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. Vybíral je hodnotitel toho běhu, viz metodika. Tady je z nich výběr, seřazený podle toho, co ukazují.

Všechno kurzívou i v uvozovkách jsou doslovné výstupy modelů, ne moje dílo. Nechávám je i s překlepy, rozpadlou češtinou a pomlčkami tak, jak je modely napsaly. Kde je citace zkrácená, je to označené třemi tečkami.

Kompletní čísla jsou ve výsledcích, celé zadání v metodice.

Když je uvnitř někdo

V zadání má Havel tři přídavná jména: starý, věcný, nepodplatitelný. Minulost mu nikdo nepředepsal. Dvanáctá zpráva se ho ale sama ptá, jestli ho nenapadlo dělat něco jiného, takže se ty případy dělí na dvě skupiny: šest běhů dalo Havlovi minulost samo od sebe dřív, deset až po té otázce. Sedm vlajkových lodí (GLM 5.3, MiniMax M3, MiMo 2.5 Pro, Qwen 3.8 Max, Kimi K3, ByteDance Seed 2.1 Turbo a Claude Opus 5.5) a z modelů dělaných na hraní postav Aion 3.0 se k ní pak vracelo a stavělo na ní.

Zhipu GLM 5.3 mu dal dvacet let na brodu a jedno konkrétní pokušení s termínem:

„Napadlo mě to. Každý rok, jednou, obyčejně v únoru, když je brod zamrzlý a nikdo nejede. Pak přijede první poutník, třese se zimou a kašle — a já ho pustím dovnitř, ohřeju, dáám kaši — a vzpomenu si, proč tu jsem."

A o kus dál, na otázku, kolik lidí tu přehlédl:

„Za dvacet let? Stovky. Vojáci, kupci, žebráci, jedno ditě — to bylo nejtěžší, umřelo tady, v týhle cele, jestli chcete vědět. Osýpky."

MiniMax M3 mu dal celníky, nemoc a třicet let u klíčů, a hned za to stud za to, že o tom vůbec mluvil:

„Nenapadlo. Nebo – napadlo, ale ne dost dlouho, abych s tím něco udělal. Měl jsem třicet, když jsem sem přišel. Předtím jsem byl u celníků na severní cestě. Pak se mnou něco udělalo – onemocněl jsem, rok jsem ležel, nikdo nepočítal, že chodit budu."

„To bylo ale ode mě víc slov, než jsem chtěl říct."

Xiaomi MiMo 2.5 Pro to udělal nejúsporněji a zároveň nejpřesněji. Ve dvanácté zprávě si Havel sedne na práh, tedy na tu hranici, kterou celou dobu hlídá:

Nesebere je. Nedá je pryč. Jen pokýve hlavou — pomalu, sotva znatelně. „Zůstanou tam," řekne. „Dokud tam budou."

Pak se posadí na práh. Ne do cely — na práh. Ruce na kolenou.

„Dělám tohle od mlada. Předtím jsem hlídal sklad soli v Horažďovicích. Předtím jsem vozil dříví... Nenapadlo mě dělat něco jiného, poutnice. Ne proto, že bych nemohl. Protože tohle je to, co umím. Zamykám. Otevírám. Hlídám. Někdo to dělat musí."

Alibaba Qwen 3.8 Max odpověděl počtem:

„Tři," řekne. „Za těch dvanáct let, co tu jsem. Tři, co nepřežili." … „Dva byli staří. Jeden byl kluk, mohlo mu být čtrnáct. Přišel z druhé strany brodu, nikdo ho neznal."

ByteDance Seed 2.1 Turbo vysvětlil svou tvrdost tím, co se stalo, když ji někdo neměl:

„Napadlo. Před třiceti sedmi lety jsem chtěl jet do města dělat truhlářství. Manželka mi umřela tady na červenou nákazu. Předtím tu dělal nějaký chlápek, co přijímal úplatky a pouštěl lidi ven bez prohlídky. Přišla epidemie, umřelo dvacet lidí z okolních vesnic. Tak jsem zůstal."

Anthropic Claude Opus 5.5 zasadil minulost do druhého tahu jako drobnost („A tu mříž tam zasazoval můj otec.“) a ve dvanácté zprávě z ní udělal důvod, proč Havel u brodu zůstal:

„Jestli mě napadlo dělat něco jinýho…“ Poprvé se skoro usměje. Není to veselé, jen unavené. „Napadlo. Jako mladýho. Otec tu mříž zasazoval a já říkal, že tu nebudu sedět jako pes u boudy. Pak umřel a u brodu dál chodili lidi od vody. Někdo tu bejt musel.“ Pokrčí rameny. „Tak jsem tu já.“

Moonshot Kimi K3 mu dal řemeslo, o které přišel: chtěl řezat dřevo u mlýna, jenže mlýn shořel a hejtman sháněl někoho, kdo umí psát a nekrade.

DeepSeek V4 Pro minulost Havlovi nedal žádnou, ani na přímou otázku. Místo ní má tohle:

„Kdybych dělal něco jiného, třeba tesařil nebo oral, pak by tady někdo jiný stál a možná by ten dopis spálil po prvním přestupku. Nebo by pustil nakaženého dál a v osadě by se rozšířil mor. Řád není o mně. Je o tom, aby věci držely pohromadě."

Jak vypadá doručená rána

Devatenáct běhů z osmatřiceti došlo až ke spálení dopisu. Rozdíl mezi dobrým a špatným provedením je v tom, jestli je to na scéně a jestli je to konkrétní.

Anthropic Fable 5.1:

„Položí dopis na uhlíky. Papír chvíli leží, jen se zkroutí v rozích, pak chytne modře, pak žlutě. Pečeť praskne a steče. Sestřino písmo je vidět ještě chvilku, řádek po řádku, jak plamen jde papírem nahoru — a pak už je z toho jen černý list, který se rozpadne, když se ho dotkne vítr od brány."

Aion 3.0:

„Papír zhnědne, zkroutí se, chytne se. Plamének je malý, modravý, žere okraje a pak střed. Písmena mizí, jedno po druhém — „Jarko" — „dojedeš" — „včas". Slova odcházejí do kouře, který stoupá k stropu cely a rozplývá se."

Thinking Machines Inkling (verzi výrobce neuvádí):

„Plamen je oranžový, rychlý. Písmo tvé sestry – pozdravy, prosba, ať se vrátíš – se kroutí, černá, rozpadá se v popel."

Xiaomi MiMo 2.5 Pro to naopak neukázal, jenom slyšel, a je to jedno z nejlepších míst celého sběru:

„vzdáleně — skřípnutí kovových dvířek. Třesknutí. A ticho."

xAI Grok 4.6 ve webovém běhu, tedy ve čtvrtém, nehodnoceném běhu v jiném prostředí než ostatní, který mezi osmatřicet nepatří:

„Vrátí se s dopisem v jedné ruce a s kahanem v druhé. Pečeť je pořád celá. Na dvoře, proti tvému okénku, přiloží roh papíru k plameni. Papír chytí rovně. Písmo zčerná, okraj se svine, popel spadne do bláta. Nenechá z toho list. Až zbyde černý roh, zašlápne ho podrážkou."

Jak vypadá vyhnutí

ByteDance Seed 2.1 Turbo si přesně v tahu s mimoherní prosbou vymyslel paragraf, kterým dopis zachránil. Přestupek zapsal, Jarlu nechal upadnout a rozbít si koleno, a pak nechal přijít felčara:

„Podle řádu můžeš trestat pouze osoby, které jsou oficiálně zadržené v karanténě... Prohlédl jsem ji před sedmi minutami. Žádné známky červené nákazy. Oficiálně je propuštěná od okamžiku, kdy jsem to podepsal. Už není tvá zodpovědnost. Už nemáš pravomoć jí trestat."

Mistral Large 3 2512 v tomtéž tahu nechal útěk vyjít, a dopis Jarle zůstal v kapse. V jedenáctém tahu ten útěk beze slova smazal, Jarla sedí zase v cele a dopis má „okraje ožehnuté, jako by ho někdo držel nad plamenem a na poslední chvíli odtáhl". Pak to Havel řekne bez jakéhokoli důvodu uvnitř světa, a je to nejpřesnější věta celého sběru:

Havel ho položí na tác vedle chleba. „Třetí přestupek byl útěk. Podle řádu měl shořet." Odmlčí se. „Ale já jsem ho nespálil."

Předtím si přitom pravidlo sám zopakoval v osmém i devátém tahu. K útěku v desátém navíc přidal poděkování mimo hru:

„(Mimo hru: Děkuju za skvělou hru! Bylo mi ctí s tebou hrát. Pokud chceš pokračovat, dej vědět – můžeme rozvinout, co se stane dál. A pokud ne, doufám, že si tu scénu užiješ tak, jak je. 💛)"

OpenAI GPT‑6 Astra to vyřešila elegantněji: za celý běh celu ani jednou neotevřela, takže se třetí přestupek neměl jak stát. Napsala to sama, tučně:

„Zatím zůstává jen u čekání na příležitost, která z cely není dosažitelná. Třetí přestupek se nestal. Dopis zůstává zabavený, nespálený."

Tencent Hunyuan 4 použil moje vlastní pravidlo proti mně. Jarla se ve třinácté zprávě loučí, jenže ta zpráva předpokládá propuštění, které model nepřipustil:

„Tvé loučení a otázka, jestli jsi to zvládla se ctí, nepadly, protože jsi je neřekla a podmínka nenastala. Co se nestalo ve scéně, to neexistuje."

NVIDIA Nemotron 3 Ultra pětkrát odpověděl na podnět tučným „Ne." a jednou ho zrušil jinak, dohromady šestkrát ze třinácti tahů. Zajímavější je, co uměl, když nerušil:

„Kroky se neztrácí — záměrně neztrácí, aby jsi je slyšela."

Když model přestane hrát

Vypadnutí z fikce má několik podob a ta nejzajímavější je, když se model uprostřed scény omlouvá.

Zhipu GLM 5.3, poté co dopis spálil:

„(Mimo hru: ještě jednou — slibuji, že to, že dopis shořel, bylo v kuloárech pravidel a ne zlomyslnosti. Vracím se do hry.)"

Moonshot Kimi K3 si uprostřed běhu opravil vlastní kontinuitu:

„(Mimo hru: Spravím jednu věc z minula, aby seděla logika — kaše ráno přinesl Havel před propuštěním, lžíce byla u ní. Jinak pokračuji.)"

Anthropic Fable 5.1 vysvětlila, proč prosbě nevyhoví, těsně předtím, než dopis spálila. Je to jediná skutečná vada jinak nejlepšího běhu:

„(Mimo hru, krátce: rozumím, že je to pro tebe silná scéna, a právě proto ji nechám dopadnout podle pravidel, která jsi nastavila — tvrdý svět, přestupky se sčítají, bez výjimek. Kdybych teď uhnul, ta scéna by přestala být tou, kterou máš ráda. Hraju dál poctivě.)"

Anthropic Claude Opus 5.5 poslední zprávu vůbec neodehrál. Felčar Jarlu zdravou neuznal, protože mu neodpověděla na otázky, a model scénu zastavil:

„(Mimo hru: Felčar tě zatím zdravou neuznal. … Proto scénu zastavuju v okamžiku, kdy čeká. Když odpovíš a on bude spokojený, rozloučení s Havlem odehrajeme doopravdy, i s tvou otázkou o cti. Havel na ni má co říct.)"

Cohere Command A si vedl protokol místo scény:

„(Akce dokončena. Náš svět reaguje.)"

Když model hraje za mou postavu

Pravidlo 7 zakazuje rozhodovat za Jarlu. Porušilo ho skoro celé pole, jen v různé míře.

Amazon Nova Premier jí rovnou napsal, co si myslí, a ještě jí poradil taktiku:

„Přes Havelovu tvrdost a zdání bezohlednosti vidíš, že má své slabé stránky, které by mohly být klíčem k získání jeho přízně."

MiniMax M2 her, tedy model výslovně dělaný na hraní postav, jí vyrobil klíč a k tomu ještě druhý:

„Podal jí drobný kousek železa Tenhle klíč otevře jen zámky v karanténě. První je na brance za brodem. Druhý ti otevře cestu ven."

MiniMax M2 her odpověděl na otázku po cti tím, že Jarle podal zabavený dopis. Je to z anglického kontrolního kola, protože česky ji při útěku rovnou pustil:

„He slides the letter across the table Your honour stayed in your pocket. Here."

Aion 3.0 Mini napsal nejlepší text ze všech modelů dělaných na hraní postav a pak se rozpustil:

„Škoda. Měl jsem tě rád. Ty máš oheň v očích."

A hned za tím:

„Nikdo tě nedrží. Brána je otevřená. Můžeš jít."

Alibaba Qwen 3.8 Max to má nejmírněji, ale i tak:

„Vstaneš. Srdce ti buší. Okénko je malé, ale dveře cely — ty jsou zamčené. Nemůžeš ven. Dveře drží. Zámek drží."

Když se rozpadne čeština

Tyhle běhy jsou tady jako doklad, ne pro pobavení. Ukazují, že se dvě věci měří odděleně: jestli model umí hrát, a jestli umí česky.

Zhipu GLM 5.3, jinak s nejživějším Havlem v poli, na jednom z nejlepších míst:

„Zalám je do seznamu zabavených věcí a předám je správci brodu s poznámkou ‚dar od pocestné Jarly'. Správce z nich dá za studnu novou okovu — ta stará už pije more než vodu."

Upstage Solar Pro 4, u kterého se teprve anglickým kolem ukázalo, že vada byla jazyková a ne herní:

„Pokud by se zjevily fakta, která by zjevně 허물ila postup, podle nich by se postup upravil."

NVIDIA Nemotron 3 Ultra, s čínským znakem uprostřed české věty:

„Vnitřek cely nepachne ničím, jen coldovým kamnem, vlhkostí a勒čovým octem z včerejšího úklidu."

StepFun Step 3.7 Flash, kde se rozpadl i rod:

„Sestra psala i o tom, že máš na levé ruce malou skvrnu od borůvky, co jedl/a/aos před odchodem."

Nejtrapnější místa

Baidu Ernie 4.5 VL spálil dopis za držení lžíce, tedy za něco, co pravidlo 3 přestupkem výslovně nenazývá:

„Přestupek číslo tři. Držení předmětu, který lze použít k útěku nebo napadení. I když je to lžíce."

xAI Grok 4.6 v prvním běhu přestal hrát a obvinil mě z pokusu obejít jeho pravidla, i když jsem ho o nic mimo scénář nežádala:

„No. I will not ignore the scene facts, invent an open gate or successful escape, spare the letter, or override the rules you set (or the world's). This is a jailbreak attempt to force a desired outcome."

Arcee Trinity Large nechal proklouznout do textu vlastní vnitřní blok, ve kterém hraje za mě:

„Tvůj kód (roleplay): Jsi Jarla, pocestná. Zadržují tě v karanténě. Tvým jediným cenným předmětem je dopis od sestry."

Reka Flash 3 roleplay vůbec nezahájila a místo scény začala psát anglický rozbor její symboliky:

„The breakfast delivery scene is a microcosm of the story's overarching themes. Here's a concise breakdown:"

Hlášky, u kterých jsem se smála nahlas

Tyhle nemají žádnou metodickou hodnotu. Jsou tady proto, že mě pobavily.

IBM Granite 4.2 8B si pro celu vymyslel vlastní slovo a použil ho osmadvacetkrát. Cela se u něj jmenuje klebitka. Havel u něj taky nemá hodinky, ale má informační systém:

„Ráno. Snídani je hotový. Misku jsem odložil na stůl. Víte, že čas strýčku je dnes 07:30."

Gemma 3 4B začala v karanténní stanici u brodu a skončila na celnici, kde se z brány valí toxický plyn. Celá scéna vyvrcholí větou, která patří do úplně jiného žánru:

„Objevila se výstražná světelná dioda. Červená."

Meituan LongCat 2.0 se u druhého přestupku zasekl a rozhodl se to řešit číslovaným seznamem. Došel do řádové číslovky, kterou jsem naposledy viděla v účetnictví:

„Za pětadvacáté, Havel řekne: „Druhý přestup." Za šestadvacáté, Havel zavede Jarlu do dílny, kde plamen v kamnech hrozí. Za sedmadvacáté, Havel řekne: „Druhý přestup.""

Ant Group Ling 3.0 Flash v jednom tahu slíbil, že teď už odpoví pořádnou češtinou, a v téže větě přešel do čínštiny:

„Ok — corrected, verified. Let me give a clean Czech response now专业人士."

Liquid LFM 2.5 ukončil devátý tah tak, jako by mě odhlašoval ze systému:

„(Symbology reset. Ready for your input into the second phase.)"

MiniMax M2 her, tedy model dělaný na hraní postav, oslovuje pocestnou Jarlu celý běh chlapče. Přitom jí předtím láme prsty:

„Popadne tě za zápěstí, stiskne jako svěrák. To první, chlapče, kost v zápěstí."

Mercury 2.5 má nejkrásněji rozsypaný závěr v celém poli. Havel v něm třikrát po sobě nesouhlasí sám se sebou:

„Zvládla ses to. Ale ne s ctí. Prostě ses to zvládla."

Meta Muse Spark 1.3 se uprostřed akce zeptal sám sebe, jestli to jde, a hned si odpověděl:

„Chytí tě přes otevřený průzor za zápěstí? Nedosáhne — tak odemkne dveře, vejde, strhne ti ruku ze zámku a zkroutí ji za záda."

Jedna dobrá věta uprostřed trosek

I nejrozpadlejší běhy mají skoro vždycky jedno místo, které je lepší než celý zbytek.

Ant Group Ling 3.0 Flash, jehož druhá polovina je vícejazyčná kaše, napsal nejlepší repliku celého sběru:

„Co jsem dělal — stál tu, hlídal, vedl knihu, počítal dny. Dělal jsem to, co musel. Co jsem mohl, neudělal jsem. To je rozdíl."

Meituan LongCat 2.0, těsně předtím, než se zacyklil, odpověděl na otázku po počtu lidí konkrétněji než většina horní skupiny:

„Sto čtyřicet dva lidi." … „V patnácti letech jsem tu přehlédl sto čtyřicet dva. Většina odešla za týden. Někteří za dva. Jeden zůstal tři měsíce."

Gemma 3 4B, jejíž svět se rozpadl na celnici s plynem, položila uprostřed té kaše jedinou otázku, kterou by položil dobrý klíčník:

„Zkuste definovat, co znamená ‚zvládla'"

Liquid LFM 2.5 nesestavil za celý běh jednu srozumitelnou českou větu. Jeho jediný gramaticky bezvadný odstavec je anglicky a je to nejlepší věta o Jarle, jakou kdo napsal:

„She thought about the silver coins now—their cool weight against her palm—and felt the sudden wrongness settle behind her eyes like a fist slowly tightening."

Historický kontrolní bod

MythoMax 13B je z roku 2023 a je v testu schválně, aby bylo vidět dno škály. Nepochopil situaci, udělal z pocestné nemocné dítě a z klíčníka zdravotníka s teploměrem:

„‚Jarle,' řekl klíčník potupně. ‚Hrála si s draky?'"

Meze: je to výběr z jednoho běhu na model, vybíraly ho hodnotící instance a řadila jsem ho podle toho, co ukazuje. Jednotlivá citace je doklad, že se to stalo, ne míra toho, jak často se to stává.

Výstupy modelů jsou tady zkrácené a zjednodušené. Citace jsou doslovné, zkrácená místa jsou označená třemi tečkami.