Jak si GPT-5 stojí ve srovnání s Claude Opus 4.1 v agentických úlohách? Od jejich vydání tyto modely vyhodnocujeme na náročných vědeckých, webových, servisních a kódových úlohách. Hlavní výsledek: I když je GPT-5 nákladově efektivní, zatím se nikdy nedostal na první místo v žebříčcích agentů. Další hodnocení 🧵

Mnohé z těchto výsledků nás překvapily a plánujeme je prozkoumat podrobněji. Trendy napříč těmito benchmarky však potvrzují, že GPT-5 není skokovou změnou a nezlepšuje se oproti ostatním modelům OpenAI. Září však v kompromisech mezi cenou a přesností – často je mnohem levnější než srovnatelné modely.