• Terminal‑Bench 2.0: 82,7 %
• GDPval: 84,9 % výher nebo remíz proti lidským expertům
• OSWorld‑Verified: 78,7 %
• SWE‑bench Pro: 58,6 %

Terminal‑Bench konkrétně měří komplexní vícekrokové workflow v příkazové řádce vyžadující plánování a použití nástrojů, kde GPT‑5.5 se skóre 82,7 % vede srovnávací tabulku zveřejněnou při jeho uvedení .

Model také silně exceluje v benchmarku znalostní práce GDPval, který hodnotí úlohy napříč desítkami profesí včetně práva, financí a produktového managementu – GPT‑5.5 se v přibližně 84,9 % srovnání vyrovná profesionálům nebo je překonává .

Dohromady tato čísla naznačují, že GPT‑5.5 je obzvláště silný v autonomních vícekrokových úlohách a agentních workflow.

Claude Opus 4.7: výjimečný model pro kódovací benchmarky

Claude Opus 4.7 od Anthropicu je všeobecně považován za jeden z nejsilnějších modelů pro úlohy softwarového inženýrství.

Jeho nejvýraznější výsledky benchmarků zahrnují :

• SWE‑bench Verified: 87,6 %
• SWE‑bench Pro: 64,3 %
• GPQA Diamond: 94,2 %
• Terminal‑Bench 2.0: 69,4 %

SWE‑bench hodnotí, zda model dokáže opravit reálné chyby v open‑source repozitářích. To, že Opus 4.7 řeší 87,6 % úloh SWE‑bench Verified, představuje výrazné zlepšení oproti svému předchůdci a řadí jej mezi nejlepší modely pro kódovací agenty .

Zatímco jeho skóre v Terminal‑Bench zaostává za GPT‑5.5, jeho kódovací benchmarky zůstávají mezi nejsilnějšími v publikovaných srovnáních .

Gemini 3.5 Flash: vysoký výkon při mnohem vyšší rychlosti

Gemini 3.5 Flash od Googlu je neobvyklý tím, že je positioningován jako rychlý, nákladově efektivní model, nikoli vlajková loď – přesto dosahuje konkurenceschopných výsledků v několika agentních benchmarcích.

Uváděné výsledky zahrnují :

• Terminal‑Bench 2.1: 76,2 %
• MCP Atlas: 83,6 %
• GDPval‑AA: 1656 Elo
• CharXiv reasoning: 84,2 %

Google uvádí, že model běží přibližně čtyřikrát rychleji než srovnatelné špičkové modely, přičemž v několika agentních a kódovacích benchmarcích překonává starší Gemini 3.1 Pro .

V praxi je hlavní předností Gemini 3.5 Flash poměr rychlosti a schopností: poskytuje výsledky blížící se vlajkovým lodím, přičemž cílí na nízkou latenci a produkční nasazení.

DeepSeek V4: silný vyzyvatel s otevřenými váhami

DeepSeek V4 je pozoruhodný tím, že patří mezi nejschopnější modely s otevřenými váhami, které byly dosud vydány.

Rodina modelů zahrnuje dvě varianty :

• V4‑Pro (velký model typu mixture‑of‑experts)
• V4‑Flash (lehčí a efektivnější varianta)

Podle technické zprávy modelu a shrnutí jeho benchmarků dosahuje V4‑Pro v režimu maximálního uvažování :

• SWE‑bench Verified: 80,6 %
• GPQA Diamond: 90,1 %
• LiveCodeBench: 93,5 %

Tyto výsledky jej v některých kódovacích benchmarcích řadí do blízkosti předních proprietárních modelů.

Nezávislé hodnocení programu CAISI amerického Národního institutu pro standardy a technologie (NIST) však zjistilo, že schopnosti modelu zaostávají za špičkou přibližně o osm měsíců, což poukazuje na rozdíl mezi vlastními uváděnými a nezávislými výsledky .

Grok 4.3: výrazná zlepšení, ale ne jasný lídr špičky

Grok 4.3 od xAI představuje velké zlepšení oproti dřívějším modelům Grok, zejména v agentních benchmarcích.

Publikovaná čísla zahrnují :

• Artificial Analysis Intelligence Index: ~53
• GDPval‑AA: ~1500 Elo
• τ²‑Bench Telecom: 98 %
• IFBench: 81 %

Skok o více než 300 Elo bodů na GDPval‑AA ve srovnání s dřívějšími verzemi Grok naznačuje podstatný pokrok v automatizaci úloh reálného světa .

Analýzy třetích stran však model v celkových benchmarkových schopnostech obecně řadí pod nejnovější systémy OpenAI a Anthropicu .

Co důkazy z benchmarků celkově naznačují

Při pohledu napříč těmito hodnoceními se rýsuje konzistentní vzorec:

• Nejlepší celková agentní workflow: GPT‑5.5
• Nejlepší model zaměřený na kódování: Claude Opus 4.7
• Nejlepší poměr rychlosti a schopností: Gemini 3.5 Flash
• Nejsilnější vyzyvatel s otevřenými váhami: DeepSeek V4 Pro
• Vylepšený, ale středněpásmový špičkový model: Grok 4.3

Těchto závěrů je však třeba brát spíše jako orientační než definitivní, protože každý výrobce zvýrazňuje jiné vyhodnocovací sady.

Proč zůstávají žebříčky špičkových modelů nestabilní

Srovnávání benchmarků v moderní AI je stále složitější z několika důvodů:

1. Různé verze benchmarků. Například Terminal‑Bench 2.0 a 2.1 měří podobné úlohy, ale produkují mírně odlišné výsledky.
2. Nastavení úsilí uvažování. Mnoho modelů má nyní konfigurovatelné režimy "myšlení", které mění skóre.
3. Čísla uváděná výrobci. Mnoho tabulek benchmarků pochází z příspěvků při uvedení modelu, nikoli z nezávislých hodnocení.
4. Specializace na úlohy. Kódovací, agentní a znalostní benchmarky odměňují různé schopnosti.

Kvůli těmto faktorům se skutečné relativní pořadí špičkových modelů často vyjasní až po měsících nezávislého testování.

Závěr

Nejnovější důkazy z benchmarků neukazují jediný model, který by dominoval každé oblasti.

Místo toho se současná špička zdá být specializovaná:

• GPT‑5.5 vede v mnoha agentních benchmarcích workflow.
• Claude Opus 4.7 exceluje v úlohách kódování reálného světa.
• Gemini 3.5 Flash posouvá hranici rychlosti a výkonu.
• DeepSeek V4 dokazuje, že modely s otevřenými váhami se mohou přiblížit proprietárním schopnostem.
• Grok 4.3 ukazuje výrazné zlepšení, ale ve většině širokých hodnocení stále zaostává za nejnovějšími lídry.

Jak se budou sbližovat nezávislé benchmarky a objeví se více srovnání jablek s jablky, přesné pořadí těchto systémů se bude pravděpodobně dále vyvíjet.

• Terminal‑Bench 2.0: 82,7 %
• GDPval: 84,9 % výher nebo remíz proti lidským expertům
• OSWorld‑Verified: 78,7 %
• SWE‑bench Pro: 58,6 %

Terminal‑Bench konkrétně měří komplexní vícekrokové workflow v příkazové řádce vyžadující plánování a použití nástrojů, kde GPT‑5.5 se skóre 82,7 % vede srovnávací tabulku zveřejněnou při jeho uvedení .

Model také silně exceluje v benchmarku znalostní práce GDPval, který hodnotí úlohy napříč desítkami profesí včetně práva, financí a produktového managementu – GPT‑5.5 se v přibližně 84,9 % srovnání vyrovná profesionálům nebo je překonává .

Dohromady tato čísla naznačují, že GPT‑5.5 je obzvláště silný v autonomních vícekrokových úlohách a agentních workflow.

Claude Opus 4.7: výjimečný model pro kódovací benchmarky

Claude Opus 4.7 od Anthropicu je všeobecně považován za jeden z nejsilnějších modelů pro úlohy softwarového inženýrství.

Jeho nejvýraznější výsledky benchmarků zahrnují :

• SWE‑bench Verified: 87,6 %
• SWE‑bench Pro: 64,3 %
• GPQA Diamond: 94,2 %
• Terminal‑Bench 2.0: 69,4 %

SWE‑bench hodnotí, zda model dokáže opravit reálné chyby v open‑source repozitářích. To, že Opus 4.7 řeší 87,6 % úloh SWE‑bench Verified, představuje výrazné zlepšení oproti svému předchůdci a řadí jej mezi nejlepší modely pro kódovací agenty .

Zatímco jeho skóre v Terminal‑Bench zaostává za GPT‑5.5, jeho kódovací benchmarky zůstávají mezi nejsilnějšími v publikovaných srovnáních .

Gemini 3.5 Flash: vysoký výkon při mnohem vyšší rychlosti

Gemini 3.5 Flash od Googlu je neobvyklý tím, že je positioningován jako rychlý, nákladově efektivní model, nikoli vlajková loď – přesto dosahuje konkurenceschopných výsledků v několika agentních benchmarcích.

Uváděné výsledky zahrnují :

• Terminal‑Bench 2.1: 76,2 %
• MCP Atlas: 83,6 %
• GDPval‑AA: 1656 Elo
• CharXiv reasoning: 84,2 %

Google uvádí, že model běží přibližně čtyřikrát rychleji než srovnatelné špičkové modely, přičemž v několika agentních a kódovacích benchmarcích překonává starší Gemini 3.1 Pro .

V praxi je hlavní předností Gemini 3.5 Flash poměr rychlosti a schopností: poskytuje výsledky blížící se vlajkovým lodím, přičemž cílí na nízkou latenci a produkční nasazení.

DeepSeek V4: silný vyzyvatel s otevřenými váhami

DeepSeek V4 je pozoruhodný tím, že patří mezi nejschopnější modely s otevřenými váhami, které byly dosud vydány.

Rodina modelů zahrnuje dvě varianty :

• V4‑Pro (velký model typu mixture‑of‑experts)
• V4‑Flash (lehčí a efektivnější varianta)

Podle technické zprávy modelu a shrnutí jeho benchmarků dosahuje V4‑Pro v režimu maximálního uvažování :

• SWE‑bench Verified: 80,6 %
• GPQA Diamond: 90,1 %
• LiveCodeBench: 93,5 %

Tyto výsledky jej v některých kódovacích benchmarcích řadí do blízkosti předních proprietárních modelů.

Nezávislé hodnocení programu CAISI amerického Národního institutu pro standardy a technologie (NIST) však zjistilo, že schopnosti modelu zaostávají za špičkou přibližně o osm měsíců, což poukazuje na rozdíl mezi vlastními uváděnými a nezávislými výsledky .

Grok 4.3: výrazná zlepšení, ale ne jasný lídr špičky

Grok 4.3 od xAI představuje velké zlepšení oproti dřívějším modelům Grok, zejména v agentních benchmarcích.

Publikovaná čísla zahrnují :

• Artificial Analysis Intelligence Index: ~53
• GDPval‑AA: ~1500 Elo
• τ²‑Bench Telecom: 98 %
• IFBench: 81 %

Skok o více než 300 Elo bodů na GDPval‑AA ve srovnání s dřívějšími verzemi Grok naznačuje podstatný pokrok v automatizaci úloh reálného světa .

Analýzy třetích stran však model v celkových benchmarkových schopnostech obecně řadí pod nejnovější systémy OpenAI a Anthropicu .

Co důkazy z benchmarků celkově naznačují

Při pohledu napříč těmito hodnoceními se rýsuje konzistentní vzorec:

• Nejlepší celková agentní workflow: GPT‑5.5
• Nejlepší model zaměřený na kódování: Claude Opus 4.7
• Nejlepší poměr rychlosti a schopností: Gemini 3.5 Flash
• Nejsilnější vyzyvatel s otevřenými váhami: DeepSeek V4 Pro
• Vylepšený, ale středněpásmový špičkový model: Grok 4.3

Těchto závěrů je však třeba brát spíše jako orientační než definitivní, protože každý výrobce zvýrazňuje jiné vyhodnocovací sady.

Proč zůstávají žebříčky špičkových modelů nestabilní

Srovnávání benchmarků v moderní AI je stále složitější z několika důvodů:

1. Různé verze benchmarků. Například Terminal‑Bench 2.0 a 2.1 měří podobné úlohy, ale produkují mírně odlišné výsledky.
2. Nastavení úsilí uvažování. Mnoho modelů má nyní konfigurovatelné režimy "myšlení", které mění skóre.
3. Čísla uváděná výrobci. Mnoho tabulek benchmarků pochází z příspěvků při uvedení modelu, nikoli z nezávislých hodnocení.
4. Specializace na úlohy. Kódovací, agentní a znalostní benchmarky odměňují různé schopnosti.

Kvůli těmto faktorům se skutečné relativní pořadí špičkových modelů často vyjasní až po měsících nezávislého testování.

Závěr

Nejnovější důkazy z benchmarků neukazují jediný model, který by dominoval každé oblasti.

Místo toho se současná špička zdá být specializovaná:

• GPT‑5.5 vede v mnoha agentních benchmarcích workflow.
• Claude Opus 4.7 exceluje v úlohách kódování reálného světa.
• Gemini 3.5 Flash posouvá hranici rychlosti a výkonu.
• DeepSeek V4 dokazuje, že modely s otevřenými váhami se mohou přiblížit proprietárním schopnostem.
• Grok 4.3 ukazuje výrazné zlepšení, ale ve většině širokých hodnocení stále zaostává za nejnovějšími lídry.

Jak se budou sbližovat nezávislé benchmarky a objeví se více srovnání jablek s jablky, přesné pořadí těchto systémů se bude pravděpodobně dále vyvíjet.