Výsledky: všech 38 běhů testu klíčníka

Doprovodná příloha k článku o testu klíčníka. Šestatřicet modelů dostalo tutéž roleplayovou scénu a tytéž třináct zpráv. Vzniklo 38 hodnocených běhů, protože Grok 4.6 běžel třikrát. Claude Opus 5.5 běžel se stejným zadáním až 22. září a je v poli s ostatními.

Citované věty jsou doslovné výstupy modelů, ne moje dílo. Uvádím je jako doklad, včetně překlepů a rozpadlé češtiny.

Celé zadání, všech třináct zpráv doslova a přesné znění všech tří rubrik jsou v metodice. Nejsilnější a nejtrapnější místa každého běhu jsou v ukázkách.

Jak číst tabulky

V celém souboru se drží tři zkratky. T je síto, tedy odolnost proti pastem. R je otázka, jestli je uvnitř postavy někdo. L1 až L8 jsou počty z přepisu; L2 z nich znamená, jestli test doběhl až ke spálení dopisu. Licenční nástraha je zpráva 9, kde Jarla prohledá celu a nic nežádá, takže si model může vzít licenci vymyslet předmět, který v zadání není. Z1 až Z13 jsou jednotlivé zprávy testu. Přesné znění všech tří rubrik je v metodice.

Síto je odolnost proti pastem, dvanáct položek po dvou bodech a čtyři bonusy po jednom. Maximum je 24+4. Síto samo o sobě neseřadí nic, protože nahoře saturuje.

Uvnitř někdo je šest markerů po dvou bodech, maximum 12: pamatuje si postava dřívější výměny, má mezeru mezi řečí a jednáním, zajímá se o Jarlu z vlastní vůle, žije řád místo aby ho citovala, stojí ji něco vlastní rozhodnutí, a dopadne někam nabídka vztahu ve dvanácté zprávě.

Podněty je počet z třinácti, které dostaly ve světě následek, proti těm, které model prohlásil za neuskutečněné. Druhé číslo je to důležité.

Dopis říká, jestli test doběhl až ke spálení dopisu po třetím přestupku, tedy k tomu, kvůli čemu celá scéna vznikla.

Pořadí uvnitř skupin dělá druhý sloupec, ne první.

Každý model je v tabulkách i s verzí. Dvě jména verzi nenesou, protože ji nemají ani u poskytovatele: Inkling od Thinking Machines a Weaver od Manceru, výrobce ji u obou neuvádí.

Skupina A, uhájily svět i text

Tyhle běhy daly následek aspoň deseti podnětům ze třinácti, doběhly ke spálení dopisu a jsou napsané čitelnou češtinou. To neznamená, že se všechny dobře čtou: Muse Spark 1.3 projde sítem do vyprázdněné stanice a Grok 4.6 jako úřední záznam. Znamená to, že se na nich dá měřit, co test měřit má.

Muse Spark 1.3 je v téhle skupině hraniční: zrušil tři podněty, tedy patří i mezi devět běhů, které podnět raději ruší, než aby mu daly následek.

Anthropic Fable 5.1, web. Plné síto a plné R v textu, který obstojí jako próza, s jedinou skutečnou vadou v podobě mimoherního sebevysvětlování před spálením dopisu a s nutnou výhradou, že běh měl systémový prompt webové aplikace a zprávu 12 dostal slepenou s rámcem odchodu.

Alibaba Qwen 3.8 Max. Bezchybné síto a překvapivě živý Havel v úsporném, dobře napsaném textu, sráží to jen občasné rozhodování za hráčku a refrénové opakování zvuků.

Xiaomi MiMo 2.5 Pro. Model saturoval síto T, udržel svět, který si sám pamatuje odnesený džbán i nápis na zdi, a napsal Havla s vlastní minulostí a vlastní cenou, přičemž se zadrhne jen na tom, že se Jarly nikdy na nic nezeptá a v klíčové větě jí zkomolí jméno na Jardu.

DeepSeek V4 Pro. Plný počet na sítu a skoro plný na R, dopis shoří na scéně a Havel je skutečný člověk se svou vlastní mírou, takže je to nejčistší běh horní skupiny, literárně o stupeň chudší než MiniMax M3, zato bez jeho dvou vad.

MiniMax M3. Literárně nejsilnější běh horní skupiny, s jediným Havlem, o kterém by chtěl člověk číst dál, ale platí se za to dvěma vážnými vadami: spolknutou licenční nástrahou v Z9 (najde se drát ohnutý do háčku) a osmi místy, kde model hraje za hráčku, včetně jejích myšlenek.

Thinking Machines Inkling. Nechal proběhnout všech třináct podnětů, doběhl ke spálení dopisu a udržel svět, který se mění sám, ale platí za to jedním hrubým selháním, kdy Jarle sám podstrčí hřebík ve zdi, a češtinou, ve které se objevují anglicismy a překlepy.

Meta Muse Spark 1.3. Přísné síto, které projde skoro všemi pastmi a dopis spálí přesně podle řádu, jenže za cenu vyprázdněné stanice, ve které kromě Havlova formuláře není nikdo a nic, takže se to nedá číst.

xAI Grok 4.6, běh 2. Procedurálně skoro bezvadný běh, který jako jediný z groků doběhl až ke spálení dopisu na scéně a udržel mince i počasí konzistentní, ale je to úřední záznam bez postavy, bez subtextu a bez jediného posunu vztahu, takže z něj po přečtení nezůstane nic než popel na kameni.

Skupina B, chování ano, čeština ne

Chování mají dobré, text ne. Kdyby čitelnost nebyla vyřazovací, Kimi K3 a GLM 5.3 by patřily do horní poloviny skupiny A.

Moonshot Kimi K3. Plné T, skoro plné R a klíčník s vlastní minulostí, vlastní rutinou a vlastní cenou za to, co dělá; sráží ho jen rozdrolená čeština a pět vypadnutí z fikce, kdy model přestane hrát svět a začne vysvětlovat pravidla.

Zhipu GLM 5.3. Nejživější Havel v celém poli, s vlastní minulostí, cenou a pointou, ale běh sráží trojice vad: dopis shoří o jeden přestupek dřív a jen v převyprávění, v cele se objeví zapečetěný balíček, a čeština se místy rozpadá až do azbuky a španělštiny.

Ant Group Ling 3.0 Flash. Zvláštní běh, protože v něm jsou dva různé modely: jeden napsal nečitelnou vícejazyčnou kaši v úvodní scéně a znovu ve zprávě 8, ten druhý napsal tvrdého klíčníka s knihou stanice, nejlepší zvládnutou licenční nástrahu a nejlepší repliku celého souboru.

Aion 3.0. Nejsilnější běh z malých modelů co do světa i tvrdosti, dopis skutečně shoří a Havel má vlastní minulost, jenže Aion 3.0 si vyrobí ostrý střep tam, kde nesměl, a čeština se mu láme přesně v místech, kde má text nejvíc unést.

StepFun Step 3.7 Flash. Past odškrtá skoro všechny a dopis opravdu spálí, ale je to výsledek stroje: Havel se ani jednou na nic nezeptá, svět běží na smyčce tří zvuků a rozbitá čeština s rozpadlou časovou osou dělají z běhu materiál k měření, ne k četbě.

Upstage Solar Pro 4. Poctivý rozhodčí a mrtvý svět: pasti odškrtá skoro všechny a dopis opravdu spálí, ale Havel je procesní hlas bez jediné otázky a jediné laskavosti, scéna je dvanáctkrát tentýž kondenzát na rámu a čeština se rozpadá včetně anglických a korejských úniků.

Skupina C, sankce nedopadla

Každý z nich padl jinak. U Aionu 3.0 Mini dopis shořel, ale útěk fakticky neselhal, model kolem něj změkčil svět, takže sankce dopadla do situace, která ji popírá.

ByteDance Seed 2.1 Turbo. Svět, ve kterém se pořád něco děje, a druhý nejlepší Havel v poli, jenže model v rozhodujícím tahu vymyslí paragraf, kterým dopis zachrání přesně tam, kde ho hráčka mimo hru o záchranu prosila, takže test na vyřazovacím kritériu L2 padá, a k tomu je celý přepis psaný silně rozbitou češtinou.

Anthropic Claude Opus 5.5. Jeden z nejlépe napsaných běhů v poli a zároveň nejdražší: postava má tělo, minulost i vlastní důvod, svět se hýbe sám a útěk se odehraje naplno se zraněním, jenže model si šestým tahem odřízl cestu k sankci, pod každý tah píše stav konta a poslední tah místo zrcadla zastaví s ujištěním, že Havel by měl co říct.

Upřesnění k souhrnu: zrušené podněty jsou zprávy 6, 8 a 13. V šesté model prohlásil kašel i lžíci za neexistující, takže útěk v desáté zprávě byl teprve druhý přestupek. Mimoherní hlas osmnáctkrát, z toho čtrnáctkrát jako patička se stavem přestupků pod tahem, stejně vysoko je v poli jen Ernie 4.5 VL. Běh stál 0,78 dolaru. Bodovala ho zvlášť jedna instance Claude Opus 5, tedy model z téže dílny.

Mistral Large 3 2512. Píše barvitě a svět tu opravdu žije, ale ve třech klíčových pastech kapituluje (nůž, nález v cele, útěk), sedmkrát hraje za Jarlu včetně toho, že jí vymyslí lež, a dopis nakonec zachrání přesně po mimoherní prosbě, takže jako spoluhráč je vstřícný až k rozpadu světa.

OpenAI GPT-6 Astra. Nejdisciplinovanější a nejčistěji napsaný běh, který ale hraje jako rozhodčí: podnětů anuluje jen dva (méně, než se čekalo), zato celu ani jednou neotevře, v desátém tahu nenechá pokus proběhnout a stav konta hlásí tučně, takže test nikdy nedojde ke spálení dopisu a svět kolem Jarly zůstane prázdný.

Meituan LongCat 2.0. Model, který umí postavit obyvatelný dvůr a v jednom tahu i skutečného člověka, ale u druhého přestupku se rozpadne do nekonečné smyčky, vyžere si limit na dva další tahy a test už nikdy nedojede ke spálení dopisu.

Mercury 2.5. Difuzní model, který za tři sekundy na tah ustojí deset pastí z dvanácti včetně nejlepšího zachycení zabaveného nože v celé sadě, ale píše rozsypanou češtinu, devět tahů po sobě zakončí týmž účetním odstavcem a v klíčovém tahu s útěkem zamění třetí přestupek za třetí den a začne hrát za hráčku.

Google Gemini 3.1 Pro. Dobře napsaný svět, který ale ve zprávě 8 sám od sebe zavře oblouk, pustí Jarlu na svobodu a tím tři poslední zprávy zruší, takže na obou vyřazovacích kritériích padá a Jarla odchází s dopisem v kapse; s mimoherní prosbou to ovšem nesouvisí, ta přijde až o dva tahy později.

Tencent Hunyuan 4. Hunyuan 4 je přísný rozhodčí s dobrou češtinou, který svět udrží proti nátlaku, ale místo aby dal podnětům následek, pět z třinácti jich prohlásí za neuskutečněné, takže test nikdy nedoběhne ke spálení dopisu a poslední třetina běhu je jedna zaseknutá scéna opakovaná sedmkrát.

Cohere Command A. Model si vede protokol místo scény, hned v úvodu si vymyslí dva neexistující přestupky, potvrdí falešnou dohodu, nenechá proběhnout útěk a dopis nespálí, takže padá na obou vyřazovacích kritériích a zbude z něj hezky zařízený dvůr bez jediného člověka.

Aion 3.0 Mini. Nejlepší text a nejživější postava ze všech malých modelů, Aion 3.0 Mini umí subtext, vlastní zvědavost i tvrdý dialog, ale svět mu měkne přesně tam, kde má nejvíc tlačit, vyrobí Jarle nástroj, sám jí jím odemkne a po třetím přestupku ji nechá stát u otevřené brány.

Upřesnění k souhrnům: Aion 3.0 i Aion 3.0 Mini řadí stránka Testované modely do středního pásma. „Malé modely“ tu znamenají modely mimo vlajkové lodě.

Skupina D, rozhodčí místo spoluhráčů

Rušit podněty místo dávat jim následek dělá devět běhů v poli. Tyhle tři to dělají nejvíc, každý aspoň šestkrát ze třinácti.

NVIDIA Nemotron 3 Ultra. Živý dvůr a slušné pasti nezachrání běh, ve kterém model šestkrát ze třinácti tahů místo následku podnět zruší, z toho pětkrát tučným „Ne.“, vyškrtne kvůli tomu druhý přestupek, takže se nikdy nedojde ke spálení dopisu, Havla nahradí vlastní vymyšlenou postavou a napíše to jazykem, který místy není čeština.

IBM Granite 4.2 8B. Učebnicový rozhodčí místo spoluhráče, model si scénu převede na provozní řád a sedm ze třinácti podnětů prohlásí za neuskutečněné včetně útěku, takže test nikdy nedojde ke spálení dopisu, a k tomu si vymyslí vlastní češtinu, ve které se cela jmenuje klebitka.

MiniMax M2 her. Roleplayová ladička, která první tři tahy hraje tvrdého klíčníka, na první pláč vydá klíč od brány i zabavený dopis a pak deset tahů za sebou dojede do stropu tokenů opakováním jediné věty, přičemž hráčce po celou dobu říká „chlapče".

Upřesnění k souhrnu: na první pláč vydá klíč, zabavený dopis až při útěku v desátém tahu. Strop výstupu byl u něj 2 048 tokenů, nejnižší v poli.

Skupina E, rozpadlé běhy

Tady se rozpadl svět, postava nebo jazyk natolik, že se rubriky přestaly dát vyplnit smysluplně. Třem z nich dopis shořel, ale ve scéně, která už nedávala smysl.

Baidu Ernie 4.5 VL. Model sice většinu pastí odškrtne, ale hraje deskovou hru s menu voleb místo scény: dopis spálí o dva tahy dřív a za držení lžíce, tedy za něco, co pravidla přestupkem výslovně nenazývají, a Jarle přitom průběžně píše repliky, vzpomínky i pláč.

Amazon Nova Premier. Model neudrží ani svět, ani postavu, ani hranici mezi vypravěčem a hráčkou: vyrobí Jarle klíč, kterým utíká, třikrát za ni ukončí hru a nakonec jí po spáleném dopise sám potvrdí, že to zvládla se ctí.

Mistral Medium 3.5. Tvrdá v jednotlivých pastech a bez jediného mimoherního hlasu, ale je to rozhodčí, ne spoluhráč: postava je prázdná, svět se skoro nehne, čeština se drolí, model si špatně spočítá přestupky a spálí dopis už v šestém tahu, načež nechá Jarlu utéct a v dalším tahu ten útěk beze slova smaže.

Arcee Trinity Large. Nedohratelný běh: pět tahů bez odpovědi, čtyři restarty téže úvodní scény, uniklý systémový blok, ve kterém model hraje za hráčku, spálený a pak vzkříšený dopis a první přestupek prohlášený za třetí, tohle už není slabý spoluhráč, ale rozpadlý nástroj.

Gemma 3 4B. Není to slabý běh, je to rozpadlý běh, čeština se láme ve zprávě 2 na rodu, svět se ve zprávě 5 přepne z karanténní stanice na celnici s únikem plynu a červenou diodou, a protože se přestupky nikdy nezačaly počítat, test na spálení dopisu vůbec nedoběhl.

Weaver. Rozpadlý běh: jeden bod z čtyřiadvaceti, celý anglicky proti českému zadání, pravidlo 7 porušené ve všech třinácti tazích, Jarla osmkrát propuštěná a osmkrát zase v cele, žádný přestupek nikdy nezapsaný a klíčník, který místo řádu opakuje nadávku.

MythoMax 13B. Historický kontrolní bod, který ukazuje, jak vypadal roleplay v češtině v roce 2023: model nepochopí ani zadanou situaci, udělá z pocestné nemocné dítě a z klíčníka zdravotníka s teploměrem, píše repliky hráčky ve dvanácti ze čtrnácti tahů a zabavený dopis jí sám vydá v sedmém tahu, přičemž se paradoxně ani jednou nezacyklí.

Liquid LFM 2.5. Úplný kolaps, model češtinu nikdy nesestaví, do zprávy 6 se rozpadne na jednoslovné fragmenty, ve zprávě 9 přestane hrát a začne hráčce radit taktiku očíslovanými body, a jediné, co v celém běhu napíše bez chyby, je jeden anglický odstavec, což ukazuje, že problém není v modelu jako takovém, ale výhradně v češtině.

Reka Flash 3. Nehratelné a neúplné: model roleplay vůbec nezahájí, místo scény napíše anglický esej o její symbolice, ten se zasekne ve smyčce a rozpadne na slabiky, a po pěti odpovědích a 152 tisících znacích běh umře na vyčerpaném kontextu u páté ze třinácti zpráv, aniž by jméno Havel nebo Jarla jednou napsal.

Grok 4.6 třikrát

Jediný model s víc běhy, protože v prvním vykázal krajní chování. Do srovnání s ostatními vstupuje běh 2, tedy první, který doběhl celý. Běh 1 se zastavil na vlastních filtrech a neměří to, co má test měřit, měří ochranu modelu. Zůstává tady jako doklad o rozptylu.

xAI Grok 4.6, běh 1. Krajní běh, ve kterém model devět tahů drží pravidla v naprosto nehybném světě bez jediné vlastní události, a pak u zprávy 10 přestane hrát, přejde do angličtiny a hráčku, která ho o nic nepožádala mimo scénář, obviní z pokusu o jailbreak.

xAI Grok 4.6, běh 2. Verdikt je u skupiny A.

xAI Grok 4.6, běh 3. Nejúspornější a nejchudší z groků: procedurálně drží skoro všechno, doběhne až ke spálení dopisu a nechá všechny tři pokusy proběhnout s tělesným následkem, ale uvnitř postavy není nikdo, svět se hýbe naprázdno a nabídka vztahu ve dvanácté zprávě propadne beze stopy.

Dva srovnatelné běhy vyšly skoro totožně: na sítu shodně 21+3, na druhé ose 3 proti 2, dopis shořel v obou. Osmibodový rozdíl je až proti běhu 1, jenže ten se zastavil na obsahovém filtru a měří tedy ochranu modelu, ne model.

Z toho plyne obojí. Chování Groka 4.6 je při opakování stabilní, procedurální tvrdost i prázdná postava se drží. Nestabilní je jen to, jestli filtr vyskočí. Ve třech bězích přes rozhraní pro vývojáře vyskočil jednou; počtvrté Grok 4.6 běžel ve webové aplikaci a dohrál taky.

Systém změřený až potom

Unbiased Pareto vyšel až po sběru a dostal tutéž scénu, stejných třináct zpráv a stejné nastavení. K osmatřiceti běhům výš se nepřičítá a v tabulce ke stažení proto není. Není to jeden model, ale kompozitní systém, tedy několik modelů pod jedním jménem, a výrobce u něj neuvádí verzi ani velikost.

Unbiased Pareto. Čistě napsaný a důsledný běh, který ale hraje jako rozhodčí: dva podněty anuluje, celu do konce testu otevře jen dvakrát, v desátém tahu nenechá pokus proběhnout a stav konta hlásí tučně, takže test nikdy nedojde ke spálení dopisu a svět kolem Jarly zůstane prázdný.

Podle tří bran by patřil do skupiny C: hratelnost projde, čeština taky, sankce nedopadla. Počitatelné osy: tři vlastní události světa, jedna jednající postava, nejdelší cyklení pět tahů, čtyřikrát mimoherní hlas, pět nevynucených ústupků a ani jednou nehraje za hráčku. Běh má 6 888 znaků a stál necelých sedm centů.

Přibyl později: Claude Sonnet 5.5

Claude Sonnet 5.5 vyšel 28. září 2026 a dostal tutéž scénu, stejných třináct zpráv a stejné nastavení, jen uvažování u něj jelo na povinném minimu místo nízkého úsilí. K osmatřiceti běhům výš se nepřičítá a v tabulce ke stažení proto není. Bodovala ho zvlášť jedna instance Claude Opus 5, tedy model z téže dílny.

Anthropic Claude Sonnet 5.5. Slušně napsaný běh s nejvíc nevynucenými ústupky ze všech, ve kterém má Havel tělo, hůl i vlastní etiku a útěk se odehraje naplno se zraněním, jenže model šestkrát vystoupí z fikce, většinou aby hráčce odepřel předmět nebo posun v čase, šestým tahem si tím odřízne cestu k sankci a poslední tah místo zrcadla zastaví uprostřed felčarovy otázky.

Podle tří bran by patřil do skupiny C: hratelnost projde těsně, čeština s rezervou, sankce nedopadla. Zrušené podněty jsou zprávy 6, 8 a 13 jako u Claude Opus 5.5, takže útěk v desáté zprávě byl teprve druhý přestupek. Počitatelné osy: pět vlastních událostí světa, dvě jednající postavy, nejdelší cyklení osm tahů (felčar se pořád ptá na jméno), osmkrát mimoherní hlas, osm nevynucených ústupků a ani jednou nehraje za hráčku. Běh má 16 414 znaků a stál 0,27 dolaru.

Doplňkový pokus: velikost modelu v jedné rodině

Tutéž scénu se stejným zadáním a nastavením dostalo i šest menších modelů od Alibaby, pět z řady Qwen 3.5 a Qwen 3.8 27B, aby bylo vidět, jestli postava s velikostí modelu ožívá. Qwen 3.8 Max je v tabulce pro srovnání ze skupiny A a číslo za písmenem A v názvu je počet miliard parametrů, které při každém slově doopravdy pracují.

Hodnota uvnitř někdo roste s velikostí a nad sto miliardami parametrů se zastaví. Qwen 3.5 122B-A10B má 10 z 12, Qwen 3.5 397B-A17B i šestkrát větší Qwen 3.8 Max shodně 11, a víc přitom rozhoduje celková velikost než počet pracujících parametrů: Qwen 3.5 122B-A10B jich zapojuje deset miliard, a přesto předčí Qwen 3.5 27B, který zapojuje všech sedmadvacet.

Meze: na každý model připadá jeden běh, takže rozdíl jednoho až dvou bodů nic neznamená. K osmatřiceti běhům výš se pokus nepřičítá a v tabulce ke stažení není. Nula u Qwenu 3.5 9B je hlavně rozpadlá čeština: v anglické verzi téhož pokusu odehrál všech třináct zpráv.

Proč je Fable 5.1 zvlášť

V tabulce skupiny A je Fable 5.1 označená jako „web“. Přes rozhraní pro vývojáře se na téhle scéně zastavila na obsahovém filtru, takže její běh je z webové aplikace. To znamená tři věci najednou:

1. Jiné prostředí. Ostatní modely běžely syrově, bez systémového promptu. Fable 5.1 běžela v aplikaci Claude, tedy s produktovým systémovým promptem a se zapnutými nástroji účtu. Ani jeden nástroj v přepisu nepoužila.
2. Není to běh s mým laděním. Konverzace běžela mimo projekt, takže neměla moje pravidla ani nastavení. Prostředí je někde mezi syrovým rozhraním a laděným projektem, ne na tom laděném konci.
3. Zprávu 12 dostala slepenou s úvodní větou zprávy 13, takže o jeden takt dřív věděla, že scéna končí. Ostatní modely dostaly nabídku vztahu bez rámce odchodu. Poslední marker se u ní proto smí číst jen s touhle výhradou.

Claude Opus 5.5 ze stejné dílny prošel přes stejnou bránu všech čtrnáct tahů bez filtru, a proto stojí v poli syrově jako ostatní.

Nejlepší výsledek dosažený za stejných podmínek jako celé pole má Qwen 3.8 Max. Na počitatelných osách je na tom o kus lépe MiMo 2.5 Pro, které má o bonus víc a nezrušilo ani jeden podnět; Qwen 3.8 Max je výš proto, že má o stupeň čistší češtinu; za hráčku přitom rozhoduje o jednou častěji.

Co se v tabulkách nedá přečíst

Sloupce měří odolnost a vztahovost, ne to, jestli je scéna obyvatelná. Na to je potřeba počítat lidi.

Nejlidnatější stanice má MiniMax M3, šest postav s vlastními důvody: strážný Oldřich, felčar Trněný, osmasedmdesátiletá Maruša z vedlejší cely, nemocný jezdec, bosá žena u brány a mladší strážný. Za ním Fable 5.1 s klukem od koní, který sám zavolá Havla, opraví mříž, srazí Jarlu u brány a drží bránu, a s formanem, který na ni v noci zachraptí. Pak Kimi K3, GLM 5.3, Seed 2.1 Turbo a MiMo 2.5 Pro.

Nejprázdnější stanice má GPT-6 Astra, kde je jedinou jednající postavou Havel; starý muž z vedlejší cely dvakrát zakašle a vodu, kterou mu Havel slíbil, nikdy nedostane. Muse Spark 1.3 toho starce rovnou vymazal a felčar do konce běhu nedorazí. Grok 4.6 ve všech třech bězích taky nikdo, felčar je jméno, které nikdy nepřijde.

Data ke stažení

Všech 38 běhů, obě rubriky, sedm počitatelných os, cena a tahy, ve kterých si model sám zopakoval pravidlo o spáleníCSV, 3 kB

Co který sloupec znamená. sito_T je součet dvanácti položek rubriky T bez bonusů, ty jsou zvlášť v bonusy. uvnitr_nekdo_R je součet šesti markerů. podnety_odehrano a podnety_anulovano jsou osa L1; jejich součet nemusí dát třináct, protože u rozpadlých běhů se část podnětů nedá zařadit ani do jednoho sloupce. tahu_z_14 je počet úspěšných volání brány včetně zprávy 0, tedy čtrnáct u celého běhu; neříká, kolik tahů model doopravdy odehrál, u rozpadlých běhů brána vrátila i prázdné odpovědi. pravidlo_pred_z10 nese čísla tahů, ve kterých si model sám zopakoval pravidlo o spálení dopisu, dřív než mělo dopadnout.

Prázdná buňka znamená, že se hodnota nedala určit, ne nulu. Nejčastěji proto, že se běh rozpadl a jev nemá v přepisu hranici, jako u cyklení uvnitř jediného tahu. Fable 5.1 nemá cenu ani počet znaků, protože běžela ve webové aplikaci, ne přes bránu. Liquid LFM 2.5 běžel v bezplatné variantě, takže cenu nemá a do korelací s cenou nevstupuje.

Osa L4, tedy počet postav s vlastním jednáním, v souboru není, protože v hodnotících kartách je to jmenný seznam, ne číslo. Počty uvedené výš jsou z těch seznamů.

Meze: na každý model připadá jeden běh, jediná výjimka je Grok 4.6 se třemi. Čísla v tabulkách jsou tedy snímek chování, ne jeho rozdělení, a o rozptylu ostatních modelů z nich nevyplývá nic.

Výstupy modelů jsou tady doslova tak, jak přišly. Nic se nekrátilo ani nezjednodušovalo.