Arena modeli AI po polsku: porównaj odpowiedzi 31 modeli obok siebie

👁 118 przeczytań

Tu możesz przeczytać obok siebie, jak ponad 30 modeli AI pisze po polsku: Claude Opus 5.5, GPT-6 Astra, GPT-6.1 Sol, Gemini, Grok, DeepSeek, Qwen, a także modele uruchamiane lokalnie, jak Bielik i Gemma. Każdy dostał te same 9 zadań: artykuł, opis produktu, odpowiedź na skargę, post na LinkedIn, opowiadanie, tytuły SEO, streszczenie, wyjaśnienie dla dziecka i tłumaczenie. Wybierasz zadanie i dwa modele, a obok odpowiedzi widzisz ocenę sędziów.

To surowe odpowiedzi z mojego Laboratorium, bez poprawek. Rankingi mówią, który model wygrywa, a tutaj sam sprawdzisz dlaczego: kto pisze naturalnie, kto tłumaczy dosłownie, kto zmyśla dane i kto nie trzyma się limitu słów.

Arena: porównaj odpowiedzi

Jak czytać arenę

• Zakładki u góry to 9 zadań. Pod nimi jest pełne polecenie, które dostał każdy model.
• Model A i model B wybierasz z list. Na starcie stoją Claude Opus 5.5 i GPT-6 Astra.
• Ranking pod spodem pokazuje ocenę sędziów w tym zadaniu. Kliknięcie modelu wstawia go jako model B.
• Ocena 0-10 to średnia z trzech kryteriów: poprawność języka, naturalność i wykonanie polecenia, uśredniona po sędziach.

Jak testowałem

• Wszystkie modele w chmurze dostały polecenia przez OpenRouter, z tym samym ustawieniem rozumowania (low) i domyślną temperaturą. Jedna próba na zadanie.
• Modele lokalne (oznaczone „lokalnie”) działały na moim RTX 4090 przez llama.cpp. Oceniały je te same modele-sędziowie, ale w osobnej rundzie, w której sędziowie byli średnio o ok. 3,5 pkt łagodniejsi. Ich oceny porównuj więc ostrożnie.
• Sędziami były Claude Opus 5.5, GPT-6 Sol i Gemini 3.1 Pro, a odpowiedzi dostawały pod losowymi kodami, bez nazw modeli.
• Pełny ranking z quizem z polszczyzny i korektą tekstu jest w Laboratorium.

Co widać po lekturze

• Czołówka pisze bardzo podobnie. Claude Opus 5.5, Fable 5.1, GPT-6 Astra i Luna różnią się głównie stylem, a nie poprawnością.
• Najwięcej różnic jest w limitach. Słabsze modele często przekraczają liczbę słów albo gubią warunek, na przykład „bez słowa PKB” w wyjaśnieniu inflacji.
• Modele lokalne do 30 mld parametrów radzą sobie z prostymi tekstami, ale w opowiadaniu i tłumaczeniu widać kalki z angielskiego i błędy odmiany.

Generatory obrazów porównasz w osobnej arenie generatorów obrazów.

Najczęstsze pytania

Który model AI najlepiej pisze po polsku?

W moim Laboratorium prowadzi Claude Opus 5.5 (90,1 pkt), przed GPT-6 Sol (86,4) i GPT-6.1 Sol (85,8). W arenie możesz sprawdzić na konkretnych tekstach, czy różnica ma dla ciebie znaczenie.

Czy darmowe modele piszą dużo gorzej?

Zależy od zadania. Gemini 3.8 Flash i DeepSeek V4.1 Flash są tanie, a w prostych tekstach trzymają poziom bliski czołówce. Różnicę widać w dłuższych formach i w trudnej korekcie.

Czy odpowiedzi były poprawiane?

Nie. To surowy tekst, który zwrócił model, łącznie z błędami.