Žebříček AI agentů odhalil nepříjemnou pravdu: větší model neznamená lepší výsledek

Google právě zabil první generaci Chromecastů. Jen tak. Miliony zařízení po celém světě přestaly fungovat, protože jim vypršel certifikát a nikdo se neobtěžoval ho obnovit. Zdálo by se, že tohle nemá s umělou inteligencí nic společného. Ale má. Protože přesně takhle vypadá budoucnost, kdy sázíte všechno na jednoho velkého hráče místo na otevřený ekosystém.

A právě o tom je Open Agent Leaderboard — žebříček, který konečně měří to, co zákazníky skutečně zajímá. Ne kolik parametrů model má, ale jestli dokáže splnit reálný úkol.

Co je Open Agent Leaderboard a proč byste ho měli znát

Open Agent Leaderboard je otevřený benchmark pro AI agenty — tedy modely, které nedělají jen chat, ale skutečně vykonávají úlohy. Rezervují letenky. Píšou a spouštějí kód. Prohledávají databáze. Ovládají webové prohlížeče.

Najdete ho na HuggingFace, kde každý může nahrát svého agenta a nechat ho otestovat na standardizovaných scénářích. Výsledky jsou veřejné a reprodukovatelné. Žádné marketingové slidy, žádné cherry-pickované demo.

A tady přichází ta nepříjemná pravda: GPT-4o s 200 miliardami parametrů v některých agenturních úlohách prohrává s modely, které mají parametrů desetkrát méně. Proč? Protože na velikosti záleží mnohem méně, než nám prodejci AI řešení tvrdí.

Specializace poráží hrubou sílu

Nedávná studie s názvem „Specialization Beats Scale" přinesla data, která by měla znervóznit každého, kdo právě podepsal sedmimístnou smlouvu na enterprise AI řešení. Autoři ukázali, že specializovaný model natrénovaný na konkrétní doménu — třeba energetiku, právní texty nebo průmyslovou diagnostiku — konzistentně překonává obecné giganty.

Čísla mluví jasně. Specializovaný 7B model (sedm miliard parametrů) dosáhl v doménových úlohách o 15–23 % lepších výsledků než obecný 70B model. Přitom běží na jediné GPU za 300 dolarů místo na clusteru za stovky tisíc.

Pro český trh je tohle zásadní zpráva. Firmy, které řídí fotovoltaické elektrárny, bateriová úložiště nebo spotřebu budov, nepotřebují model, co umí psát haiku v japonštině. Potřebují model, co spolehlivě predikuje spotovou cenu elektřiny na další den. A ten se dá natrénovat lokálně.

Jak si rozjet vlastního AI agenta za víkend

Dost teorie. Takhle to vypadá v praxi.

Nainstalujte si Ollama — open-source runtime pro lokální LLM. Na Linuxu jeden příkaz:

```bash curl -fsSL https://ollama.ai/install.sh | sh ollama pull llama3.1:8b ```

Máte 16 GB RAM a slušnou grafiku? Stáhněte si `mistral-nemo:12b` nebo `qwen2.5:14b`. Na RTX 4060 Ti (cca 10 000 Kč na bazaru) generujete 40 tokenů za sekundu. To stačí na většinu agenturních úloh.

Specializaci přidáte přes LoRA fine-tuning. Vezmete svá data — třeba historii spotřeby z MQTT brokeru, záznamy ze Shelly měřáků, spotové ceny z OTE — a dotrénujete base model na vaši doménu. Nástroj `unsloth` to zvládne na 24 GB VRAM za pár hodin.

Na platformě SmartEnergyShare tenhle přístup používáme pro predikci a řízení energetických toků. Malý specializovaný model poráží obecný GPT-4 v přesnosti předpovědí spotřeby o desítky procent — a běží lokálně, bez závislosti na cloudu, bez měsíčních poplatků za API.

Nemotron a difúzní jazykové modely: konec autoregrese?

Další bomba přišla z NVIDIA Labs. Projekt Nemotron-Labs Diffusion přináší jazykové modely, které negenerují text token po tokenu (jako GPT nebo Claude), ale celé bloky najednou — podobně jako difúzní modely generují obrázky.

Výsledek? Potenciálně řádový nárůst rychlosti. Místo 50 tokenů za sekundu teoreticky tisíce. Pro agenturní úlohy, kde model musí rychle generovat a vyhodnocovat desítky kroků, je to zásadní rozdíl.

Zatím jde o výzkum, ne o produkt. Ale architektura je otevřená a na HuggingFace už se objevují první implementace. Kdo si s tím chce hrát, repozitář je veřejný.

Proč to souvisí s leaderboardem? Protože rychlost je v agenturních benchmarcích klíčový parametr. Agent, který řeší úlohu 30 sekund místo 5 minut, má v reálném nasazení nesrovnatelnou výhodu. I kdyby měl o pár procent nižší přesnost.

Poučení z Chromecastu: vendor lock-in zabíjí

Zpátky k těm mrtvým Chromecastům. Google měl plnou kontrolu nad hardwarem, softwarem i certifikáty. Jednoho dne se rozhodl, že podpora končí. Uživatelé nemohli udělat nic.

Přesně tohle hrozí firmám, které vsadí na uzavřené AI řešení. Proprietární model od jednoho dodavatele znamená závislost na jeho cenové politice, jeho dostupnosti, jeho rozhodnutí, jestli váš use case ještě stojí za podporu.

Open Agent Leaderboard nabízí alternativu. Transparentní srovnání, kde vidíte, jak si který open-source model vede. Můžete si vybrat, otestovat, nasadit — a kdykoliv přejít na jiný. Bez vendor lock-inu. Bez mrtvých zařízení na poličce.

Na co se dívat v leaderboardu

Pár praktických tipů, než se do toho pustíte.

Tool-use skóre — měří, jak dobře agent používá externí nástroje (API, databáze, webové vyhledávání). Pro energetiku klíčové. Váš agent musí umět zavolat Modbus registr na střídači, ne jen o něm básničku napsat.

Multi-step reasoning — kolik po sobě jdoucích kroků agent zvládne, než se ztratí. Slabé modely se rozpadají po třetím kroku. Dobré zvládají deset i víc.

Latence — celkový čas na splnění úlohy. Tady difúzní modely typu Nemotron můžou brzy zamíchat kartami.

Cena za úlohu — kolik stojí jedno splnění benchmarku. Často zjistíte, že model za 0,50 dolaru na tisíc tokenů dává stejné výsledky jako model za 15 dolarů.

Co z toho plyne

AI trh v roce 2026 připomíná trh s automobily v roce 1910. Všichni křičí, že jejich motor je největší. Ale zákazníka zajímá, jestli ho auto doveze do práce, kolik žere benzínu a jestli na něj sežene náhradní díly.

Open Agent Leaderboard je první pokus o objektivní crash test pro AI agenty. Není dokonalý, benchmarky nikdy nejsou. Ale je otevřený, reprodukovatelný a roste.

Jestli plánujete nasadit AI do řízení spotřeby, predikce výroby nebo automatizace budov, neřiďte se marketingovými materiály. Podívejte se na leaderboard. Stáhněte si tři nejlepší modely pro vaši kategorii. Otestujte je na vlastních datech. A ten nejlepší si dotrénujte.

Protože v AI platí totéž co v energetice: nezávislost na jednom dodavateli není luxus. Je to nutnost.