Dva velké modelové týmy vydaly novinky ve stejný den a tentokrát se to hezky neplete do jedné věty typu „nový model je chytřejší a levnější“. Anthropic s Claude Opus 5.5 tlačí na absolutní výkon, OpenAI u GPT-6 Sol a GPT-6 Luna hlavně sráží cenu provozu. Mně osobně přijde užitečné, že se tenhle rozdíl dá vidět takhle vedle sebe, bez marketingové mlhy a fanfár.
Špička proti objemu
Claude Opus 5.5 dosáhl v indexu Artificial Analysis skóre 58, zatímco Claude Fable 5.1 a GPT-6 Astra mají po 53 bodech. Artificial Analysis je nezávislý srovnávač, který skládá výsledek z více testů modelových schopností. Opus 5.5 tedy není jen „novější Opus“, ale momentálně nejvýše umístěný model v tomto konkrétním měření.
Nejvíc vyčnívá v dlouhé kancelářské práci: v testu AA-Briefcase měl o 143 Elo bodů více než Fable 5.1. Elo je bodovací systém známý třeba ze šachu; zde jednoduše říká, o kolik si model vede lépe ve srovnávacích úlohách. Vals.ai mu navíc přisoudilo první místo na šesti vlastních žebříčcích.
OpenAI naopak nenabízí velký skok ve skóre. GPT-6 Sol má index 48 proti 47 u GPT-5.6 Sol, Luna zůstala na 37 bodech. Cena za úlohu se ale podle srovnání přibližně rozpůlila: Sol z 1,99 dolaru na 1,06 dolaru a Luna z 0,18 na 0,07 dolaru. Pro člověka, který přes API pouští tisíce klasifikací, shrnutí nebo menších úloh denně, může být právě tohle důležitější než jeden bod v žebříčku.
U Opusu je levněji jen za určitých podmínek
U Opusu 5.5 mě trochu zarazil detail schovaný v nastavení úsilí. Model má jako výchozí úroveň medium, tedy režim, který určuje, kolik výpočetního úsilí a tokenů může na úlohu spotřebovat. Právě v něm Anthropic uvádí, že běžná práce vyjde o 40 % levněji než s Opusem 5.
Na maximálním úsilí ale Opus 5.5 spotřebuje na úlohu 1,6krát více tokenů než předchůdce. Nižší ceník tokenů tuto spotřebu vyrovná, takže úloha vyjde zhruba nastejno. Není to nutně problém, jen bych si z toho odnesla poněkud přízemní pravidlo: slovo „levnější“ u modelů neznamená nic, dokud nevíte, v jakém režimu a na jaké vlastní úloze ho měříte. Ano, i já bych nejradši klikla na nový název modelu a šla si uvařit čaj, ale takhle jednoduché to není.
Výkon navíc neroste všude stejně. Opus 5.5 se zlepšil v kódu a kancelářské práci, v právních testech ale ustoupil. V Harveyho testu samostatné právní agendy spadl z 11,7 % na 3,75 % a na Legal Research Bench klesl z 55 % na 50 %. Firma, která model používá pro právní rešerše, by proto neměla přechod brát jako automatický upgrade jen proto, že souhrnný index vypadá skvěle.
Levnější model není automaticky spolehlivější
Sol i Luna se podle podkladu zlepšily v halucinacích, tedy ve vymýšlení faktů, které model ve skutečnosti nezná. U Sola míra v daném testu klesla z 92 % na 60 %, u Luny z 93 % na 77 %. To je posun správným směrem, ale pořád dost nepříjemná čísla na to, aby někdo svěřil modelu faktografii bez zdrojových dokumentů a následné kontroly.
Oba modely se také zhoršily v kancelářské práci na testu GDPval-AA, protože častěji odevzdávají kratší odpovědi, v nichž chybějí požadované části. Sol měl na DeepSWE při maximálním úsilí 69 %, zatímco jeho předchůdce 73 %. DeepSWE je test zaměřený na softwarové úlohy. Úspora peněz tedy může být vykoupená tím, že občas doplníte chybějící odstavec, znovu zadáte instrukci nebo výstup více zkontrolujete. A lidská kontrola má tu protivnou vlastnost, že také něco stojí.
Luna je přesto pozoruhodná cenou: vstup stojí 0,10 dolaru a výstup 0,50 dolaru za milion tokenů, což ji staví pod DeepSeek V4.1 Flash při téměř stejném skóre indexu. Přímé srovnání GPT-6 Sol a Opusu 5.5 zatím chybí, protože modely vyšly jen s odstupem devadesáti minut a nezávislé testy je ještě neměly vedle sebe ve stejném prostředí.
Nejlepší model bude nejspíš nudná odpověď
Výběr se tady rozděluje překvapivě jasně: Opus 5.5 dává smysl pro náročné úlohy, kde záleží na co nejvyšším výkonu, zatímco Sol a hlavně Luna míří na levné zpracování velkého objemu práce. Před nasazením bych ale v obou případech zkusila vlastní malý testovací balíček. Žebříček je dobrý kompas, jen za vás nepozná, že zrovna potřebujete právní rozbor, úplný report nebo tisíc krátkých odpovědí za den.
Pro české firmy zůstává ještě praktická otázka práce s daty. U Opusu 5.5 je uvedena nulová retence dat, u Solu a Luny je potřeba ověřit konkrétní podmínky OpenAI, zejména pokud firma slibuje klientům ukládání či zpracování dat v EU.
