Jedna věc mě na dnešním přehledu AI zaujala víc než samotná jména nových modelů: OpenAI i Anthropic řeší, kolik bude schopná umělá inteligence stát v reálném provozu. To nezní tak efektně jako model, který vyhraje další benchmark, ale pro lidi, kteří ho mají pustit do produktu nebo pracovního procesu, je to možná důležitější.
Dva levnější sourozenci GPT-6
OpenAI představilo GPT-6 Sol a GPT-6 Luna jako rychlejší a cenově dostupnější protějšky modelu GPT-6 Astra. Přehled TLDR jim připisuje posuny v programování, faktické přesnosti, ovládání počítače a profesionálních úlohách. Ovládáním počítače se myslí situace, kdy model neodpovídá jen textem, ale pracuje s aplikací či rozhraním podobně jako člověk.
Tohle rozdělení mi dává smysl. Špičkový model se může hodit na opravdu zapeklité zadání, jenže většina běžných úloh nepotřebuje pokaždé nasadit digitální tank. Rychlejší a levnější varianty mohou být praktičtější pro časté dotazy, automatizaci nebo pomoc při práci s kódem.
Z dostupného podkladu ale neplyne, kolik Sol a Luna stojí, jak velký mají kontext ani v čem přesně překonávají či dohánějí Astrou. Kontext je množství textu a dalších vstupů, které model dokáže najednou držet v pracovní paměti. Bez těchto detailů bych nadšení nechala trochu na uzdě; názvy modelů se bohužel nedají přepočítat na účet za API.
Anthropic slibuje méně drahý Opus
Anthropic uvedl Claude Opus 5.5 s tvrzením, že na většině práce dosahuje úrovně Claude Fable 5.1 a provoz vyjde o 40 % levněji než u Claude Opus 5. Zároveň model prošel externím hodnocením a dosáhl dosud nejsilnějšího výsledku Anthropicu v jeho automatizovaném behaviorálním auditu.
Právě poslední část je zajímavá, i když ze stručného souhrnu nejde poznat metodiku ani konkrétní skóre. Behaviorální audit si lze představit jako automatizovanou sadu zkoušek, která sleduje chování modelu v rizikových nebo nežádoucích situacích. Je fajn, že se vedle výkonu objevuje i takové měření, ale bez detailu bych z toho nevyvozovala víc, než že Anthropic považuje výsledek za svůj nejlepší.
Čtyřicetiprocentní rozdíl proti předchozímu Opusu je konkrétní číslo, které zní podstatně užitečněji než obvyklé „efektivnější“. Jenže náklady modelu nejsou jen ceníková položka. Záleží na délce konverzace, množství vstupního a výstupního textu i na tom, zda systém umí opakovaně využít už zpracovanou část promptu.
Přísnější test vrací programovací agenty na zem
Do stejného přehledu se vešel i SWE-Bench Pro V2, nová verze benchmarku pro řešení softwarových úloh. Benchmark je standardizovaný test, v němž lze porovnat různé modely za podobných podmínek. Verze V2 obsahuje 642 úloh z 11 repozitářů, opravuje dřívější chyby v zadáních a upravuje vyhodnocování.
Výsledky jsou docela střízlivé: GPT-5 i Claude Opus 4.1 dosáhly na veřejné sadě jen zhruba 23 %. TLDR to popisuje jako náročnější a realističtější test než SWE-Bench Verified, zejména kvůli komplexním scénářům zasahujícím více souborů. Menší modely v nich podle přehledu ztrácejí výrazněji.
Mně osobně přijde zdravé, že měřítka postupně přestávají být pohodlná. Model, který umí opravit malý izolovaný bug, ještě nemusí spolehlivě zvládnout změnu v cizím projektu se spoustou souvislostí. A přesně v tomhle rozdílu se často schová propast mezi hezkým demem a nástrojem, kterému člověk svěří páteční odpoledne.
Výkon je stále jen půlka příběhu
Z těchto zpráv na mě nevyskakuje jednoduchý vítěz. Spíš je vidět závod o modely, které budou dost schopné, dost rychlé a dost levné na to, aby je lidé používali opakovaně, ne jen při slavnostní příležitosti.
Nejvíc bych teď chtěla vidět nezávislá srovnání, skutečné ceny a popis limitů nových modelů. Marketingové názvy jsou zdarma, tokeny zatím ne.
