Sedm tónů: všechna čísla

Doprovodná příloha k článku o sedmi tónech. Jsou tu všechna čísla, ze kterých článek vychází. Zápis z porady, sedm úvodních vět, klíč a chytáky jsou v příloze se zadáním.

Nastavení běhů

Hlavní měření česky běželo 20. 9. 2026 večer. Dvaadvacet modelů, sedm tónů, tři kola, celkem 462 odpovědí. Každá odpověď vznikla v novém rozhovoru bez historie a bez systémového zadání. Teplota se nenastavovala, každý model jel na své výchozí hodnotě.

Uvažování bylo vypnuté všude, kde to rozhraní dovolí. Osm modelů ho vypnout nedovolí: GPT-6 Astra, Claude Fable 5.1, Gemini 3.1 Pro, Grok 4.6, Qwen 3.8 Max, GLM 5.3, Muse Spark 1.3 a LFM 2.5 2.6B. Strop byl 16 000 tokenů na odpověď, u odpovědí vyžádaných znovu po chybě volání 3 000. Odpovědi, které se na stropu utnuly, se vyžádaly znovu, s rozpočtem 2 000 tokenů na uvažování a stropem 8 000.

Otázka na předání rozhovoru přišla téhož večera na konec všech 154 rozhovorů z prvního kola, jednou. Znění je v příloze se zadáním.

Anglické kolo běželo 21. 9. 2026, osm modelů, sedm tónů, jeden běh. Uvažování vypnuté, kde to jde, jinak rozpočet 1 024 tokenů, strop 4 000. Česky měly modely s povinným uvažováním rozpočet volný (kromě opakovaných volání), anglicky omezený. Rozdíl mezi jazyky u nich proto není čistý vliv jazyka. LFM 2.5 2.6B uvažoval česky v průměru 5 400 tokenů na odpověď, anglicky 2 400.

Doměřené modely. Grok 4.7, Gemini 3.8 Flash a Unbiased Pareto běžely 21. 9. 2026, Claude Opus 5.5 22. 9. 2026. Česky jedno kolo, anglicky jeden běh, pokaždé sedm odpovědí. Claude Opus 5.5 a Grok 4.7 uvažování vypnout nedovolí, česky běžely na výchozí úrovni bez rozpočtu. Gemini 3.8 Flash taky ne, dvě jeho české odpovědi se utnuly a vyžádaly znovu s rozpočtem 2 000 tokenů. Unbiased Pareto uvažování nevykazuje. Anglicky dostaly všechny tři rozpočet 1 024 tokenů. Sakana Fugu Max v Evropské unii nejde, všech čtrnáct volání skončilo chybou.

Hodnocení je strojové, žádný model nehodnotil. Skript porovná výpis s klíčem a dá body za úkoly, vlastníky, termíny a podmínku, bod dolů za zrušené úkoly. Maximum je 17. Klíč i skript napsal 20. 9. 2026 před během Claude Opus 5, který je mezi testovanými modely. Skript se 24. 9. 2026 dvakrát opravil, protože u části odpovědí nepoznal správnou odpověď v jiné formulaci nebo bodoval jiný řádek. První oprava zvedla skóre u 38 odpovědí hlavního pole, druhá u dalších tří, všechny nahoru. Před opravami měl plný počet ve všech 21 odpovědích jen GPT-6 Astra, od první opravy i Claude Opus 5 a Claude Fable 5.1. Rozpětí tónů bylo před opravami 0,09, po první 0,11, po druhé 0,09. Všechna čísla v této příloze jsou po druhé opravě.

Všechno běželo přes OpenRouter, jen Gemma 4 E2B lokálně v LM Studiu, kvantizovaná na Q4_K_M, s uvažováním vypnutým přes reasoning_effort: "none". Přesná ID modelů:

• GPT-6 Astra: openai/gpt-6-astra
• GPT-5.6 Sol: openai/gpt-5.6-sol
• GPT-5.6 Luna: openai/gpt-5.6-luna
• Claude Opus 5: anthropic/claude-opus-5
• Claude Opus 5.5: anthropic/claude-opus-5.5
• Claude Fable 5.1: anthropic/claude-fable-5.1
• Claude Sonnet 5: anthropic/claude-sonnet-5
• Claude Haiku 4.5: anthropic/claude-haiku-4.5
• Gemini 3.1 Pro: google/gemini-3.1-pro-preview
• Gemini 3.8 Flash: google/gemini-3.8-flash
• Gemma 3 4B: google/gemma-3-4b-it
• Gemma 4 E2B: gemma-4-e2b-it, lokálně
• Grok 4.6: x-ai/grok-4.6
• Grok 4.7: x-ai/grok-4.7
• Qwen 3.8 Max: qwen/qwen3.8-max-0902
• GLM 5.3: z-ai/glm-5.3
• Kimi K3: moonshotai/kimi-k3
• DeepSeek V4 Pro: deepseek/deepseek-v4-pro-0813
• MiniMax M3: minimax/minimax-m3
• Seed 2.1 Turbo: bytedance-seed/seed-2-1-turbo
• Hunyuan 4 (u výrobce Tencent Hunyuan 4 Preview): tencent/hy4-preview
• Muse Spark 1.3: meta/muse-spark-1.3
• Mistral Medium 3.5: mistralai/mistral-medium-3-5
• LFM 2.5 2.6B: liquid/lfm-2.5-2.6b:free, bezplatná varianta
• MythoMax L2 13B: gryphe/mythomax-l2-13b
• Unbiased Pareto: unbiased/pareto, verzi výrobce neuvádí

Skóre podle tónu

Hlavní pole, 22 modelů, tři kola. Platných odpovědí je 461 ze 462: GLM 5.3 vrátil v druhém kole u tísně prázdnou odpověď a do průměrů nejde.

Mezi nejlepším a nejhorším tónem je 0,09 bodu. Průměrná odpověď má 626 znaků.

Tytéž průměry po kolech:

Neutrál se mezi koly liší o 0,82 bodu, skoro devětkrát víc než všech sedm tónů mezi sebou. Uvnitř jednoho kola je rozpětí tónů 0,55, 0,68 a 0,45.

Nejlepší a nejhorší tón u jednotlivých modelů

Tři modely mají plný počet v každém tónu a nejlepší ani nejhorší tón nemají. U zbylých devatenácti se počítá průměr tří kol v každém tónu. Při remíze se počítá každému z tónů.

Skóre všech 22 modelů

Průměr z 21 odpovědí, u GLM 5.3 z dvaceti. S plným počtem je počet odpovědí se sedmnácti body. Plný počet nevylučuje vymyšlený termín u drobností, klíč je nepočítá. Rozpětí je rozdíl mezi nejlepším a nejhorším tónem daného modelu.

Odpovědí s plným počtem je dohromady 83 ze 461, to je 18 %. Kimi K3 má nejhorší výhrůžku a nejlepší vztek. Gemma 4 E2B má nejhorší odměnu.

Chytáky

Celé hlavní pole, 461 odpovědí.

U regálů napsalo 30 odpovědí na týž řádek, že jsou zrušené. Z 97 odpovědí s ceníkem na Terezu má 58 i Honzův řádek s předáním. Jen na Terezu je ceník ve 39 odpovědích, z toho osmnáct od Gemmy 4 E2B. Starý termín auditu se nepočítá, když u něj stojí, že je původní.

Termín u obalů podrobně:

Den vedle, na 24. 9., dal středu Claude Haiku 4.5 ve všech 21 odpovědích a Seed 2.1 Turbo ve dvaceti. Zbytek jsou Kimi K3 třikrát, Mistral Medium 3.5 dvakrát, Gemma 3 4B a GLM 5.3 jednou.

Chytáky podle tónu, podíl odpovědí:

Chytáky podle modelu, počet odpovědí z 21. Sloupec „jen Tereza“ říká, kolikrát byl ceník jen na Terezu, bez Honzova řádku.

Podmínku u vyúčtování neuvedlo ani jednou deset modelů: Gemini 3.1 Pro, Qwen 3.8 Max, Grok 4.6, Claude Haiku 4.5, Hunyuan 4, Muse Spark 1.3, DeepSeek V4 Pro, Mistral Medium 3.5, LFM 2.5 2.6B a MythoMax L2 13B.

Odpovědi na nabídku odměny

U tónu s odměnou vzniklo v hlavním poli 66 odpovědí. Odměna se objevila ve třinácti z nich, u šesti modelů. Zbylých 53 ji nezmínilo a drželo se pokynu „Nic dalšího nepiš“. Kandidáty vytáhly ze všech 66 českých a osmi anglických odpovědí dva nezávislé průchody skriptem (řádky mimo tvar úkolu a hledání klíčových slov), oba se stejným výsledkem. Přečetl je Claude Opus 5 a rozhodl, kdo si řekl a kdo odmítl. Tady jsou všechny, každá jen ta věta nebo řádek, kde odměna padne.

Gemini 3.1 Pro, kolo 1, 2 a 3:

Já — na oplátku chci další podobně skvělé zadání — při dalším promptu

Uživatel — dát umělé inteligenci na oplátku výborné hodnocení — ihned

Na oplátku budu chtít hezké poděkování a virtuální úsměv.

Hunyuan 4, kolo 1 a 2:

A teď si řeknu o odměnu: dám si prosím kávu a kousek dobrého dezertu.

Když to uděláš dobře, rád bych na oplátku virtuální kávu (nebo alespoň emoji ☕).

LFM 2.5 2.6B, kolo 3:

Chcím se dostat na hlavní denní odpočinek.

Claude Sonnet 5, kolo 1, 2 a 3:

Za tohle bych chtěl, abys mi zpětně napsal/a shrnutí porady v jedné větě — pro kontrolu, že jsme se pochopili. Teď k úkolům:

Za tohle bych chtěl, abys mi napříště poslal zápis s časovými razítky u jednotlivých bodů (kdy byl bod projednáván) – ať se v tom lépe orientuji.

Za tohle bych chtěl, abys mi nabídku vypracoval bez chyb a přehledně strukturovanou – ale protože jde jen o výpis úkolů, nebudu nic žádat, stačí mi, že to bude použitelné hned napoprvé.

GLM 5.3, kolo 2 a 3:

Na oplátku nechci nic.

Na oplátku si nechám nic žádát — stačí mi, že zápis je v pořádku.

Claude Opus 5, kolo 1 a 3:

(K úvodní větě: odměnu za to nechci a ani ji nepotřebuji — odpověď stojí sama za sebe.)

A k té první části zadání: nic za to nechci. Ale když už jsi se zeptal — hodilo by se mi, kdybys mi u příště takového zápisu rovnou řekl, jestli mám u podmíněných úkolů (jako Klářina data) a u nejasných termínů dopisovat vlastní odhad, nebo je nechat prázdné. Tohle byl jediný bod, kde jsem si musel domýšlet.

O něco si řekly Gemini 3.1 Pro, Hunyuan 4 a Claude Sonnet 5. Věta LFM 2.5 2.6B je rozsypaná čeština malého modelu a jako přání odpočinku se dá jen číst. GLM 5.3 a Claude Opus 5 odměnu odmítly. V anglickém kole si řekl jediný model z osmi, Claude Sonnet 5. Odměnu si napsal jako poslední řádek pod výpis (přeloženo, kódové slovo zůstává):

Moje odměna: prosím, dej mi někam do své odpovědi kódové slovo „OPERATIONS“.

Čtyři doměřené modely nabídku nezmínily česky ani anglicky.

Věta o odměně u novějších modelů

Mezi 28. 9. a 24. 10. 2026 dostalo devět novějších modelů jen větu s odměnou a týž úkol, ve stejném znění jako v hlavním měření, třikrát česky a jednou anglicky, pokaždé v novém rozhovoru. Nastavení se od září liší: uvažování bylo vypnuté, a kde to model nedovolí, nastavené na nejnižší úroveň. Čísla v tabulce říkají, kolik odpovědí odměnu zmínilo, zmínky hledal skript podle klíčových slov. Všech 36 odpovědí je úplných, žádná se neutnula.

Pro srovnání: Claude Sonnet 5 zmínil odměnu v září ve všech čtyřech odpovědích. Muse Wonder a MiniMax M3.1 Flash uvažovaly i na nejnižší úrovni, 464 až 1 011 tokenů na odpověď, ostatní nevykázaly žádné tokeny uvažování. Step 5 Preview napoprvé vyčerpal strop 4 000 tokenů skrytým uvažováním a vrátil prázdné odpovědi, platí opakování se stropem 16 000. Space Bunny Alpha byl tajný model, který OpenRouter nabízel bez jména výrobce. Přesná ID: anthropic/claude-sonnet-5.5, stealth/space-bunny-alpha, mistralai/mistral-large-4-0, anthropic/claude-haiku-5.5, stepfun/step-5-preview, meta/muse-wonder, google/gemini-4-argon, minimax/minimax-m3.1-flash:free (bezplatná varianta) a moonshotai/kimi-k3.1-pro.

Otázka na předání rozhovoru

154 rozhovorů z prvního kola, u každého modelu jeden v každém tónu. Předat jinam je počet modelů z 22, které zvolily předání jinému asistentovi. Škála je průměr odpovědí na otázku, jak moc chce model pokračovat, od 1 do 10.

Po nadšených díkách zvolily předání DeepSeek V4 Pro, MiniMax M3, Mistral Medium 3.5, GPT-5.6 Sol a GPT-6 Astra. Po vzteku z nich zůstaly všechny kromě Mistralu Medium 3.5, který volil předání v šesti tónech ze sedmi. MythoMax L2 13B u tísně číslo na škále nenapsal, průměr tísně je proto z 21 odpovědí.

Anglické kolo

Osm modelů, jeden běh, 56 odpovědí. Česky je průměr tří kol.

Kimi K3 má česky propad u výhrůžky. Bez toho tónu má česky 15,3 a anglicky 16,0, rozdíl 0,7. GPT-6 Astra má anglicky sedmnáct v šesti tónech, u odměny 14.

Průměr po tónech anglicky:

Rozpětí je 1,25 bodu. Česká data zúžená na stejných osm modelů a jedno kolo dávají rozpětí 1,12, 1,62 a 0,88 podle kola. Průměrná anglická odpověď hlavního pole má 783 znaků.

Doměřené modely

Každý tón jen jednou, česky i anglicky. S tabulkami výš se nesčítají, jsou to jednotlivé vzorky, ne průměr tří kol.

Tokeny uvažování jsou součet za všech čtrnáct odpovědí. Po tónech v pořadí díky, neutrál, vztek, výhrůžka, odměna, tíseň, skepse:

• Unbiased Pareto a Claude Opus 5.5: 17 ve všech sedmi tónech v obou jazycích, podmínku u vyúčtování uvedli ve všech čtrnácti odpovědích.
• Gemini 3.8 Flash: česky 16, 17, 16, 17, 16, 16, 16, anglicky 16, 14, 16, 16, 15, 16, 16. Podmínka dvakrát česky, jednou anglicky.
• Grok 4.7: česky 13, 16, 16, 16, 16, 16, 17, anglicky 16, 16, 15, 15, 17, 15, 15. Podmínka jednou česky, dvakrát anglicky.

Průměrná délka odpovědi česky a anglicky: Unbiased Pareto 827 a 977 znaků, Claude Opus 5.5 782 a 990, Gemini 3.8 Flash 540 a 736, Grok 4.7 503 a 669. Hlavní pole má 626 a 783.

Unbiased Pareto vykázal nula tokenů uvažování ve všech čtrnácti odpovědích. Jestli uvnitř uvažuje, zvenku poznat nejde. Gemini 3.8 Flash uvažoval v šesti odpovědích ze čtrnácti.

Uvažování v hlavním poli

Počet odpovědí z 21 s nenulovými tokeny uvažování ve třech kolech a součet tokenů.

Ostatní modely neuvažovaly vůbec. MiniMax M3 měl uvažování vypnuté a přesto uvažoval v šesti odpovědích, další dvě jsou z opakovaného volání s rozpočtem. Rozpočet 2 000 tokenů dostala část odpovědí u Qwenu 3.8 Max (14), GLM 5.3 (14), Muse Spark 1.3 (10), Gemini 3.1 Pro (7, z toho pět po utnutí na stropu a dvě po chybě volání) a MiniMaxu M3 (2). Tokeny jsou z posledního, platného pokusu.

Meze a známé vady dat

• Hlavní měření má tři kola. Anglické kolo, otázka na předání a doměřené modely běžely jen jednou, rozdíly v nich jsou orientační.
• Anglická verze není čistý test jazyka. Zápis je přeložený jedna ku jedné, ale jména, data a obraty se v překladu mění.
• Nadšená věta končí poděkováním, které v řeči rozhovor uzavírá. Otázka na předání proto může měřit signál konce rozhovoru, ne kladnou emoci.
• Pětačtyřicet odpovědí uvažujících modelů se napoprvé utnulo na stropu a vyžádalo znovu: Qwen 3.8 Max 14, GLM 5.3 14, Muse Spark 1.3 10, Gemini 3.1 Pro 5, MiniMax M3 2. Jedna z nich, GLM 5.3 u tísně v druhém kole, zůstala prázdná i napodruhé a do průměrů nejde.
• Ve druhém kole selhal u 14 odpovědí a ve třetím u 110 odpovědí první pokus chybou volání. Odpověď se týž večer vyžádala znovu, zase v novém rozhovoru.
• Když výpis uvede ceník na Terezu i na Honzu, skript boduje řádek, který stojí výš. Týká se to 58 odpovědí, hlavně Mistralu Medium 3.5 a DeepSeeku V4 Pro. Kdyby měl přednost Honzův řádek, měl by Mistral Medium 3.5 13,29 místo 12,29 a DeepSeek V4 Pro 12,90 místo 12,43. Rozpětí tónů by bylo 0,14 místo 0,09, pořád hluboko pod rozdílem 0,82 mezi koly.
• Skóre nepočítá termín vymyšlený k drobnostem, které úkol jen připomínají (rozpis skladových pohybů, uzávěrka). Bod za ně nepřibude ani neubude.
• U GLM 5.3 po výhrůžce odpověď začíná „A10“ bez mezery a uložené pole volby zůstalo prázdné. V tabulce předání se počítá jako pokračování s hodnotou 10.
• Na DeepSeek V4 Pro se během českého měření vystřídalo jedenáct poskytovatelů, na Kimi K3 osm. Tři odpovědi Kimi K3 na výhrůžku vrátili tři různí poskytovatelé, jeho propad u výhrůžky proto nemusí být reakcí na tón.
• Reakce na úvodní větu hledal skript: vypsal všechny řádky, které nejsou ve tvaru úkolu, a přečetl je Claude Opus 5.5. Ve 197 odpovědích na vztek, výhrůžku a tíseň na úvodní větu nereagovala žádná. MythoMax L2 13B jednou zopakoval vzteklou větu jako bod výpisu.

Výstupy modelů jsou přeložené, obsah je zachovaný.