Tier 2: Specialisté a rychlíci

Claude Opus 4.8 (Anthropic)

Před příchodem Fable 5 byl Opus 4.8 nesporným králem. Vydaný na konci května 2026, nyní je výkonným zástupcem šampiona a sám o sobě zůstává modelem nejvyšší třídy .

• Celkově a agentně: Byl prvním modelem, který vedl Artificial Analysis Intelligence Index se skóre 61,4 a obsadil první místo v žebříčku GDPval-AA s 1890 Elo, než ho překonal Fable 5 .
• Kódování: Dosahuje 69,2 % na SWE-bench Pro a 88,6 % na SWE-bench Verified .
• Matematika: Předvedl historický skok o 27 bodů na matematickém benchmarku USAMO 2026, z 69,3 % na 96,7 % za pouhých 41 dní .
• Poctivost: Model má nejnižší míru faktických halucinací mezi svými vrstevníky, a to především proto, že pokud si není jistý, raději neodpoví, než aby hádal .

GPT-5.5 (OpenAI)

GPT-5.5, vydaný na konci dubna 2026, byl prvním modelem této generace, který pro OpenAI získal zpět celkové prvenství ve výkonu, avšak s více specializovanou sadou dovedností .

• Matematické uvažování: Je výjimečným matematickým modelem, se skóre 51,7 % na FrontierMath Tier 1-3 a 35,4 % na neuvěřitelně těžkém Tier 4 – s jasným náskokem před konkurencí .
• Autonomní CLI: Vede také na Terminal-Bench 2.0 se skóre 82,7 % pro složité úkoly v příkazové řádce, ve srovnání s 69,4 % Claude Opus 4.7 .
• Dlouhý kontext: GPT-5.5 udělal skok o 37 bodů ve vyhledávání v dlouhém kontextu (MRCR v2), se skóre 74,0 % při kontextu 1M tokenů, čímž nechal svého předchůdce s 36,6 % daleko za sebou .
• Výhrada ke kódování: I když je silným univerzálem, jeho skóre 58,6 % na SWE-Bench Pro nyní výrazně zaostává za modely Anthropicu .

Gemini 3.5 Flash (Google)

Tento model, který debutoval na Google I/O 2026, je nabídkou z kategorie 'Flash', což znamená, že je navržen pro rychlost a cenovou efektivitu, aniž by obětoval schopnost rozdávat rány i silnějším soupeřům .

• Rychlost a hodnota: Je údajně 4x rychlejší než Gemini 3.1 Pro pro úkoly agentů a kódování, za konkurenční ceny .
• Agentní schopnosti a použití nástrojů: Dosahuje silných 83,6 % na MCP Atlas, benchmarku pro vícekrokové používání nástrojů .
• Kódování a vize: Na SWE-Bench Pro jeho skóre 55,1 % mírně překonává svého většího předchůdce Gemini 3.1 Pro a v benchmarku vizuálního uvažování CharXiv dosahuje 84,2 % .
• Kontrola reality: Nezávislá data Artificial Analysis naznačují, že jeho výsledky v kódování jsou výrazně slabší, než naznačují vlastní srovnání Googlu. Jeho skutečná užitečnost pro vývojáře se proto stále ověřuje .

Grok 4.3 (xAI)

Grok 4.3, tiše spuštěný na konci dubna 2026, sází na cenovou efektivitu a rychlost a vyniká v úzce profilovaných oblastech .

• Celkové umístění: Na Artificial Analysis Intelligence Indexu dosahuje skóre 53. To ho řadí nad modely střední třídy jako Claude Sonnet 4.6, ale hluboko pod špičkové modely GPT-5.5, Claude Opus 4.7 a Gemini 3.1 Pro .
• Král následování instrukcí: Je na 1. místě na IFBench se skóre 81 %, čímž poráží GPT-5.5, Gemini 3.1 Pro i Claude Opus 4.7 .
• Agentní boom: Grok 4.3 vykazuje masivní nárůst o +321 Elo bodů na benchmarku agentních úkolů GDPval-AA oproti svému předchůdci a dosahuje skóre 1500 . Také dosahuje v oboru vedoucích 98 % na benchmarku τ²-Bench Telecom .
• Rychlostní démon: První zprávy uvádí jeho rychlost na 159 tokenech za sekundu, jiné benchmarky ukazují rychlosti mezi 78,4 a 196 tokeny/s .
• Cena a limity: S agresivní cenou odhadovanou na 1,25 $/2,50 $ za milion tokenů (vstup/výstup) je silným hráčem z hlediska hodnoty pro specifické oblasti, ale není konkurentem v obecné inteligenci .

Open-Source vyzyvatel: DeepSeek V4 Pro (DeepSeek AI)

Vydaný v dubnu 2026, DeepSeek V4 Pro je nejsilnějším open-source vyzyvatelem, který nabízí neuvěřitelnou hodnotu v kódování, ovšem s kritickou výhradou z nezávislých zdrojů.

• Lídr v poměru cena/výkon pro kódování: Dosahuje působivých 80,6 % na SWE-bench Verified a 93,5 % na LiveCodeBench, čímž se v kódování velmi těsně přibližuje k Claude Opus 4.6, a to za zlomek ceny (odhadované ~3,48 $/M výstupních tokenů) .
• Verdikt CAISI: Nezávislé hodnocení americké vládní agentury CAISI zjistilo, že schopnosti DeepSeek V4 zaostávají za technologickou špičkou asi o 8 měsíců. Zatímco vlastní data DeepSeeku ho srovnávala s GPT-5.4, podle CAISI je jeho výkon blíže k modelu GPT-5 ze srpna 2025 .
• Celkové pořadí: V obecných znalostech a komplexním uvažování zaostává za proprietárními giganty, na jednom širším žebříčku se umístil na #39 ze 123 modelů .

Bezpečnost a nezávislá hodnocení

Nezávislé a standardizované testování bezpečnosti zůstává vzácné a často se nezveřejňuje.

• DeepSeek V4 Pro (CAISI/NIST): Hodnocení americké vlády zůstává nejvýznamnějším bezpečnostním signálem, který dospěl k závěru, že jeho schopnosti jsou asi 8 měsíců za technologickou špičkou .
• GPT-5.5 (AI Security Institute): Britský institut pro bezpečnost AI oznámil, že GPT-5.5 měl 71,4% úspěšnost v expertních kybernetických úlohách a uvedl, že „může být nejsilnějším modelem, který jsme v tomto ohledu testovali“ .

Jak se na tyto výsledky dívat

Je lákavé korunovat jediného vítěze, ale data vykreslují praktičtější obrázek:

• Pro ryzí schopnost programování a úkoly pro agenty je Claude Fable 5 ve své vlastní třídě.
• Pro náročné matematické uvažování a autonomní práci v příkazové řádce je nástrojem volby GPT-5.5.
• Pro vyvážený, cenově výhodný model, který je rychlý a spolehlivý, je Gemini 3.5 Flash přesvědčivou volbou, i když byste si měli ověřit jeho tvrzení o kódování pro váš konkrétní případ.
• Pokud potřebujete specialistu na právní uvažování, finance nebo následování instrukcí za nízkou cenu, je Grok 4.3 překvapivě silnou volbou.
• Pokud stavíte s omezeným rozpočtem a potřebujete špičkové kódování s open-source licencí, je DeepSeek V4 Pro nepřekonatelný v hodnotě, ale jeho reálná sofistikovanost se nemusí rovnat úplné špičce.

Vždy mějte na paměti, že podmínky benchmarků se liší (způsob zadání příkazů, použití nástrojů, intenzita uvažování) a nejsou dokonalou předpovědí pro vaši konkrétní aplikaci.

Tier 2: Specialisté a rychlíci

Claude Opus 4.8 (Anthropic)

Před příchodem Fable 5 byl Opus 4.8 nesporným králem. Vydaný na konci května 2026, nyní je výkonným zástupcem šampiona a sám o sobě zůstává modelem nejvyšší třídy .

• Celkově a agentně: Byl prvním modelem, který vedl Artificial Analysis Intelligence Index se skóre 61,4 a obsadil první místo v žebříčku GDPval-AA s 1890 Elo, než ho překonal Fable 5 .
• Kódování: Dosahuje 69,2 % na SWE-bench Pro a 88,6 % na SWE-bench Verified .
• Matematika: Předvedl historický skok o 27 bodů na matematickém benchmarku USAMO 2026, z 69,3 % na 96,7 % za pouhých 41 dní .
• Poctivost: Model má nejnižší míru faktických halucinací mezi svými vrstevníky, a to především proto, že pokud si není jistý, raději neodpoví, než aby hádal .

GPT-5.5 (OpenAI)

GPT-5.5, vydaný na konci dubna 2026, byl prvním modelem této generace, který pro OpenAI získal zpět celkové prvenství ve výkonu, avšak s více specializovanou sadou dovedností .

• Matematické uvažování: Je výjimečným matematickým modelem, se skóre 51,7 % na FrontierMath Tier 1-3 a 35,4 % na neuvěřitelně těžkém Tier 4 – s jasným náskokem před konkurencí .
• Autonomní CLI: Vede také na Terminal-Bench 2.0 se skóre 82,7 % pro složité úkoly v příkazové řádce, ve srovnání s 69,4 % Claude Opus 4.7 .
• Dlouhý kontext: GPT-5.5 udělal skok o 37 bodů ve vyhledávání v dlouhém kontextu (MRCR v2), se skóre 74,0 % při kontextu 1M tokenů, čímž nechal svého předchůdce s 36,6 % daleko za sebou .
• Výhrada ke kódování: I když je silným univerzálem, jeho skóre 58,6 % na SWE-Bench Pro nyní výrazně zaostává za modely Anthropicu .

Gemini 3.5 Flash (Google)

Tento model, který debutoval na Google I/O 2026, je nabídkou z kategorie 'Flash', což znamená, že je navržen pro rychlost a cenovou efektivitu, aniž by obětoval schopnost rozdávat rány i silnějším soupeřům .

• Rychlost a hodnota: Je údajně 4x rychlejší než Gemini 3.1 Pro pro úkoly agentů a kódování, za konkurenční ceny .
• Agentní schopnosti a použití nástrojů: Dosahuje silných 83,6 % na MCP Atlas, benchmarku pro vícekrokové používání nástrojů .
• Kódování a vize: Na SWE-Bench Pro jeho skóre 55,1 % mírně překonává svého většího předchůdce Gemini 3.1 Pro a v benchmarku vizuálního uvažování CharXiv dosahuje 84,2 % .
• Kontrola reality: Nezávislá data Artificial Analysis naznačují, že jeho výsledky v kódování jsou výrazně slabší, než naznačují vlastní srovnání Googlu. Jeho skutečná užitečnost pro vývojáře se proto stále ověřuje .

Grok 4.3 (xAI)

Grok 4.3, tiše spuštěný na konci dubna 2026, sází na cenovou efektivitu a rychlost a vyniká v úzce profilovaných oblastech .

• Celkové umístění: Na Artificial Analysis Intelligence Indexu dosahuje skóre 53. To ho řadí nad modely střední třídy jako Claude Sonnet 4.6, ale hluboko pod špičkové modely GPT-5.5, Claude Opus 4.7 a Gemini 3.1 Pro .
• Král následování instrukcí: Je na 1. místě na IFBench se skóre 81 %, čímž poráží GPT-5.5, Gemini 3.1 Pro i Claude Opus 4.7 .
• Agentní boom: Grok 4.3 vykazuje masivní nárůst o +321 Elo bodů na benchmarku agentních úkolů GDPval-AA oproti svému předchůdci a dosahuje skóre 1500 . Také dosahuje v oboru vedoucích 98 % na benchmarku τ²-Bench Telecom .
• Rychlostní démon: První zprávy uvádí jeho rychlost na 159 tokenech za sekundu, jiné benchmarky ukazují rychlosti mezi 78,4 a 196 tokeny/s .
• Cena a limity: S agresivní cenou odhadovanou na 1,25 $/2,50 $ za milion tokenů (vstup/výstup) je silným hráčem z hlediska hodnoty pro specifické oblasti, ale není konkurentem v obecné inteligenci .

Open-Source vyzyvatel: DeepSeek V4 Pro (DeepSeek AI)

Vydaný v dubnu 2026, DeepSeek V4 Pro je nejsilnějším open-source vyzyvatelem, který nabízí neuvěřitelnou hodnotu v kódování, ovšem s kritickou výhradou z nezávislých zdrojů.

• Lídr v poměru cena/výkon pro kódování: Dosahuje působivých 80,6 % na SWE-bench Verified a 93,5 % na LiveCodeBench, čímž se v kódování velmi těsně přibližuje k Claude Opus 4.6, a to za zlomek ceny (odhadované ~3,48 $/M výstupních tokenů) .
• Verdikt CAISI: Nezávislé hodnocení americké vládní agentury CAISI zjistilo, že schopnosti DeepSeek V4 zaostávají za technologickou špičkou asi o 8 měsíců. Zatímco vlastní data DeepSeeku ho srovnávala s GPT-5.4, podle CAISI je jeho výkon blíže k modelu GPT-5 ze srpna 2025 .
• Celkové pořadí: V obecných znalostech a komplexním uvažování zaostává za proprietárními giganty, na jednom širším žebříčku se umístil na #39 ze 123 modelů .

Bezpečnost a nezávislá hodnocení

Nezávislé a standardizované testování bezpečnosti zůstává vzácné a často se nezveřejňuje.

• DeepSeek V4 Pro (CAISI/NIST): Hodnocení americké vlády zůstává nejvýznamnějším bezpečnostním signálem, který dospěl k závěru, že jeho schopnosti jsou asi 8 měsíců za technologickou špičkou .
• GPT-5.5 (AI Security Institute): Britský institut pro bezpečnost AI oznámil, že GPT-5.5 měl 71,4% úspěšnost v expertních kybernetických úlohách a uvedl, že „může být nejsilnějším modelem, který jsme v tomto ohledu testovali“ .

Jak se na tyto výsledky dívat

Je lákavé korunovat jediného vítěze, ale data vykreslují praktičtější obrázek:

• Pro ryzí schopnost programování a úkoly pro agenty je Claude Fable 5 ve své vlastní třídě.
• Pro náročné matematické uvažování a autonomní práci v příkazové řádce je nástrojem volby GPT-5.5.
• Pro vyvážený, cenově výhodný model, který je rychlý a spolehlivý, je Gemini 3.5 Flash přesvědčivou volbou, i když byste si měli ověřit jeho tvrzení o kódování pro váš konkrétní případ.
• Pokud potřebujete specialistu na právní uvažování, finance nebo následování instrukcí za nízkou cenu, je Grok 4.3 překvapivě silnou volbou.
• Pokud stavíte s omezeným rozpočtem a potřebujete špičkové kódování s open-source licencí, je DeepSeek V4 Pro nepřekonatelný v hodnotě, ale jeho reálná sofistikovanost se nemusí rovnat úplné špičce.

Vždy mějte na paměti, že podmínky benchmarků se liší (způsob zadání příkazů, použití nástrojů, intenzita uvažování) a nejsou dokonalou předpovědí pro vaši konkrétní aplikaci.