Vlastní testy · aktualizováno 16. 07. 2026

Žebříček češtiny lokálních AI modelů

Které lokální modely umí opravdu česky? Neměříme syntetické benchmarky, modely u nás generují kompletní obsahové podklady pro skutečné české weby a hodnotíme je proti zlatému standardu. Tohle je žebříček z reálné práce, průběžně doplňovaný.

Skóre na produkční úloze, verze v6 (červenec 2026)

12bodová rubrika, hodnoceno proti zlatému standardu na identických vstupech. Srovnatelná jsou jen čísla ze stejné verze úlohy, proto jich tu je málo a přibývají pomalu.

1.

DeepSeek V4 Flash

nativní FP8/FP4 mix (171 GB) · 2× DGX Spark (cluster) · 15. 7. 2026

10,50 / 12

± 0,17 · 24 hodnocených výstupů

2.

Qwen3.6 35B-A3B

Q8_0 · 1× DGX Spark · 15. 7. 2026

10,25 / 12

± 0,25 · 24 hodnocených výstupů

Rozdíl 0,25 bodu je v pásmu šumu mezi běhy (±0,3). Prakticky: oba modely píší publikovatelnou češtinu; liší se nároky na hardware a typem vzácných chyb.

Co o modelech víme z provozu

Naše stroje generují česky desítky hodin denně: tohle jsou poznámky z reálného provozu, ne z jednorázového testu. Modely bez skóre čekají na plný testovací běh.

DeepSeek V4 Flash

nativní FP8/FP4 mix (171 GB) · 2× DGX Spark (cluster) · Hugging Face

10,50/12

~2× rychlejší než Qwen, ale potřebuje dva stroje

  • nejvyšší skóre testu, jediný dal i plných 12/12
  • výborná poslušnost k dlouhým a složitým pokynům
  • čistá česká próza bez komolení, ~30 tok/s
  • slabší práce s vizuálními fakty (popisy obrázků, loga), tam si vymýšlí sebejistě
  • ~298 mld. parametrů, váhy 171 GB, doma reálně až od 2× DGX Spark nebo 256GB Macu

Nejlepší čeština, jakou jsme z lokálního modelu dostali. Cena: hodně paměti.

Qwen3.6 35B-A3B

Q8_0 · 1× DGX Spark · Hugging Face

10,25/12

MoE, svižný i na pomalejší paměti

  • prakticky stejná kvalita jako DeepSeek na jediném stroji
  • nejlepší poměr čeština/nároky, náš produkční model
  • spolehlivě dodržuje priority zdrojů (nevymýšlí si u obrázků)
  • vzácné komolení slov při spekulativním dekódování (~1 slovo na dlouhý dokument), hlídáme automatickou kontrolou
  • u revizních úloh masivně „přemýšlí“, na dlouhé posudky nepoužitelný

Náš produkční model pro českou tvorbu. V Q4 chce ~24GB kartu, plná kvalita Q8 vyjde na ~40 GB, Spark nebo Mac.

ThinkingCap 27B (BottleCap AI, Mikolov/Beck)

Q8_0 · 1× DGX Spark · Hugging Face

v testování

~50 % méně „přemýšlecích“ tokenů → v praxi ~2× rychlejší odpovědi

  • český RL finetune Qwenu 3.6 27B, čeština po tuningu neutrpěla
  • krátké, predikovatelné uvažování, výborný na kontrolu a revize textů
  • Q8 kvantizace = plná přesnost f16 (ověřeno přímým srovnáním), f16 je jen 1,5× pomalejší
  • na nejdelších odvozovacích řetězech ztrácí (cena za poloviční přemýšlení)
  • tvrdohlavě tyká, i když mu řeknete vykat

Testujeme v revizní roli: čistý, střízlivý signál. Plné skóre na obsahové úloze doplníme.

Gemma 4 (12B / 31B)

Q8_0 · DGX Spark, Mac Studio · Hugging Face

v testování

úsporná KV cache (K=V), dlouhý kontext skoro zadarmo

  • multimodální (text + obrázky + zvuk), příjemná architektura pro dlouhý kontext
  • solidní čeština na běžnou konverzaci
  • v našich testech tvorby českého obsahu vycházel Qwen 3.6 ve všem lépe

Dobrý všeuměl, na českou tvorbu ale zatím druhá liga. Skóre doplníme.

Qwen3 8B (třída malých modelů)

Q8_0 · Mac Studio M1 Max 32 GB · Hugging Face

v testování

běží na 16GB noteboocích

  • nejlepší čeština v kategorii do 10 mld. parametrů
  • v Q8 použitelný na sumarizace, klasifikaci a kratší texty
  • pod Q8 čeština znatelně degraduje (komolení, anglicismy), malé modely kvantizaci odpouštějí nejméně
  • delší souvislý text ujíždí, na publikovatelnou tvorbu nestačí

Pracant na dílčí úlohy, ne autor. Pro češtinu zásadně Q8, ne Q4.

Jak testujeme

Úloha: model dostane objemné podklady z naší produkční práce (desítky stran textu, fotografie, tabulky s čísly) a musí z nich vytvořit kompletní publikovatelný obsahový výstup: strukturu, texty a práci s fakty z podkladů i z obrázků. Je to nejtěžší reálná úloha, kterou po lokálních modelech chceme, a přesně ta, kde se láme „umí česky“ vs. „píše publikovatelně“.

Hodnocení: 12bodová rubrika, šest kategorií po 0 až 2 bodech: věcná správnost, úplnost, jazyk a údernost, práce s vizuálními fakty, odolnost proti vymýšlení a forma. Každý výstup hodnotíme proti zlatému standardu vytvořenému člověkem s přístupem ke všem podkladům. Skóre v tabulce je průměr z více domén a opakovaných běhů.

Poctivost: skóre porovnáváme jen v rámci stejné verze úlohy: při vylepšení vstupů se čísla hýbou víc, než kolik dělá výměna modelu (ověřili jsme si to draze). Proto tabulka roste pomalu a u modelů bez plného běhu uvádíme jen kvalitativní poznámky. A protože testujeme na naší produkční úloze, model skvělý u nás nemusí být nejlepší na vaši úlohu. Berte žebříček jako silné vodítko, ne rozsudek.

Vybrali jste model? Spočítejte si zbytek

Poběží mi to?

Vejde se model do vaší paměti a jak rychle pojede.

Jaký hardware koupit?

Nejlevnější stroj, který váš model utáhne.

Vyplatí se to?

Cena za milion tokenů a návratnost vs. cloud.