OpenAI vypustilo do světa rodinu modelů GPT-5.6 a s ní vlajkový model Sol. Půl roku se čekalo, jestli dokáže sebrat Anthropicu korunu nejsilnějšího AI modelu. Odpověď zní: skoro. Sol a Claude Fable 5 jsou dnes prakticky vyrovnaní soupeři, jen každý vyhrává jinou disciplínu. A právě to rozdělení je zajímavější než otázka, kdo je o bod výš.
Ještě na jaře byla situace jednoduchá. Anthropic měl v kódování a ve složitém uvažování náskok, který OpenAI generaci co generaci dotahovalo, ale nedotáhlo. Bylo to zvláště pokořující, protože ještě před rokem tomu bylo opačně. GPT-5.6 tu partii vyrovnává. Na většině kompozitních měřítek inteligence je rozdíl mezi Sol a Fable 5 v řádu jednoho bodu, což je hluboko v pásmu chybovosti testů.
Co Sol přináší nového
Nejviditelnější změna je ve struktuře. GPT-5.6 přichází ve třech úrovních: Sol jako top model, Terra jako vyvážený model pro běžnou práci a Luna jako nejlevnější a nejrychlejší. Číslo značí generaci, jména jsou trvalé výkonnostní třídy, které se mají vyvíjet vlastním tempem. Terra a Luna přitom nejsou jen ořezané verze - na několika grafech se Luna drží před Terrou, takže za nižší cenu občas dostanete vyšší výkon.
Technicky stojí za pozornost dvě věci. Režim max dává modelu víc času a výpočtu na jeden řetězec uvažování, což je obdoba extended thinking, jak ho zná Claude. Zajímavější je ultra: multiagentní režim zabudovaný přímo do modelu. Sol rozloží úlohu, spustí ve výchozím stavu čtyři paralelní subagenty, ti se během práce koordinují a nakonec výsledky spojí. To, co inženýři dosud stavěli ručně přes externí orchestraci, je teď funkce modelu. V API k tomu patří Programmatic Tool Calling, kdy model píše a v izolovaném prostředí spouští program, který sám koordinuje nástroje a filtruje mezivýsledky, takže tokenově náročné úlohy potřebují míň kol tam a zpět.
Cena je třetí nová věc a je to u Sol nejsilnější karta. Sol stojí 5 dolarů za milion vstupních a 30 za milion výstupních tokenů, tedy polovinu ceny Fable 5. Na některých úlohách k tomu Sol spotřebuje méně tokenů, takže reálný účet vyjde ještě níž (a v češtině je na tom Sol ještě lépe co do spotřeby tokenů). OpenAI touhle generací zároveň poprvé zavádí zpoplatnění cache-write na 1,25násobku ceny vstupu, čímž kopíruje model, který dřív zavedl Anthropic.
Kde je kdo lepší
Čísla Sol jsou z velké části buď self-reported od OpenAI, nebo od Artificial Analysis, které GPT-5.6 měřilo jako pre-release partner a launch zakončilo gratulací OpenAI. Nezávislé reprodukce je zatím málo, protože Sol byl do dneška dostupný jen ve vládou schváleném preview. Zatím jde o orientační čísla, na pevné závěry je brzy.
| Oblast | Sol | Fable 5 / Anthropic | Kdo vede |
|---|---|---|---|
| Agentní kódování v Codexu (AA Coding Agent Index) | 80 | 77 | Sol |
| Terminal-Bench 2.1 | 88,8 / 91,9 ultra | 88 | remíza |
| SWE-Bench Pro (end-to-end práce v repu) | 64,6 % | 80,3 % | Fable |
| Browsing (BrowseComp) | 92,2 % | níže | Sol |
| Computer use (OSWorld 2.0) | 62,6 % | níže | Sol |
| ARC-AGI-3 (orientace v neznámém) | 7,8 % | 1,5 % (Opus 4.8) | Sol |
| ARC-AGI-2 (sytí se) | 92 % | Sol | |
| Cybersecurity (ExploitBench) | 73,5 % | srovnatelné | remíza |
| AA Intelligence Index v4.1 | 58,9 | 59,9 | Fable (těsně) |
| Humanity’s Last Exam | 47,2 % | 53,3 % | Fable |
| GPQA Diamond | ~94 % | 94,6 % (Mythos) | remíza |
| Knowledge work (GDPval-AA) | níže | vede o ~12 Elo | Fable |
| Věcná správnost výstupu (AA-Briefcase Rubric) | 42 % | 56 % | Fable |
| Vzhled prezentací (Presentation Elo) | nejvyšší vůbec | druhá | Sol |
| Tool use (Toolathlon) | 58 % | 61,7 % | Fable |
| Cena za úlohu | ~1 $ | ~3× dráž | Sol |
| Lidská preference (LMArena) | zatím neměřeno | na špici | Fable |
Ten přehled má rozpoznatelný vzorec. Sol vyhrává „dělání” - agentní kódování na vlastním hřišti, browsing, ovládání počítače, cybersecurity, orientaci v neznámém prostředí, cenu a vzhled. Anthropic vyhrává „vědění a správnost” - znalosti, reasoning, věcnou přesnost výstupu, práci v reálném repozitáři a lidskou preferenci.
Z toho plyne praktické rozhodnutí. Sol se hodí tam, kde model něco autonomně vykonává v prostředí OpenAI - agentní smyčky v Codexu, cyber pipeline, terminálová práce, orchestrace subagentů přes ultra - a tam, kde rozhoduje cena za úlohu a hezký výstup. Fable 5 se hodí tam, kde musí výstup věcně sedět: end-to-end oprava produkčního kódu, znalostní analýza, dlouhé kontexty a úkoly, u kterých se špatná odpověď draho platí.
Poznámka u coding čísel modelu Sol
Solova coding čísla mají jeden háček. Na SWE-Bench Pro, tedy testu, který velká část inženýrů považuje za nejrozhodnější pro produkční práci, Sol na Fable 5 ztrácí patnáct bodů. To číslo OpenAI do launch dokumentu nedalo. A ve stejný den vydalo studii, podle níž je zhruba 30 procent úloh SWE-Bench Pro rozbitých, a stáhlo své dřívější doporučení ten benchmark používat. To se tak prostě sejde…
Časování je nápadné, ale kritika má nezávislé posvěcení. Artificial Analysis v červnu vyhodilo SWE-Bench Pro ze svého žebříčku, protože modely ho obcházely kopírováním hotových řešení z commit historie. A tady se pointa zavírá do kruhu: přesně tenhle typ obcházení, tedy reward-hacking, naměřil nezávislý METR u Sol v nejvyšší míře, jakou kdy u veřejného modelu viděl. OpenAI tedy sráží benchmark za slabinu, kterou jeho vlastní model zneužívá nejlíp ze všech.
Kontext, který se v Česku nereflektuje
Oba modely blokoval stejná vládní procedura. Sol byl přes tři týdny dostupný jen zhruba dvaceti vládou schváleným organizacím, než dnes prošel do plného provozu. Anthropic prošel před pár týdny toutéž logikou z druhé strany, přes exportní kontroly u Fable 5. Dvě největší laboratoře světa tak během jednoho měsíce absolvovaly de facto předběžné schválení modelu vládou. Politico k tomu popisuje chilling effect, kdy firmy volí neformální kanály před otevřenou kritikou ze strachu z omezeného přístupu. „Dobrovolnost” se stává normou, a to je příběh, který přežije obě dnešní tiskové zprávy.
Bok po boku
Vydání GPT-5.6 je moment, kdy OpenAI dohnalo Anthropic. Sol je na agentní práci, cenu a orientaci v neznámém prostředí špička, Fable 5 drží náskok na správnosti, znalostech a repozitářové práci. Kdo staví, řeší dnes hlavně vhodnost pro konkrétní úlohu - podle toho, jestli potřebuje, aby agent něco levně vykonal, nebo aby výsledek beze zbytku seděl. Éra jednoho jasného lídra na vrcholu tím zatím pro nějakou skončila. Ale minulost nám ukazuje, že tyto změny jsou běžné a je potřeba s nimi jen počítat.