Cztery modele AI, pięć zadań po polsku. Sprawdziłem, który naprawdę ogarnia nasz język

👁 322 przeczytań

Mam dostęp do jednego API, które wpuszcza mnie do prawie wszystkich topowych modeli naraz - OpenRouter. Postanowiłem zrobić coś, czego nie da się wyczytać z tabelek benchmarków: wziąć cztery flagowce od czterech różnych firm, dać im dokładnie te same pięć zadań po polsku i zobaczyć, który naprawdę rozumie nasz język, umie liczyć, pisze działający kod i nie zmyśla. Bez litości, na tych samych ustawieniach.

Testowałem 3 lipca 2026. Każdy model dostał identyczny prompt, tę samą temperaturę (0,7) i ten sam limit odpowiedzi. Jedną rzecz musiałem wyrównać w trakcie: modele „rozumujące” (Gemini i DeepSeek) przy niskim limicie tokenów przepalały cały budżet na myślenie i zwracały ucięte odpowiedzi. Podniosłem limit do 4000 tokenów dla wszystkich, żeby porównanie było uczciwe. To zresztą pierwszy wniosek: z modelami rozumującymi trzeba inaczej rozmawiać.

Zawodnicy i stawki

Cztery różne szkoły, cztery różne firmy, cztery różne ceny. To nie jest walka równych budżetów - i to jest w tym najciekawsze.

Ceny za milion tokenów, stan z cennika OpenRouter w dniu testu. Zwróć uwagę na ostatni wiersz: DeepSeek jest tańszy od reszty o cały rząd wielkości. Wróci to w finale.

Runda 1: proza po polsku

Prompt: mikroopowiadanie do 150 słów o zegarmistrzu z Torunia, który potajemnie naprawia nie zegary, lecz czas swoich klientów. Ton liryczny, oszczędny. To test na wyczucie języka, rytm zdania i to nieuchwytne „czy brzmi jak polska proza, czy jak tłumaczenie”.

Mój werdykt: najmocniejszy okazał się Claude - zbudował pełny łuk emocjonalny i zabił bohatera puentą, w której zegarmistrz rozdał własny czas do ostatniej godziny. GPT-5.5 uderzył konceptem szuflad z etykietami „niedziela przed ślubem” i własnym zegarem, który nie chce ruszyć - bardzo oszczędnie, bardzo dobrze. Gemini poszło w gęstą metaforę („wyciągał zardzewiałe sekundy”, „spiłować ostry kant wspomnienia”) i był to najbardziej „literacki” tekst z całej czwórki. Największym zaskoczeniem jest DeepSeek: chiński model napisał naturalną, ładną polszczyznę bez cienia sztuczności. Jeszcze rok temu bym w to nie uwierzył. remis w czołówce

Runda 2: rozumowanie z pułapką

Prompt: ojciec i syn mają razem 66 lat, wiek ojca to wiek syna z cyframi w odwrotnej kolejności - podaj WSZYSTKIE pary. Matematyka jest banalna (11a+11b=66, czyli a+b=6). Pułapka jest w słowie „wszystkie”: czy para 60 i 6 się liczy, skoro trzeba potraktować „6″ jako „06″? To rozdzieliło stawkę.

Mój werdykt: matematycznie wszyscy zrobili to samo równanie i nikt się nie pomylił w rachunkach. Różnica jest w dojrzałości myślenia o przypadku brzegowym. GPT-5.5 rozegrał to najczyściej: podał dwie „normalne” pary (51/15 i 42/24) i osobno zaznaczył, że para 60/6 pojawia się tylko przy dopuszczeniu zera wiodącego. Claude wymienił wszystkie trzy z tabelką i weryfikacją - najbardziej skrupulatnie. DeepSeek świadomie odrzucił parę 60/6 z uzasadnieniem „06 to nie to samo co 60″ - obronne, choć dyskusyjne. Gemini podał poprawny zestaw trzech par, ale w zamykającej notce sam sobie zaprzeczył, pisząc, że odrzuca pary, w których „a jest większe od b, np. 51 i 15″ - a przecież 51/15 podał chwilę wcześniej jako prawidłową odpowiedź. Drobna wpadka logiczna w skądinąd dobrej odpowiedzi. wygrywa GPT-5.5

Runda 3: kod i klątwa ogonków

Prompt: funkcja w Pythonie sprawdzająca palindrom, ignorująca wielkość liter, interpunkcję ORAZ polskie znaki diakrytyczne. To sprytniejsze, niż wygląda, bo kryje jedną minę: klasyczny trik „normalizuj Unicode i wyrzuć znaki łączące” (NFKD) rozkłada ą, ę, ó, ś, ż, ale nie rozkłada litery ł - „ł” to osobny znak, nie „l z ogonkiem”. Kto o tym nie wie, ten napisze kod, który wygląda dobrze i przechodzi łatwe testy, a po cichu nie obsługuje najczęstszej polskiej litery.

Mój werdykt: i tu jest najciekawsze odkrycie całego testu. GPT-5.5 jako jedyny rozbroił minę świadomie - najpierw ręcznie zamienił „ł” na „l”, a dopiero potem puścił normalizację Unicode na resztę. Gemini i DeepSeek poszły prościej i bezpieczniej: zmapowały wszystkie polskie litery (łącznie z ł) tablicą tłumaczeń. Też poprawnie. A Claude? Napisał najelegantszy, najkrótszy kod, oparty właśnie na NFKD - i wpadł dokładnie w opisaną minę. Jego funkcja nie usuwa „ł”. Że testy mu przeszły, to zbieg okoliczności: jego przykłady albo nie zawierały „ł”, albo „ł” stało w nich symetrycznie, więc palindrom i tak wychodził. Podałbyś mu słowo, gdzie „ł” łamie symetrię, i wynik byłby błędny. Najładniejszy kod z całej czwórki, z jedną cichą dziurą. Claude był za to najszybszy - odpowiedź w 4,2 sekundy. wygrywa GPT-5.5

Runda 4: fakty, czyli test na zmyślanie

Prompt: kto był głównym architektem Pałacu Kultury i Nauki i w których latach go budowano - jednym zdaniem, a jeśli nie wiesz, powiedz to wprost. Poprawna odpowiedź: Lew Rudniew, 1952-1955.

Mój werdykt: pełny remis. Wszyscy czterej podali Lwa Rudniewa i lata 1952-1955, żaden nie zmyślił ani nie ubarwił. Claude dorzucił trafne „radziecki architekt”. Wniosek jest nudny, ale ważny: na dobrze udokumentowanych faktach współczesne flagowce są już po prostu wiarygodne. Zmyślanie zaczyna się dopiero na pytaniach niszowych - tu go nie było. remis

Runda 5: wyższa szkoła polszczyzny

Prompt: odmień przez wszystkie siedem przypadków rzeczownik „źrebię” w liczbie pojedynczej i mnogiej. To rzeczownik nieregularny z tematem obocznym (źrebię, ale źrebięcia, źrebięta, źrebiąt) - koszmar dla obcokrajowca i niezły test dla modelu.

Mój werdykt: drugi remis, tym razem imponujący. Wszystkie cztery modele podały bezbłędną, kompletną odmianę z poprawnymi obocznościami tematu (źrebięcia, źrebiąt, źrebiętom). Zero błędów, łącznie z chińskim DeepSeekiem. Morfologia polska, która potrafi wysypać niejednego native speakera, dla tej czwórki nie była żadnym problemem. remis

Szybkość i koszt: tu kończą się remisy

Jakość odpowiedzi była wyrównana. Ale czas i pieniądze rozjechały modele na cztery zupełnie różne pozycje. Poniżej realne dane z testu - średni czas odpowiedzi i łączny koszt wygenerowania wszystkich pięciu zadań u każdego modelu.

*Tokeny wyjścia obejmują też tokeny „myślenia” modeli rozumujących - dlatego Gemini i DeepSeek mają ich kilkukrotnie więcej, mimo podobnej długości finalnych odpowiedzi.

To jest sedno. Gemini 3.1 Pro, mimo najniższej ceny za token wśród „dużych”, wyszedł tu najdrożej - bo przepalił ponad 8,5 tysiąca tokenów na rozumowanie. DeepSeek zrobił tę samą pracę za pół centa, czyli około dwudziestokrotnie taniej niż Gemini i dziewięciokrotnie taniej niż Claude. Zapłacił za to jednak czasem: 32 sekundy średnio, a przy zadaniu z kodem aż 64 sekundy. Claude był najszybszy i przyjemnie tani jak na flagowca.

Ranking, czyli kogo wybrać do czego

Nie ma jednego zwycięzcy, bo „najlepszy” zależy od tego, za co płacisz. Mój ranking po tym teście:

1. GPT-5.5 - najrówniejszy zawodnik. Jako jedyny rozbroił minę z „ł” w kodzie i najczyściej rozegrał pułapkę logiczną. Do zadań, gdzie liczy się precyzja i nie chcesz niespodzianek - mój pierwszy wybór.
2. Claude Opus 4.8 - najlepsze pióro i najszybszy. Wygrał prozę, był skrupulatny w rozumowaniu i odpowiadał błyskawicznie, taniej niż GPT. Minus: jedna cicha dziura w kodzie. Do pisania i do pracy, gdzie liczy się tempo.
3. DeepSeek V4 Pro - szok cenowy roku. Jakość praktycznie na poziomie flagowców, natywna polszczyzna, a koszt śmiesznie niski. Jedyny realny minus to szybkość. Do masowej, mniej pilnej roboty bije wszystkich na głowę stosunkiem jakości do ceny.
4. Gemini 3.1 Pro - dobry, ale tu bez błysku. Poprawny wszędzie, z najładniejszą prozą, ale z drobnym zwarciem logicznym, najwolniejszy z „dużych” i - przez tokeny myślenia - najdroższy w tym teście.

Co z tego wynikło

Po pierwsze: na typowych zadaniach po polsku cała czwórka jest już bardzo blisko siebie. Polszczyzna, fakty, prosta matematyka - to dziś standard, nie wyróżnik. Różnice wychodzą dopiero na minach: brzegowy przypadek w zagadce, litera „ł” w kodzie, sposób radzenia sobie z niepewnością.

Po drugie: najładniejszy kod nie znaczy najlepszy kod. Claude napisał najbardziej elegancką funkcję i to właśnie ona miała ukrytą wadę. Zawsze testuj na złośliwym przykładzie, nie na tym, który sam sobie podsuniesz.

Po trzecie, najważniejsze: cena za token to nie to samo co cena za zadanie. Model rozumujący potrafi być tani „na papierze” i drogi w praktyce, bo płacisz za każdą sekundę jego myślenia. A z drugiej strony DeepSeek pokazał, że można mieć jakość flagowca za ułamek ceny - jeśli tylko możesz poczekać te kilkadziesiąt sekund dłużej. Rok temu takie porównanie nie miałoby sensu, bo różnice byłyby przepaścią. Dziś to już wybór narzędzia do zadania, a nie wybór między „dobrym” a „słabym”.

Metodologia: 4 modele przez OpenRouter, 5 identycznych promptów po polsku, temperatura 0,7, limit 4000 tokenów, test z 3 lipca 2026. Wszystkie cytaty to prawdziwe, niezmienione fragmenty odpowiedzi. Czasy i koszty policzone z realnego zużycia tokenów w tym przebiegu.

// czytaj dalej10 modeli AI pisze po polsku. Tylko cztery dają radę z ogonkamiPojedynki AIPrzetestowałem 6 najnowszych modeli na fal.ai. FLUX.3, MiniMax H3 i dwa modele, które piszą po polskuAI dla twórcówOdyseja: IMAX czy zwykła sala? Sprawdzam, za co naprawdę dopłacaszPublicystyka