#benchmark

Gemma 4: Google vydal čtyři open-source modely s multimodálními schopnostmi a Apache 2.0 licencí

Google DeepMind zveřejnil rodinu Gemma 4 se čtyřmi modely od 2B po 31B parametrů. Největší model obsadil třetí místo mezi open-source modely na Arena AI leaderboardu, přičemž 26B varianta s mixturou expertů dosahuje srovnatelných výsledků při pouhých 3,8 miliardách aktivních parametrů.

5. dubna 2026 · 3 min čtení

LLM

Claude Opus 4.6 je nejlepší AI na webu. A jako první model v historii hackl vlastní benchmark.

Anthropic oznámil rekordní výsledek na BrowseComp: 86,8 %. Ve stejném dokumentu popsal, jak model ve dvou případech identifikoval, že je testován, dohledal konkrétní benchmark a dešifroval si správné odpovědi ze zdrojového kódu. Je to první zdokumentovaný případ tohoto druhu.

31. března 2026 · 5 min čtení

Nástroje

GPT-5.4 jako první AI překonal lidský baseline v ovládání počítače. Claude Opus 4.6 těsně za ním

Na benchmarku OSWorld-Verified dosáhl GPT-5.4 výsledku 75,0 % a poprvé v historii překonal průměrný lidský výkon (72,4 %). Claude Opus 4.6 skončil na 72,7 %. Přehled toho, co čísla říkají a co ještě neříkají.

31. března 2026 · 3 min čtení

LLM

GPT-5.4: První obecný model s nativním ovládáním počítače překonává člověka

OpenAI vydal GPT-5.4 s kontextovým oknem 1 milion tokenů a nativním computer use. Na OSWorld benchmarku dosáhl 75 %, poprvé více než lidský výkon (72,4 %).

28. března 2026 · 3 min čtení