Lídr kvality
Claude Opus 5 vede celkově se skóre 93.0.
Snapshot · 2026-10-09-rag-cz-v1
Benchmark LLM modelů pro produkční RAG pipeline v češtině.
LLM Compass pomáhá technickým týmům vybrat model podle reálných kroků RAG systému: příjem dokumentů, extrakce, plánování, reranking i finální syntéza odpovědi. Měříme kvalitu, náklady, latenci, tokenovou efektivitu a shodu nezávislých soudců, ne pouze jedno marketingové skóre.
Modelový vesmír
x: tokeny · y: průměrná kvalita · barva: autor
Dražší soudci zpřesňují finální výběr hlavních kandidátů, zatímco širší panel drží celý longlist srovnatelný a cenově udržitelný.
Premium judges GPT-5.5 and Claude Sonnet 4.6 are used only for High Priority LLM models to control benchmark cost.
RAG pipeline · P01 → P07
Sedm kroků benchmarku, hodnocených nezávisle.
P01
Příjem dokumentu
Rozpozná typ dokumentu, jazyk, strukturu a připraví ho pro další kroky RAG pipeline.
Mean 86.3 · hardest rank 3
P02
Strukturovaná extrakce
Vytáhne klíčová pole, entity a citace do stabilního strukturovaného výstupu.
Mean 85.1 · hardest rank 2
P03
Obohacení chunků
Doplňuje chunkům metadata, kontext a signály, které později pomáhají vyhledávání.
Mean 88 · hardest rank 6
P04
Směrování dotazu
Rozhoduje, jaký typ vyhledávání a jaké zdroje jsou pro dotaz nejvhodnější.
Mean 84.9 · hardest rank 1
P05
Multi-hop plán
Navrhuje vícekrokový plán přes dokumenty, entity a závislosti mezi důkazy.
Mean 87.8 · hardest rank 5
P06
Rerank a konflikty
Přeřadí důkazy, komprimuje kontext a hlídá rozpory mezi nalezenými zdroji.
Mean 86.5 · hardest rank 4
P07
Syntéza odpovědi
Skládá finální odpověď opřenou o důkazy, citace a jasné zacházení s nejistotou.
Mean 92 · hardest rank 7
Lídři kvality
01Claude Opus 5maxout8.2kreas.4.2knáklady$7.3493.002Claude Opus 5mediumout7.4kreas.334náklady$5.7392.803Claude Opus 5nothinkout8.4kreas.0náklady$5.9792.804GPT-5.6 Solmaxout4.5kreas.6.2knáklady$11.5792.605Grok 4.5highout3.6kreas.756náklady$0.82292.506GPT-5.6 Solmediumout4.2kreas.815náklady$8.2292.407GPT-5.6 Lunamaxout4.8kreas.9.9knáklady$1.6392.408GPT-5.6 Terramaxout4.6kreas.5.7knáklady$3.1692.409Kimi K3maxout5.4kreas.8.1knáklady$3.9892.210Grok 4.5minimalout3.8kreas.86náklady$0.83292.2
01Kimi K3maxout5.4kreas.8.1knáklady$3.9892.202Kimi K3highout5.0kreas.810náklady$2.1891.903GLM 5.2enabledout4.2kreas.6.9knáklady$1.2891.604DeepSeek V4 Flash 0731highout4.6kreas.14.2knáklady$0.18091.505Kimi K3lowout4.2kreas.86náklady$1.8791.306DeepSeek V4 Flash 0731maxout4.7kreas.16.4knáklady$0.19791.207MiniMax M3adaptiveout5.9kreas.4.1knáklady$0.60591.208Hy4 Previewenabledout6.6kreas.22.1knáklady$1.0790.809MiniMax M3nothinkout5.7kreas.-náklady$0.46090.610MiniMax M3UD-IQ3_XXSenabledout5.3kreas.3.1knáklady$0.15790.6
01Claude Opus 5maxout8.2kreas.4.2knáklady$7.3493.002Claude Opus 5mediumout7.4kreas.334náklady$5.7392.803Claude Opus 5nothinkout8.4kreas.0náklady$5.9792.804GPT-5.6 Solmaxout4.5kreas.6.2knáklady$11.5792.605Grok 4.5highout3.6kreas.756náklady$0.82292.506GPT-5.6 Solmediumout4.2kreas.815náklady$8.2292.407GPT-5.6 Lunamaxout4.8kreas.9.9knáklady$1.6392.408GPT-5.6 Terramaxout4.6kreas.5.7knáklady$3.1692.409Grok 4.5minimalout3.8kreas.86náklady$0.83292.210GPT-5.5maxout4.7kreas.1.2knáklady$3.9792.0
Top findings · auto-generated from snapshot
Co říká tento snapshot
Efektivita
Gemini 3.1 Flash Lite GA je na Pareto hranici: 80.2 při 1.4k tokenech.
Metodologie
Prémiový panel má 3 soudce a hodnotí jen High Priority modely kvůli nákladům; sekundární modely hodnotí 11 full-panel soudců.
Trend
Reasoning režimy se mezi R1 a R2 mění o -0.7 bodu; non-thinking modely se mění o -0.3 bodu.