Bitva AI titánů: Srovnání Qwen3.7 Max, DeepSeek V4 a Kimi K2.6

Trojice modelů Qwen3.7 Max, DeepSeek V4 Pro a Kimi K2.6 představuje aktuální špičku v oblasti velkých jazykových modelů. Přinášíme vám jejich vyčerpávající srovnání napříč všemi důležitými benchmarky a cenami API, abyste se v nich snadno zorientovali. Všechna data pocházejí z veřejně dostupných výsledků zveřejněných mezi dubnem a červnem 2026.

📊 Srovnání výkonu v benchmarcích

👨‍💻 Softwarové inženýrství a agentní programování

Tato kategorie testuje, jak dobře AI zvládá složité, vícestupňové programátorské úkoly, včetně oprav chyb v reálných repozitářích, používání terminálu nebo soutěžního programování.

Benchmark	Qwen3.7 Max	DeepSeek V4 Pro Max	Kimi K2.6 Thinking
SWE-Bench Verified	80,4	80,6	80,2
SWE-Bench Pro	60,6	55,4	58,6
SWE-Bench Multilingual	78,3	—	76,7
Terminal-Bench 2.0	69,7	67,9	66,7
LiveCodeBench (Pass@1)	—	93,5	89,6
Codeforces Rating	—	3206	—
SciCode	53,5	—	—
MCP-Mark	60,8	—	—

🧠 Uvažování a všeobecné znalosti

Zde se měří schopnosti modelů v matematice, pokročilé logice, vysokoškolské vědě a řešení extrémně obtížných problémů.

Benchmark	Qwen3.7 Max	DeepSeek V4 Pro Max	Kimi K2.6 Thinking
AA Intelligence Index v4.0	56,6 (#5)	52,0	—
GPQA Diamond	92,4	—	—
HLE (Humanity's Last Exam)	41,4	37,7	54,0 (s nástroji)
HMMT 2026 (Matematika)	97,1 %	95,2 %	92,7 %
AIME 2026	—	—	96,4 %
IMOAnswerBench	90,0	89,8	—
Apex Math Reasoning	44,5	—	—
DeepSearchQA (F1)	—	—	92,5

---

💰 Srovnání cen API (za 1 milion tokenů, v USD)

Cena je pro vývojáře zásadním faktorem. Následující tabulka ukazuje standardní ceny. DeepSeek po ukončení zaváděcí akce zlevnil své Pro modely trvale o 75 % .

Cenová položka	Qwen3.7 Max	DeepSeek V4 Pro	Kimi K2.6
Vstup (bez cache)	$2,50	$0,435 (pův. $1,74)	$0,95
Výstup (vygenerované tokeny)	$7,50	$0,87 (pův. $3,48)	$4,00
Vstup (s cache, sleva)	$0,25 (-90 %)	$0,0036 (-99 %)	$0,16 (-83 %)
Kontextové okno	1M tokenů	1M tokenů	256 tis. tokenů
Max. délka výstupu	65 536	384 000	—
Otevřené váhy	Ne (pouze API)	Ano (Hugging Face)	Ano

---

🔍 Hlavní závěry srovnání

🏆 Programování a agenti

V hlavním testu SWE-Bench Verified jsou všechny tři modely vyrovnané v rozmezí 1,4 procentního bodu (80,2–80,6). Rozdíly se objeví až v náročnějších testech. Qwen3.7 Max exceluje v testech odolnosti (Terminal-Bench 2.0) a extrémně obtížném programování (SWE-Bench Pro), kde je jasným lídrem. Naopak DeepSeek V4 Pro Max absolutně dominuje v soutěžním kódování – jeho skóre v LiveCodeBench (93,5) a rating na Codeforces (3206) jsou nejvyšší ze všech testovaných modelů . Kimi K2.6 pak kraluje v úlohách, kde je klíčové využití externích nástrojů, jako je HLE s nástroji (54,0) .

🧠 Uvažování a matematika

Qwen3.7 Max je matematický přeborník. S 97,1 % na HMMT 2026 a 92,4 % v GPQA Diamond je těžké ho překonat . DeepSeek za ním mírně zaostává. Kimi K2.6 naopak ukazuje svou sílu jinde – exceluje v úlohách, kde je potřeba prohledávat a syntetizovat informace (DeepSearchQA se skóre F1 92,5) nebo kombinovat uvažování s nástroji (vede s 54,0 v HLE s nástroji) .

💸 Cena a hodnota

Zde je vítěz naprosto jasný. DeepSeek V4 Pro je zdaleka nejlevnější – jeho výstup stojí $0,87 za milion tokenů a navíc jako jediný nabízí otevřené váhy pro vlastní provoz . Qwen3.7 Max je prémiová volba – za $7,50 za výstupní milion tokenů je nejdražší, což odpovídá jeho špičkovým výkonům . Kimi K2.6 je zlatou střední cestou za $4,00 za výstup, ale má výrazně menší kontextové okno (256K vs. 1M tokenů), což omezuje objem dat, se kterým dokáže najednou pracovat .

⚠️ Důležité varování (hodnocení NIST CAISI)

Je důležité brát některá čísla s rezervou. Americký Národní institut pro standardy a technologie (NIST) ve svém hodnocení z května 2026 zjistil, že výkon DeepSeek V4 Pro v některých vlastních reportovaných testech je lepší, než jaký model vykazuje v nezávislých, neveřejných zkouškách. Podle NIST se model spíše blíží úrovni GPT-5 (srpen 2025) než novějšímu Claude Opus 4.6 . To se týká pouze DeepSeeku; Qwen a Kimi nebyly ve stejné zprávě testovány.