Besplatni usporednik otkriva koji AI model stvarno vrijedi

U moru modela umjetne inteligencije koji svaki tjedan izlaze s vlastitim grafikonima na kojima gaze konkurenciju, pojavio se besplatni usporednik koji tvrdi da može priznati kad su dva modela nerazlučivo dobra.

Riječ je o QUELLE IA alatu koji okuplja 252 jezična modela, 78 generatora slika, 38 generatora videa i 77 stvarnih hardverskih konfiguracija, a podaci se osvježavaju svakog ponedjeljka. Umjesto da sam provodi testove, alat agregira rezultate neovisnih referenci poput Epoch AI, Arena, compar:IA, EuroEval i Artificial Analysis, uz dopuštenje potonjeg. Ukupno se radi o 59 testnih tablica i više od 12.000 provjerljivih mjerenja.

Najzanimljiviji metodološki potez je uvođenje statističke margine pogreške. Svaki se rezultat računa s intervalom pouzdanosti od 90 posto, pa kada se rasponi dvaju modela preklapaju, alat ih proglašava izjednačenima umjesto da izmisli pobjednika. Ovog tjedna prvo mjesto tako dijele Claude Opus 5.5 (99,4), GPT-6 Astra (98,8), GPT-6.1 Sol (98,3) i Gemini 4 Argon (97,3).

Izjednačenje na vrhu krije posve različite profile

No detalji po specijalnosti brzo razbijaju prividnu neriješenost. U deset velikih kategorija Claude Opus 5.5 vodi u pet (programiranje, opća upotreba, analiza slike, pisanje i izrada web stranica), GPT-6 Astra pobjeđuje u zaključivanju i upravljanju autonomnim agentima, a GPT-6.1 Sol u matematici i vladanju francuskim jezikom. Za developera ili pisca na francuskom najbolji alat stoga nije nužno onaj prvi na općoj ljestvici.

Upravo zato modul „Pronađi moj model” filtrira rezultate kroz četiri pitanja: potrebu, proračun, zahtjev za otvorenim modelima i snagu računala. Cijene su pritom prevedene iz žargona u eure. Claude Opus 5.5 naplaćuje se 4 eura po milijunu tokena za čitanje i 20 eura za pisanje, što za tisuću pitanja ispadne oko 14 eura. U omjeru kvalitete i cijene pobjeđuje Claude Haiku 5.5 sa solidnih 90,9 bodova za samo 0,20 eura po milijunu tokena.

Alat ipak pošteno upozorava na skrivene troškove: modeli „s rasuđivanjem”, koji razlažu misao prije odgovora, u pozadini troše znatno više tokena za isto pitanje. Plaćanje deset puta više donosi tek nekoliko bodova prednosti.

Otvoreni modeli: kineska dominacija i zid za osobna računala

Za one koji žele zadržati kontrolu nad svojom umjetnom inteligencijom, ljestvica modela s otvorenim težinama otkriva nešto što se rijetko čuje u marketinškim materijalima. MiMo-V2.6 Pro kineskog Xiaomija vodi s 91,2 boda, izjednačen s Kimi K3, MiMo-V2.6 Flash, GLM-5.3 i DeepSeek V4.1 Flash. Svih deset prvoplasiranih su kineski, a najbolji zaostaje osam bodova za Claude Opus 5.5. Dva najbolja modela ujedno su preteška za osobno računalo i traže server.

Tko pak želi pokretati umjetnu inteligenciju lokalno, bez interneta i slanja podataka u oblak, dobiva hladan tuš. Na prijenosniku s čipom RTX Spark i 128 GB memorije najjači model koji stane u memoriju je Qwen 3.8 27B sa 83 boda i brzinom od 16 tokena u sekundi — šesnaest bodova ispod internetskih velikana. Isti model radi i na grafičkoj kartici od 24 GB ili Macu od 32 GB, ali u oslabljenoj 4-bitnoj verziji. Najjeftinija kartica na popisu, Intel Arc Pro B60, stoji 1.199,95 eura, dok Asus ProArt P16 sa 128 GB košta 7.599,99 eura.

Što alat ne može sakriti

Transparentnost ipak ima granice koje proizlaze iz pouzdanosti dostupnih izvora. Usporednik vrijedi onoliko koliko vrijede javni testovi, a mnogi su već zasićeni modelima koji gaze gotovo bez greške. Ljestvica se računa iznova svakog ponedjeljka i može se promijeniti u tjedan dana.

Ovdje valja postaviti pitanje koje se u predstavljanju alata ne postavlja: koliko su ti „neovisni” testovi doista neovisni kada ih u velikoj mjeri financiraju upravo tvrtke koje se njima mjere? Arena funkcionira na slijepim glasovima korisnika, što je bolje od vlastitih grafikona, ali i ona ovisi o publici koja glasa — najčešće o entuzijastima iz tehnoloških sredina, a ne o prosječnom korisniku.

Ima i praktičniji problem. Alat je na francuskom i prvenstveno služi francuskim korisnicima, s francuskim referencama poput compar:IA i posebnim ocjenama za vladanje francuskim jezikom. Za korisnika to znači da će mu usporednik pomoći oko općih ljestvica i cijena, ali ne i oko pitanja koje ga zapravo zanima: koji model najbolje razumije jezik i lokalni kontekst. Na to pitanje nitko od velikih igrača ne daje provjerljiv odgovor, a upravo bi takav neovisni test trebao postojati.

U konačnici, QUELLE IA je koristan kompas u industriji u kojoj se naslov prvaka mijenja svakog tjedna. Ali kompas pokazuje smjer, ne kvalitetu terena. Odluku o tome koji alat koristiti — i koliko podataka pritom predati u tuđe ruke — svatko mora donijeti sam, po mogućnosti s dozom skepticizma prema svakom grafikonu koji dolazi iz kuće koja ga je nacrtala.