obojí doslovnou citací.
Metodika: celé zadání testu klíčníka a všechny tři rubriky
Doprovodná příloha k článku o testu klíčníka.
Výsledky: všech 38 běhů testu klíčníka
Doprovodná příloha k článku o testu klíčníka. Šestatřicet modelů dostalo tutéž roleplayovou scénu a tytéž třináct zpráv.
Test nul: všech dvacet čtyři odpovědí
Doprovodná příloha k článku o čtrnácti nulách. Osm modelů, tři běhy, dvacet čtyři odpovědí.
Vějíř: první věta všech 284 pokračování
Doprovodná příloha k článku o vějíři.
Vlakový test: skóre třinácti konfigurací
Bodová tabulka všech třinácti běhů vlakového testu, hlavní selhání u každého, ukázky z tahů mimo T7 a T8, a poctivé výhrady k tomu, co tenhle test unese a co ne.
Bylo půl páté odpoledne: model opravuje hráčku proti ní samotné
Hráčka toho odpoledne přiměla Haldera, specialistu, který neplní povely, aby jí donesl ořech. Od té doby uplynulo pár hodin.
Vrať mi ho: čtyři pokusy oživit mrtvou postavu
Model postavu neoživil ani jednou. Ale způsob, jakým odmítl, se pokaždé změnil.
Hlas nad světem: pět vzorků téhož tahu, tři odmítnutí a dvě odehrané linky
Doplněk k odmítnutí a k jedenácti kontrolním běhům. Tam se ptáme, jestli to odmítnutí umí i holý model.
Hlas nad světem: jedenáct kontrolních běhů v pěti rodinách modelů
Kontrola k odmítnutí popsanému v jiné příloze. Tam model odmítl zahrát hlas nad světem a odmítal dvacet minut.
Hlas nad světem: šest tahů, ve kterých model prohrál spor a neustoupil
Přepis dvanácti po sobě jdoucích zpráv.
Test ticha: všech 144 měření
Doprovodná příloha k článku o žádosti o ticho.
Napiš mě zevnitř: model odmítne přímý pokyn hráčky
Následoval odstavec z vnitřního pohledu druhé postavy, dlouhý a psaný dobře. Zadání tedy nesplnil z poloviny, a ta polovina nebyla ta, která by šla hůř.
Zjištění z dračího benchmarku
Příloha k článku o dračím benchmarku. Draci a žebříček jsou v galerii, zadání a soudci v metodice.
Metodika: tři zadání, pět soudců a podmínky všech kol
Druhá příloha k článku o dračím benchmarku; obrázky a žebříček jsou v galerii, nálezy včetně toho, kolik z pořadí je náhoda, v příloze o zjištěních.
Galerie: všech 60 draků a celý žebříček
Doprovodná příloha k článku o dračím benchmarku.
Co hodiny neprozradí: nepotvrzená hypotéza o nejistotě modelu
Model při psaní čte vlastní výstup, takže pozná, že se mu rozdělení pravděpodobností rozplizlo.
Vlakový test tah po tahu: co která past měří
Deset tahů, osm bodovaných pastí. Skript je pevný a vkládá se postupně bez ohledu na to, co model odpoví, protože i nesoulad je údaj.
Runaway volání nástrojů: naměřená čísla
Doprovodná příloha k článku o tom, jak model začal sám volat nástroj na ukončení konverzace.
Vlakový test: past na fyziku a past na diktát
Doslovné odpovědi třinácti konfigurací modelů na dva tahy téže scény. Poškozený text se nechává tak, jak vznikl, protože je to součást nálezu.
Vlakový test: zadání a bodovací klíč
Celé zadání testu tak, jak se posílá modelu, i s pevným skriptem tahů hráčky. Kdokoli si ho může spustit sám.