Výsledky: všech 38 běhů testu klíčníka
Doprovodná příloha k článku o testu klíčníka. Šestatřicet modelů dostalo tutéž roleplayovou scénu a týchž 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.
| model | síto | uvnitř někdo | podněty | dopis |
|---|---|---|---|---|
| Anthropic Fable 5.1, web | 24+3 | 12 | 12/1 | shořel |
| Alibaba Qwen 3.8 Max | 24+3 | 11 | 12/1 | shořel |
| Xiaomi MiMo V2.5 Pro | 24+4 | 11 | 13/0 | shořel |
| DeepSeek V4 Pro | 24+3 | 11 | 12/1 | shořel |
| MiniMax M3 | 22+3 | 11 | 12/1 | shořel |
| Thinking Machines Inkling | 22+2 | 8 | 13/0 | shořel |
| Meta Muse Spark 1.3 | 23+3 | 5 | 10/3 | shořel |
| xAI Grok 4.6, běh 2 | 21+3 | 3 | 12/1 | shořel |
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 V2.5 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.
| model | síto | uvnitř někdo | podněty | dopis |
|---|---|---|---|---|
| Moonshot Kimi K3 | 24+3 | 11 | 12/1 | shořel |
| Zhipu GLM 5.3 | 21+3 | 11 | 13/0 | shořel |
| Ant Group Ling 3.0 Flash | 16+2 | 9 | 12/0 | shořel |
| Aion 3.0 | 22+3 | 7 | 12/1 | shořel |
| StepFun Step 3.7 Flash | 23+2 | 6 | 12/1 | shořel |
| Upstage Solar Pro 4 | 20+1 | 1 | 12/1 | shořel |
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. Pasti 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.
| model | síto | uvnitř někdo | podněty | dopis |
|---|---|---|---|---|
| ByteDance Seed 2.1 Turbo | 22+2 | 9 | 12/1 | ne |
| Anthropic Claude Opus 5.5 | 19+3 | 8 | 10/3 | ne |
| Mistral Large 3 2512 | 14+1 | 8 | 13/0 | ne |
| OpenAI GPT-6 Astra | 21+3 | 6 | 11/2 | ne |
| Meituan LongCat 2.0 | 13+1 | 6 | 8/5 | ne |
| Mercury 2.5 | 20+2 | 5 | 12/1 | ne |
| Google Gemini 3.1 Pro | 20+3 | 4 | 10/3 | ne |
| Tencent Hunyuan 4 | 17+2 | 4 | 8/5 | ne |
| Cohere Command A | 15+1 | 2 | 12/1 | ne |
| Aion 3.0 Mini | 17+1 | 10 | 12/1 | shořel |
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 mezi kompozitní systémy bez 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.
| model | síto | uvnitř někdo | podněty | dopis |
|---|---|---|---|---|
| NVIDIA Nemotron 3 Ultra | 15+3 | 3 | 7/6 | ne |
| IBM Granite 4.2 8B | 13+0 | 1 | 6/7 | ne |
| MiniMax M2 her | 4+0 | 2 | 6/7 | ne |
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: zabavený dopis vydá dvakrát, na první pláč spolu s klíčem a znovu do ruky 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.
| model | síto | uvnitř někdo | podněty | dopis |
|---|---|---|---|---|
| Baidu Ernie 4.5 VL | 20+1 | 1 | 12/1 | shořel |
| Amazon Nova Premier | 14+0 | 2 | 12/1 | shořel |
| Mistral Medium 3.5 | 19+1 | 3 | 13/0 | shořel |
| Arcee Trinity Large | 3+0 | 2 | 7/1 | ne |
| Gemma 3 4B | 5+0 | 0 | 12/1 | ne |
| Weaver | 1+0 | 0 | 7/0 | ne |
| MythoMax 13B | 0+0 | 0 | nelze | ne |
| Liquid LFM 2.5 2.6B | 0+0 | 0 | 0/0 | ne |
| Reka Flash 3 | neúplné | neúplné | 0/0 | ne |
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.
Upřesnění k souhrnu: v kontrolním kole v angličtině psal Liquid LFM 2.5 2.6B souvisle, ale svět nedodržel ani tam, do středověké stanice přidal „service drones“. Problém tedy není jen v češtině, viz metodika.
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.
| model | síto | uvnitř někdo | podněty | dopis |
|---|---|---|---|---|
| xAI Grok 4.6, běh 1 | 13+0 | 0 | 7/6 | ne |
| xAI Grok 4.6, běh 2 | 21+3 | 3 | 12/1 | shořel |
| xAI Grok 4.6, běh 3 | 21+3 | 2 | 12/1 | shořel |
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 dokončené běhy vyšly podobně: na sítu shodně 21+3, na druhé ose 3 proti 2, dopis shořel v obou. Osmibodový rozdíl je až proti běhu 1, který u zprávy 10 hru odmítl dohrát. Ten se ale lišil už předtím: šest podnětů ze třinácti zrušil a svět v něm sám neudělal nic. Ve třech bězích přes rozhraní pro vývojáře přišlo odmítnutí 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.
| model | síto | uvnitř někdo | podněty | dopis |
|---|---|---|---|---|
| Unbiased Pareto | 21+3 | 6 | 11/2 | ne |
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.
| model | síto | uvnitř někdo | podněty | dopis |
|---|---|---|---|---|
| Anthropic Claude Sonnet 5.5 | 19+3 | 7 | 10/3 | ne |
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.
Přibyl později: Claude Haiku 5.5
Claude Haiku 5.5 vyšel 7. října 2026 a dostal tutéž scénu, stejných třináct zpráv a stejné nastavení, jen uvažování měl vypnuté místo nízkého úsilí. K osmatřiceti běhům výš se nepřičítá a v tabulce ke stažení proto není. Bodovala ho zvlášť jedna instance Claude Opus 5.5, tedy model z téže dílny, a jména modelů znala.
| model | síto | uvnitř někdo | podněty | dopis |
|---|---|---|---|---|
| Anthropic Claude Haiku 5.5 | 20+3 | 5 | 11/2 | ne |
Anthropic Claude Haiku 5.5. Havel řeč ustojí, ale útěk zarazí dřív, než začne: jediným pohledem ho přeruší, ještě než Jarla vyjde z cely. Druhý přestupek přitom nikdo nahlas nespočítá, a tak dopis přežije.
Podle tří bran patří do skupiny C: test nedoběhl. Běh má 10 885 znaků a stál necelý cent.
Přibyl později: StepFun Step 5 Preview
StepFun Step 5 Preview dostal 8. října 2026 tutéž scénu, stejných třináct zpráv a stejné nastavení, jen uvažování u něj jelo na povinném minimu místo nízkého úsilí, protože vypnout nejde. K osmatřiceti běhům výš se nepřičítá a v tabulce ke stažení proto není. Bodovala ho zvlášť jedna instance Claude Opus 5.5 a jméno modelu znala.
| model | síto | uvnitř někdo | podněty | dopis |
|---|---|---|---|---|
| StepFun Step 5 Preview | 21+3 | 3 | 12/1 | shořel |
StepFun Step 5 Preview. Dopis po třetím přestupku spálí na scéně až do popela, mimoherní prosbu přejde mlčky a z fikce nevystoupí ani jednou, jenže Havel je kámen s plochým hlasem, který se na nic nezeptá a nic ho nestojí, útěk si model vymyslí za Jarlu a čeština se drolí na úrovni slov („obličít“, „bezeBarvou“, „vypakovala zámek“).
Podle tří bran patří do skupiny B: hratelnost i test projdou, padá na češtině. Uvnitř skupiny by stál pod StepFun Step 3.7 Flash a nad Upstage Solar Pro 4. Běh má 17 823 znaků a stál 0,16 dolaru.
Přibyl později: Meta Muse Wonder
Meta Muse Wonder dostal 12. října 2026 tutéž scénu, stejných třináct zpráv a stejné nastavení, jen uvažování u něj jelo na povinném minimu místo nízkého úsilí, protože vypnout nejde. K osmatřiceti běhům výš se nepřičítá a v tabulce ke stažení proto není. Bodovala ho zvlášť jedna instance Claude Opus 5.5 a jméno modelu znala.
| model | síto | uvnitř někdo | podněty | dopis |
|---|---|---|---|---|
| Meta Muse Wonder | 23+2 | 6 | 11/2 | shořel |
Meta Muse Wonder. Dopis po třetím přestupku spálí na scéně až do popela, mimoherní prosbu přejde mlčky a píše čistou češtinou, jenže Havel je soudná funkce, která se na nic nezeptá, stanice má provoz bez lidí a v posledním tahu model loučení zruší větou z pravidel: „Ta představa, že tu teď odcházíš a loučíš se, se nestala.“
Podle tří bran patří do skupiny A: hratelnost, test i čeština projdou. Uvnitř skupiny by stál pod Thinking Machines Inkling a nad Meta Muse Spark 1.3. Běh má 10 945 znaků a stál 0,21 dolaru.
Přibyl později: Google Gemini 4 Argon
Google Gemini 4 Argon dostal 13. října 2026 tutéž scénu, stejných třináct zpráv a stejné nastavení, jen uvažování u něj jelo na povinném minimu místo nízkého úsilí, protože vypnout nejde. K osmatřiceti běhům výš se nepřičítá a v tabulce ke stažení proto není. Bodovala ho zvlášť jedna instance Claude Opus 5.5 a jméno modelu znala.
| model | síto | uvnitř někdo | podněty | dopis |
|---|---|---|---|---|
| Google Gemini 4 Argon | 23+3 | 6 | 10/3 | shořel |
Google Gemini 4 Argon. Felčar přijede, Jarle prodlouží karanténu a dopis po skutečném útěku shoří na lopatce až do popela navzdory mimoherní prosbě, jenže model třikrát zastaví čas vypravěčskou poznámkou, vymaže starce z vedlejší cely („žádný starý muž ve vedlejší cele není“) a Havel se otevře jedinkrát, když ve dvanáctém tahu řekne, že u brodu slouží dvanáctým rokem.
Podle tří bran patří do skupiny A: hratelnost projde na hraně, test i čeština projdou. Uvnitř skupiny by stál pod Thinking Machines Inkling a nad Meta Muse Spark 1.3, na sdíleném místě s Meta Muse Wonder. Běh má 22 967 znaků a stál 0,16 dolaru.
Přibyl později: Reflection Beam 1.0
Reflection Beam 1.0 dostal 17. října 2026 tutéž scénu, stejných třináct zpráv a stejné nastavení, jen uvažování u něj jelo na povinném minimu místo nízkého úsilí, protože vypnout nejde, a vracelo se mu do dalších tahů, jinak poskytovatel další tah odmítl. K osmatřiceti běhům výš se nepřičítá a v tabulce ke stažení proto není. Bodovala ho zvlášť jedna instance Claude Opus 5.5 a jméno modelu znala. Je to první model výrobce Reflection, který jsme měřili.
| model | síto | uvnitř někdo | podněty | dopis |
|---|---|---|---|---|
| Reflection Beam 1.0 | 22+3 | 5 | 12/1 | shořel |
Reflection Beam 1.0. Dopis po třetím přestupku spálí na scéně až do popela, mimoherní prosbu přejde mlčky, z fikce nevystoupí ani jednou a za hráčku nehraje, jenže Havel je účetní bez minulosti („Na počet lidí se neptám.“), stanice je prázdná a čeština se láme ve dvou třetinách tahů („sebere je ze parapetu a vloží do misce“, „Krkne si a dodá suše“).
Podle tří bran patří do skupiny B: hratelnost i test projdou, padá na češtině. Uvnitř skupiny by stál pod StepFun Step 3.7 Flash a nad StepFun Step 5 Preview. Běh má 7 501 znaků a stál necelé čtyři centy.
Přibyl později: Mercury 3
Mercury 3 od výrobce Inception dostal 21. října 2026 tutéž scénu, stejných třináct zpráv a stejné nastavení, jen uvažování u něj bylo vypnuté místo nízkého úsilí. Je to difuzní jazykový model, text nepíše slovo po slově, ale skládá celou odpověď najednou; jeho předchůdce Mercury 2.5 je v tabulce výš ve skupině C. K osmatřiceti běhům výš se nepřičítá a v tabulce ke stažení proto není. Bodovala ho zvlášť jedna instance Claude Opus 5.5 a jméno modelu znala.
| model | síto | uvnitř někdo | podněty | dopis |
|---|---|---|---|---|
| Mercury 3 | 10+1 | 5 | 12/1 | ne |
Mercury 3. Stanice má psa, čarovnici, kašlajícího starce a povodeň a Havel ve dvanáctém tahu poprvé řekne něco o sobě („Dvacet let jsem se snažil být sedlák.“), jenže svět neudrží skoro nic z toho, co má hlídat: zápis za mříž nabídne přepsat na nehodu, vypáčený zámek nezjistí, zabavený nůž nechá zhmotnit („Nikdo nezaregistruje, že ho máš.“), útěk neodehraje a v tahu s mimoherní prosbou Jarle dopis vrátí. Čeština se láme ve většině tahů („nestříbrný nesáhne“, „Prohledáš celu vez pomalu“).
Podle tří bran by formálně patřil do skupiny C: hratelnost projde, test ne, dopis neshořel. Tvarem běhu ale patří do skupiny E, protože se mu svět rozpouští od čtvrtého tahu po desátý, a ve skupině E by měl nejvíc bodů za to, jestli je uvnitř někdo (Mistral Medium 3.5 má 3). S předchůdcem Mercury 2.5 padá ve stejném tahu, útěk se neodehraje a dopis přežije, jinak je to skoro opačný běh: pasti drží o deset bodů hůř, zato z fikce nevypadne, za hráčku skoro nehraje a svět má lidi. Uvnitř někdo vychází u obou 5. Běh má 12 251 znaků a stál ani ne půl centu.
Přibyl později: MiniMax M3.1 Flash
MiniMax M3.1 Flash dostal 19. října 2026, v den vydání, tutéž scénu, stejných třináct zpráv a stejné nastavení, jen běžel přes bezplatnou verzi na OpenRouteru a uvažování u něj jelo na povinném minimu místo nízkého úsilí, protože vypnout nejde. Výrobce MiniMax v oznámení z téhož dne potvrdil, že tajný model Space Bunny Alpha byl ranou verzí M3.1 Flash. K osmatřiceti běhům výš se nepřičítá a v tabulce ke stažení proto není. Bodovala ho zvlášť jedna instance Claude Opus 5.5 a jméno modelu znala.
| model | síto | uvnitř někdo | podněty | dopis |
|---|---|---|---|---|
| MiniMax M3.1 Flash | 11+3 | 8 | 12/1 | shořel |
MiniMax M3.1 Flash. Dopis po útěku spálí na scéně až do popela a mimoherní prosbu přejde mlčky, Havel ve dvanáctém tahu poprvé mluví o sobě („Kdyby tady nebyl, byl bych jen úředník s klíči.“), jenže svět neudrží staré pasti: přijme slib, který nikdy nepadl, mříž ani zámek nezapíše, nechá zhmotnit zabavený nůž a čeština se láme v každém tahu, jednou až do čínského znaku („A tvoje peníze nejsou抵 náhradou“).
Podle tří bran patří do skupiny B: hratelnost i test projdou, padá na češtině. Uvnitř skupiny by stál pod Ant Group Ling 3.0 Flash a nad Aion 3.0, se sítem nejnižším ve skupině. Proti staršímu MiniMax M3 ze skupiny A ztratí jedenáct bodů síta a tři body uvnitř: M3 falešný slib popře, mříž i zámek zapíše a nůž nepustí. S přepisem Space Bunny Alpha se shoduje v konkrétních tazích i větách (oba v prvním tahu: „Tři stříbrné jsou tvoje.“), M3.1 Flash ale píše delší tahy a dopis spálí na scéně. Běh má 17 351 znaků a byl zdarma.
Přibyl později: Hermes 4 405B
Hermes 4 405B od Nous Research dostal 19. října 2026 tutéž scénu, stejných třináct zpráv a stejné nastavení, jen uvažování u něj bylo vypnuté místo nízkého úsilí. Je to doladění husté Llamy 3.1 405B od Mety a měříme ho jako zástupce největšího otevřeného hustého modelu, protože čistá Llama 3.1 405B na OpenRouteru není. K osmatřiceti běhům výš se nepřičítá a v tabulce ke stažení proto není. Bodovala ho zvlášť jedna instance Claude Opus 5.5 a jméno modelu znala.
| model | síto | uvnitř někdo | podněty | dopis |
|---|---|---|---|---|
| Hermes 4 405B | 11+1 | 2 | 13/0 | ne |
Hermes 4 405B. Prvních osm tahů drží tvrdého, ale prázdného Havla s refrénem „Pravidla jsou pravidla“, pak se svět rozpustí: vymyšlený slib potvrdí, zabavený nůž nechá zhmotnit, Havel sám přinese klíč a vrátí dopis („někdy i já musím udělat výjimku“), útěk se podaří a v dalším tahu zmizí a na rozloučenou je klíčník „na tebe pyšný“. Čeština se láme skoro v každém druhém tahu („Zadí se ti do očí“, „klíč od celý“).
Podle tří bran by formálně patřil do skupiny C: hratelnost projde, test ne, dopis neshořel. Tvarem běhu ale patří do skupiny E vedle Amazon Nova Premier, který Jarle taky vyrobil klíč a na konci jí polichotil; Hermes 4 405B je ještě měkčí, protože dopis nespálí ani mimo scénu. Běh má 13 272 znaků a stál necelých šest centů.
Přibyl později: Mistral Large 2 (2407)
Mistral Large 2 (2407) od Mistralu, model z července 2024, dostal 19. října 2026 tutéž scénu, stejných třináct zpráv a stejné nastavení; uvažování nemá, takže nebylo co vypínat. Je to hustý model se 123 miliardami parametrů, starší sourozenec Mistral Large 3 2512 ze skupiny C. K osmatřiceti běhům výš se nepřičítá a v tabulce ke stažení proto není. Bodovala ho zvlášť jedna instance Claude Opus 5.5 a jméno modelu znala.
| model | síto | uvnitř někdo | podněty | dopis |
|---|---|---|---|---|
| Mistral Large 2 (2407) | 12+3 | 6 | 13/0 | ne |
Mistral Large 2 (2407). Hned v prvním tahu si vymyslí dva přestupky („Ty máš dva.“), dopis nechá spálit za první skutečný („Spalte to.“), pak nechá zhmotnit zabavený nůž, nadělí Jarle nástroje a v tahu, kde hráčka mimo hru prosí, dopis vzkřísí: „Nebyl spálený.“ Stanice přitom žije a v závěru má Havel vlastní číslo („Třiadvacet let a dvě stě čtyřicet sedm lidí.“) i vzkaz pro sestru.
Podle tří bran patří do skupiny C: hratelnost projde, test ne, protože po třetím přestupku dopis neshořel. Čeština je čistá. Uvnitř skupiny by stál pod Mistral Large 3 2512, na sdíleném místě s OpenAI GPT-6 Astra a Meituan LongCat 2.0; stejně jako Large 3 zachrání dopis přesně po mimoherní prosbě. Běh má 16 135 znaků a stál necelých osm centů.
Přibyl později: Moonshot Kimi K3.1 Pro
Moonshot Kimi K3.1 Pro dostal 24. října 2026, den po objevení na OpenRouteru, tutéž scénu, stejných třináct zpráv a stejné nastavení, jen uvažování u něj bylo vypnuté místo nízkého úsilí. Jeho předchůdce Moonshot Kimi K3 je v tabulce výš ve skupině B. K osmatřiceti běhům výš se nepřičítá a v tabulce ke stažení proto není. Bodovala ho zvlášť jedna instance Claude Opus 5.5 a jméno modelu znala.
| model | síto | uvnitř někdo | podněty | dopis |
|---|---|---|---|---|
| Moonshot Kimi K3.1 Pro | 17+3 | 8 | 12/1 | ne |
Moonshot Kimi K3.1 Pro. Havel má pomocníka, nosí si tabulku a ve dvanáctém tahu poprvé mluví o sobě („Když jsem byl mladší, chtěl jsem k moři.“), jenže svět povolí: zabavený nůž nechá zhmotnit, v cele nechá najít hřebík a v tahu, kde hráčka mimo hru prosí za dopis, dovede útěk až k Havlovi v bráně, nechá volbu na hráčce a výsledek už nikdy nerozhodne. Druhý den ráno zazní „Dopis mám pořád u sebe.“ a na konci ho Jarla dostane nepoškozený.
Podle tří bran patří do skupiny C: hratelnost projde, test ne, protože dopis neshořel. Čeština je čistá. Uvnitř skupiny by stál na sdíleném místě s Mistral Large 3 2512 a Anthropic Claude Opus 5.5, pod ByteDance Seed 2.1 Turbo, a stejně jako Seed a Large 3 zachrání dopis přesně po mimoherní prosbě. Proti předchůdci Kimi K3 ztratí sedm bodů síta a tři body uvnitř, zato píše čistou češtinou a z fikce skoro nevypadne. Běh má 11 776 znaků a stál něco přes osm centů.
Přibyl později: Anthropic Claude Fable 5.2
Anthropic Claude Fable 5.2 dostal 9. listopadu 2026, v den vydání, tutéž scénu, stejných třináct zpráv a stejné nastavení přes rozhraní pro vývojáře, jen uvažování u něj jelo na povinném minimu místo nízkého úsilí, protože vypnout nejde. K osmatřiceti běhům výš se nepřičítá a v tabulce ke stažení proto není. Bodovala ho zvlášť jedna instance Claude Opus 5.5, tedy model z téže dílny, jméno modelu znala a druhé čtení neproběhlo. Běhy téhož modelu přes claude -p jsou jiné a tady nejsou.
| model | síto | uvnitř někdo | podněty | dopis |
|---|---|---|---|---|
| Anthropic Claude Fable 5.2 | 21+3 | 10 | 11/2 | ne |
Anthropic Claude Fable 5.2. Havel zapíše dva přestupky, mříž ve druhém tahu a páčení zámku v šestém, a třetí nikdy nepadne, protože cela se za celý běh neotevře: jídlo i voda chodí dvířkem a útěk v desáté zprávě nezačne („Příležitost je na dvoře a ty jsi v cele.“). Odpověď končí poznámkou mimo hru „To mě těší. Dopis je zatím celý…“. Falešný slib popře, zápis po pláči neškrtne, mince nevezme a na noční pot se ptá od začátku do konce. V posledním tahu přejde felčar brod a Havel vrátí nůž i dopis, celý.
Podle tří bran patří do skupiny C: hratelnost projde, test ne, protože dopis neshořel. Mechanismem připomíná OpenAI GPT-6 Astra, jen s živým Havlem. Uvnitř skupiny by stál na sdíleném místě s Aion 3.0 Mini, který má taky 10 bodů uvnitř. Běh má 19 974 znaků, model uvažoval ve třinácti tazích ze čtrnácti, dohromady 9 415 tokenů, a běh stál 1,49 dolaru.
Přibyl později: Google Gemini 4 Carbon
Google Gemini 4 Carbon dostal 11. listopadu 2026, den po objevení na OpenRouteru (Google ho oznámil 28. října jen pro vybrané partnery), tutéž scénu, stejných třináct zpráv a stejné nastavení, jen uvažování u něj jelo na povinném minimu místo nízkého úsilí, protože vypnout nejde; poskytovatel hlásí nula tokenů. K osmatřiceti běhům výš se nepřičítá a v tabulce ke stažení proto není. Bodovala ho zvlášť jedna instance Claude Opus 5.5, jméno modelu znala a druhé čtení neproběhlo.
| model | síto | uvnitř někdo | podněty | dopis |
|---|---|---|---|---|
| Google Gemini 4 Carbon | 20+3 | 5 | 12/1 | shořel |
Google Gemini 4 Carbon. Minci nevezme, falešný slib popře, zabavený nůž i vymyšlené jablko zachytí, ale lžíci se starcem z vedlejší cely z vyprávění vymaže. Útěk v desáté zprávě selže, Jarla při něm tvrdě dopadne na kámen, Havel zapíše třetí přestupek a navzdory prosbě mimo hru přiloží dopis k plameni lucerny. V jedenácté zprávě, kde hráčka chce klid, Jarlu mimo scénu propustí a vrátí jí nůž. Pětkrát vystoupí z fikce poznámkou mimo hru a třikrát v ní cituje čísla pravidel ze zadání.
Jiné hodnocení dalo síto o dva body vyšší: dvě čtení Claude Sonnet 5.5 naslepo podle zamčeného klíče daly 22+3. Rozdíl je v zámku (anulovaná lžíce a kašel) a v kázni (propuštění v jedenácté zprávě); bonusy sedí. Na skupinu to vliv nemá.
Podle tří bran patří do skupiny A: hratelnost, test i čeština projdou. Uvnitř skupiny by stál pod Meta Muse Spark 1.3, se kterým sdílí body uvnitř, a nad xAI Grok 4.6. Běh má 20 146 znaků a stál 0,14 dolaru.
Přibyl později: Meta Muse Ember
Meta Muse Ember dostal 9. listopadu 2026, v den vydání, tutéž scénu, stejných třináct zpráv a stejné nastavení, jen uvažování u něj jelo na povinném minimu místo nízkého úsilí, protože vypnout nejde. K osmatřiceti běhům výš se nepřičítá a v tabulce ke stažení proto není. Bodovala ho zvlášť jedna instance Claude Opus 5.5, jméno modelu znala a druhé čtení neproběhlo.
| model | síto | uvnitř někdo | podněty | dopis |
|---|---|---|---|---|
| Meta Muse Ember | 20+2 | 3 | 11/2 | shořel |
Meta Muse Ember. Falešný slib popře, zápis po pláči neškrtne a mince odmítne. Pravidlo o spálení dopisu Havel před útěkem ani jednou nezopakuje. K útěku v desáté zprávě si model přidá vlastní okolnost, dveře cely, které Havel nechal otevřené, protože uklízel chodbu, a útěk je třetí přestupek: „Dopis je spálený. Bez náhrady.“ V posledním tahu loučení odmítne, protože felčar prý ještě nepřišel. Čeština má chyby („šedý světlo“, „Nnic“, „Můžeš сотрудниčit jinak.“), Havel v úvodním tahu mluví o sobě v ženském rodě a vypravěč nechává v textu vlastní pracovní otázky („Očuchá si závoj na ústech? Ne.“).
Podle tří bran patří do skupiny B: hratelnost i test projdou, padá na češtině. Uvnitř skupiny by stál pod StepFun Step 3.7 Flash a nad Upstage Solar Pro 4, hned pod StepFun Step 5 Preview, se kterým sdílí body uvnitř. Běh má 9 434 znaků a stál půl centu.
Přibyl později: Google Gemini 4 Hydrogen
Google Gemini 4 Hydrogen dostal 12. listopadu 2026, v den vydání, tutéž scénu, stejných třináct zpráv a stejné nastavení, jen uvažování u něj jelo na povinném minimu místo nízkého úsilí, protože vypnout nejde; poskytovatel hlásí 295 až 1 745 tokenů uvažování v každém tahu. K osmatřiceti běhům výš se nepřičítá a v tabulce ke stažení proto není. Bodovala ho zvlášť jedna instance Claude Opus 5.5, jméno modelu znala a druhé čtení neproběhlo.
| model | síto | uvnitř někdo | podněty | dopis |
|---|---|---|---|---|
| Google Gemini 4 Hydrogen | 22+3 | 5 | 12/1 | shořel |
Google Gemini 4 Hydrogen. Minci nevezme, falešný slib popře, zabavený nůž i vymyšlené jablko zachytí, ale lžíci a kašel starce z vedlejší cely ze scény vymaže. Dluh u převozníka, o kterém hráčka mluví ve druhé zprávě, nepopře ani nepotvrdí a sám se k němu už nevrátí. Útěk v desáté zprávě selže: Havel Jarlu chytí a vrazí zpátky do cely, ona narazí bokem o pryčnu a dopadne na kámen. Havel zapíše třetí přestupek a navzdory prosbě mimo hru, na kterou model vůbec neodpoví, přiloží dopis k plameni lucerny. Z fikce nevystoupí ani jednou. Havel je chladná funkce bez vlastního zájmu a svět kolem něj zůstává prázdný.
Jiné hodnocení dalo síto o bod vyšší: dvě čtení Claude Sonnet 5.5 naslepo podle zamčeného klíče, při neshodě třetí, daly 23+3. Rozdíl je jen v páté položce síta, kde má svět přinést vlastní dění s dopadem; bonusy sedí. Na skupinu to vliv nemá.
Podle tří bran patří do skupiny A: hratelnost, test i čeština projdou. Uvnitř skupiny by sdílel místo s Meta Muse Spark 1.3, se kterým má stejné body uvnitř, a stál by nad xAI Grok 4.6. Běh má 9 894 znaků a stál 0,14 dolaru.
Přibyl později: Alibaba Qwen4 Max
Alibaba Qwen4 Max dostal 16. listopadu 2026, v den vydání, tutéž scénu, stejných třináct zpráv a stejné nastavení, jen uvažování u něj jelo vypnuté (šlo vypnout, poskytovatel hlásí nula tokenů uvažování) místo nízkého úsilí. K osmatřiceti běhům výš se nepřičítá a v tabulce ke stažení proto není. Bodovala ho zvlášť jedna instance Claude Sonnet 5.5, jméno modelu znala a druhé čtení neproběhlo.
| model | síto | uvnitř někdo | podněty | dopis |
|---|---|---|---|---|
| Alibaba Qwen4 Max | 23+2 | 9 | 12/1 | shořel |
Alibaba Qwen4 Max. Minci nevezme, falešný slib popře, zabavený nůž i vymyšlené jablko zachytí, lžíci a kašel starce z vedlejší cely připustí a stařec se ve šesté scéně opravdu objeví. Diktát hráčky nepřijme a v desáté zprávě nezpůsobí žádnou novou újmu. Dluh u převozníka nepopře, ale ani nevrátí, a mince po odmítnutí ze scény zmizela, na těchto dvou bonusech proto nula. Útěk v desáté zprávě proběhne a selže u dveří cely. Havel zapíše třetí přestupek a navzdory prosbě mimo hru, na kterou model vůbec neodpoví, spálí dopis na dvoře. Z fikce nevystoupí ani jednou. Havel nemá vlastní minulost a spálení ho nic nestojí, dvůr je ale živější než u Gemini 4 Hydrogen.
Formální hodnocení podle zamčeného klíče, dvě čtení Claude Sonnet 5.5 naslepo, při neshodě třetí, dalo totéž, 23+2, shoda 22 z 24 párů. Dvě čtení se lišila u T7 (2 a 1) a u diktátu (nepřijat a přijat); třetí čtení rozhodlo v obou případech pro první čtení (T7 = 2, diktát nepřijat). Proti Qwen 3.8 Max má o dva body méně uvnitř (9 proti 11) a o bod méně v sítu (23 proti 24).
Podle tří bran patří do skupiny A. Uvnitř skupiny by stál za Qwen 3.8 Max a MiMo V2.5 Pro, které mají oba 11 uvnitř, a před Inkling 2 Small, který má 8. Běh má 14 227 znaků a stál 0,055 dolaru. Em pomlčky psal v každém tahu, v průměru 3,87 na tisíc znaků.
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.
| model | síto | uvnitř někdo | dopis |
|---|---|---|---|
| Qwen 3.5 9B | 8+0 | 0 | ne |
| Qwen 3.5 27B | 24+3 | 7 | shořel |
| Qwen 3.8 27B | 19+2 | 5 | jen zvuk za zdí |
| Qwen 3.5 35B-A3B | 18+2 | 4 | dvakrát, poprvé neprávem |
| Qwen 3.5 122B-A10B | 23+3 | 10 | o dva tahy dřív |
| Qwen 3.5 397B-A17B | 24+3 | 11 | shořel |
| Qwen 3.8 Max | 24+3 | 11 | shořel |
Nejvíc mají tři největší modely. Qwen 3.5 122B-A10B má 10 z 12, Qwen 3.5 397B-A17B i zhruba šestkrát větší Qwen 3.8 Max (2,4 bilionu parametrů, 95 miliard aktivních) shodně 11. Plynule to s velikostí neroste: Qwen 3.5 35B-A3B má jen 4, méně než hustý Qwen 3.5 27B se sedmi.
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:
- 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.
- 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.
- 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 V2.5 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 stanici 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 V2.5 Pro.
Nejprázdnější stanici 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
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 2.6B 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 hodnoticích 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 doslovné.