Martin Pavlíček

Rubrika: Nezařazené

  • Nový model – Claude Fable 5

    Anthropic vypustil nový model Claude Fable 5 a já mám pocit, že je to jeden z těch momentů, kdy se o AI nebude mluvit jen jako o „chytřejším chatbotu“. Fable 5 podle mě ukazuje směr, kterým se velké jazykové modely posouvají: méně jednoduchého odpovídání, více dlouhodobé práce, více autonomie, více schopnosti držet kontext a řešit složité úkoly napříč hodinami práce.

    Zároveň ale přichází i méně příjemná část. Spolu s novým modelem se znovu otevírá otázka tokenů, kreditů a skutečných nákladů na používání AI. A upřímně: myslím si, že právě tady začne mnoho uživatelů poprvé opravdu chápat, že token není abstraktní technický detail. Token je jednotka spotřeby. A u nejvýkonnějších modelů se z něj stává velmi konkrétní položka v rozpočtu.

    Fable 5 je prezentovaný jako tzv. Mythos-class model, tedy model nové výkonnostní kategorie. Anthropic u něj zdůrazňuje hlavně software engineering, analytickou práci, práci s vizuálními vstupy, vědecké úlohy a dlouhé komplexní zadání. To je přesně oblast, kde podle mě dává takový model největší smysl. Ne na běžné „napiš mi krátký e-mail“, ale na situace, kdy po modelu chceme skutečnou práci: projít kódovou bázi, navrhnout architekturu, analyzovat dokumenty, řešit složitější rozhodování nebo fungovat jako agent nad delším úkolem.

    Tohle je důležitý posun. U předchozích generací modelů jsme se často bavili o tom, jestli umí lépe psát, lépe sumarizovat nebo méně halucinovat. U Fable 5 je podle mě zajímavější otázka jiná: kolik práce mu můžeme svěřit najednou a jak dlouho dokáže zůstat konzistentní?

    Jenže vyšší schopnosti znamenají i vyšší spotřebu. A tady se dostáváme ke kreditům. Fable 5 má být dočasně zahrnutý v placených plánech bez dalšího příplatku, ale následně se jeho používání přesune do režimu usage credits. Jinými slovy: základní předplatné už nemusí být automaticky vstupenkou k neomezenému používání nejvýkonnějšího modelu. Pokud budete chtít jet dál, budete používat kredity a ty se budou počítat podle spotřebovaných tokenů.

    Podle mě je to logický, ale nepohodlný vývoj. AI firmy dnes řeší obrovské náklady na inference, tedy samotné provozování modelů. Čím silnější model, tím dražší výpočet. A jestli má Fable 5 zvládat delší kontexty, autonomní práci a náročnější reasoning, není realistické očekávat, že bude stát stejně jako běžný konverzační model pro každodenní drobnosti.

    Pro uživatele to ale znamená jednu věc: budeme muset začít přemýšlet ekonomicky. Už nestačí ptát se „který model je nejlepší“. Důležitější otázka bude „který model je nejlepší pro tento konkrétní úkol“. Na jednoduché věci bude často zbytečné pálit Fable 5. Naopak u komplexního refactoringu, hluboké analýzy nebo důležitého návrhu systému se může dražší model vyplatit, protože ušetří čas, sníží počet pokusů a možná dodá kvalitnější výsledek na první průchod.

    Mně osobně se líbí, že Anthropic u Fable 5 otevřeně řeší i bezpečnostní vrstvu. U některých citlivých oblastí, například u části kyberbezpečnostních, biologických nebo chemických dotazů, má model přepínat odpověď na jiný, více omezený model. To může být pro část uživatelů frustrující, protože občas narazí i legitimní požadavky. Na druhou stranu chápu, proč se to děje. Čím schopnější modely jsou, tím víc se z nich stává nástroj, který může pomáhat, ale také škodit.

    Za mě je Fable 5 hlavně signál. Signál, že vstupujeme do fáze, kdy špičkové AI modely nebudou jen „součástí předplatného“, ale spíše výkonnostní vrstvou, za kterou se platí podle skutečného využití. Podobně jako u cloudu. Nikdo nečeká, že bude donekonečna provozovat obří GPU instanci jen proto, že má měsíční tarif. U AI se k tomu pomalu dostáváme také.

    Prakticky bych proto doporučil jednoduchý přístup: Fable 5 používat tam, kde potřebujeme špičkový výkon, delší autonomní práci nebo hlubší reasoning. Pro rutinní texty, běžnou sumarizaci, jednoduché otázky a rychlé nápady bych zůstal u levnějších modelů. Ne proto, že by Fable 5 nebyl lepší, ale proto, že nejlepší nástroj není vždy ten nejdražší. Nejlepší nástroj je ten, který dává smysl vzhledem k úkolu, času a ceně.

    A právě to je podle mě hlavní lekce nového modelu Claude Fable 5. Výkon AI dál dramaticky roste. Ale spolu s ním roste i potřeba chápat, co vlastně spotřebováváme. Tokeny už nejsou technická poznámka pod čarou. Tokeny jsou nová měna práce s umělou inteligencí.

  • Nový model – MAI (Microsoft)

    Microsoft představil rodinu nových modelů MAI a podle mě je to jeden z těch momentů, který na první pohled vypadá jako „další oznámení AI modelů“, ale ve skutečnosti ukazuje mnohem hlubší posun. Nejde jen o to, že Microsoft má další model pro obrázky, přepis hlasu nebo programování. Jde hlavně o to, že Microsoft si stále zřetelněji buduje vlastní AI infrastrukturu, vlastní modelovou rodinu a vlastní cestu k tomu, čemu sám říká Humanist Superintelligence.

    Microsoft na své stránce uvádí několik hlavních modelů: MAI-Thinking-1, MAI-Code-1-Flash, MAI-Image-2.5, MAI-Transcribe-1.5 a MAI-Voice-2. K tomu přidává i koncept Microsoft Frontier Tuning, tedy možnost přizpůsobovat modely konkrétním firemním workflow, datům a pravidlům.

    Podle mě je nejzajímavější právě MAI-Thinking-1. Microsoft ho popisuje jako vlajkový reasoning model, postavený od začátku pro matematiku, programování a enterprise nasazení. Má jít o MoE model s 35 miliardami aktivních parametrů a zhruba jedním bilionem celkových parametrů, který má být konkurenceschopný i vůči výrazně větším modelům v softwarově-inženýrských benchmarcích.

    To je důležité, protože AI trh se podle mě začíná lámat od „kdo má největší model“ k otázce „kdo má nejlépe použitelný model pro konkrétní práci“. Microsoft zde očividně necílí jen na laboratoř, ale na každodenní firemní použití: Copilot, VS Code, Foundry, interní workflow, automatizace a data ve firmách.

    Druhý zajímavý kus skládačky je MAI-Code-1-Flash. Ten je navržený jako agentický coding model pro GitHub Copilot a Visual Studio Code. Microsoft zdůrazňuje schopnost plánovat komplexnější vývojové úkoly, řešit vícekrokové workflow a podporovat různé jazyky a frameworky.

    Tady si myslím, že Microsoft hraje velmi silnou kartu. Nemusí nutně vyhrát benchmarkový závod proti každému frontier modelu na trhu. Stačí, když jeho model bude „dost dobrý“, levnější, rychlejší a hluboce integrovaný přímo tam, kde vývojáři pracují. A to je přesně Copilot ve VS Code.

    Vedle textu a kódu Microsoft ukazuje také MAI-Image-2.5, model pro generování a editaci obrázků z textových promptů i nahraných obrázků. Microsoft jej prezentuje jako nástroj pro fotorealistické a designově připravené výstupy s důrazem na přesné editace.

    A pak je tu MAI-Transcribe-1.5, který má zvládat přepis audia ve 43 jazycích, včetně šumu, různých přízvuků a doménové terminologie. To mi přijde prakticky velmi silné, protože přepis schůzek, call center, lékařských poznámek, podcastů nebo interních školení je přesně ten typ úlohy, kde firmy nepotřebují „wow efekt“, ale přesnost, rychlost a spolehlivost.

    Největší strategický signál ale vidím v tom, že Microsoft mluví o modelech trénovaných in-house, o čisté a dohledatelné datové linii, o nedestilování z modelů jiných laboratoří a o dlouhodobé soběstačnosti. V blogovém oznámení přímo píše, že jde o sedm nových modelů vyvinutých uvnitř Microsoft AI.

    Podle mě je to jasná zpráva trhu: Microsoft nechce být jen distributorem cizí AI. Chce být plnohodnotným tvůrcem modelů, provozovatelem infrastruktury, integrátorem do produktů a zároveň dodavatelem enterprise řešení. Jinými slovy, Microsoft se snaží vlastnit celý řetězec od čipu přes model až po aplikaci v Excelu, VS Code nebo Copilotu.

    Zajímavý je také koncept Frontier Tuning. Microsoft ho popisuje jako přístup, kde se modely učí přímo z konkrétních workflow organizace v uzavřeném prostředí. Tady bych byl osobně opatrný i nadšený zároveň. Nadšený proto, že firemní AI skutečně potřebuje znát procesy, kontext a interní jazyk organizace. Opatrný proto, že čím hlouběji AI vstoupí do interních workflow, tím důležitější bude governance, auditovatelnost, bezpečnost a jasné vlastnictví dat.

    Můj dojem je, že MAI není jen „nová sada modelů“. Je to strategická deklarace: Microsoft chce mít vlastní AI mozek pro vlastní ekosystém. A protože ten ekosystém zahrnuje Windows, Office, Azure, GitHub, Teams, Copilot a vývojářské nástroje, dopad může být obrovský.

    Nečekal bych, že MAI okamžitě změní každodenní život běžného uživatele. Ale pro firmy, vývojáře a celý AI trh je to podle mě velmi důležitý signál. Microsoft říká: máme vlastní modely, vlastní tuning, vlastní infrastrukturu a chceme je dostat přímo do práce lidí.

    A přesně tam se podle mě bude rozhodovat další fáze AI. Ne v krásných demech, ale v tom, kdo dokáže AI spolehlivě, levně a bezpečně dostat do reálného pracovního procesu.

  • Nový model MiniMax M3

    Když jsem se díval na nový MiniMax M3, první věc, která mě zaujala, nebylo jen klasické marketingové „máme lepší benchmarky“. To dnes tvrdí každý. Zajímavější je pro mě kombinace tří věcí: agentní práce, programování a extrémně dlouhý kontext. A právě tahle kombinace může být pro vývojáře a firmy důležitější než samotné číslo v nějakém leaderboardu.

    MiniMax M3 byl oficiálně představen 1. června 2026. Firma ho popisuje jako model zaměřený na coding, agentní úlohy, multimodalitu a práci s kontextem až 1 milion tokenů, přičemž u API uvádí garantované minimum 512 tisíc tokenů.

    Proč mě M3 zaujal

    Podle mě se u LLM modelů pomalu láme jedna éra. Nestačí, aby model dobře odpověděl na otázku. Stále víc půjde o to, jestli dokáže pracovat dlouhodobě, držet kontext, používat nástroje, opravovat vlastní chyby a postupně se posouvat k výsledku.

    MiniMax přesně tímto směrem M3 prezentuje. Mluví o autonomním rozkladu úloh, volání nástrojů, vícekrokovém uvažování a využití v AI coding asistentech nebo automatizovaných workflow.

    A tady si myslím, že je zásadní rozdíl mezi „modelem na odpovědi“ a „modelem na práci“. Chatbot odpoví. Agent musí něco udělat.

    1M kontext: ne jen větší číslo

    Kontextové okno o velikosti 1M tokenů zní na první pohled jako technická chlouba. Jenže v praxi může znamenat něco velmi konkrétního: modelu dáte větší část repozitáře, dokumentace, logů, požadavků, starších rozhodnutí a on s tím může pracovat najednou.

    To je obrovský rozdíl oproti situaci, kdy se model neustále ptá na chybějící soubory nebo zapomíná, co se řešilo před chvílí. MiniMax tvrdí, že za tím stojí jejich architektura MiniMax Sparse Attention, která má škálovat dlouhý kontext efektivněji než klasická plná attention. Firma uvádí, že při délce 1 milion tokenů má M3 per-token compute pouze na úrovni 1/20 předchozí generace a že dosáhli více než 9× zrychlení v prefillingu a více než 15× ve fázi decodingu.

    Tady bych ale byl opatrný. Jsou to zatím hlavně čísla od výrobce. Beru je jako zajímavý signál, ne jako definitivní pravdu.

    Coding: oblast, kde se láme důvěra

    U programování mě zajímá hlavně jedna otázka: dokáže model dlouhodobě pracovat na reálném problému, nebo jen hezky vygeneruje kus kódu?

    MiniMax uvádí výsledky například SWE-Bench Pro 59,0 %, Terminal-Bench 2.1 66,0 %, SWE-fficiency 34,8 %, KernelBench Hard 28,8 % a MCP Atlas 74,2 %.

    To jsou zajímavá čísla, ale pro mě je důležitější jiná část prezentace: MiniMax zdůrazňuje simulaci reálné spolupráce s vývojářem. Tedy ne jen jednorázový prompt, ale průběžné upřesňování požadavků, iterace, korekce a přepínání mezi úlohami.

    A to je přesně to, kde dnešní coding asistenti často selhávají. Umí navrhnout řešení, ale když se projekt začne větvit, narazí na limity paměti, plánování a sebekontroly.

    Agentní schopnosti: nejsilnější příslib i největší riziko

    MiniMax ukazuje několik působivých experimentů. M3 měl například autonomně reprodukovat práci oceněnou na ICLR 2025, běžet téměř 12 hodin, vytvořit 18 commitů a 23 experimentálních grafů. V jiném testu optimalizoval CUDA kernel přibližně 24 hodin, provedl 147 benchmarkových submitů a 1 959 tool callů, přičemž měl dosáhnout 9,4× zrychlení.

    Tohle je podle mě fascinující. Ne proto, že bych automaticky věřil každému číslu, ale protože to ukazuje směr: modely se neposouvají jen k lepším odpovědím, ale k dlouhodobé autonomní práci.

    A zároveň je to varování. Čím déle agent běží, tím důležitější je audit, logování, sandbox, limity oprávnění a možnost člověka zasáhnout. Agent, který udělá 1 959 tool callů, může být produktivní. Ale bez kontroly může být také drahý, chaotický nebo nebezpečný.

    Multimodalita od začátku, ne jako přívěsek

    MiniMax tvrdí, že M3 je nativně multimodální model, tedy že multimodalita není dodatečně přilepená vrstva, ale součást tréninku od začátku. Model má podporovat obrazový a video vstup a podle popisu MiniMaxu může fungovat i v režimu ovládání počítače.

    Tohle je podle mě důležité hlavně pro firemní workflow. Skutečná práce totiž není jen text. Máme PDFka, screenshoty, grafy, tabulky, UI aplikací, videa, logy, Excel soubory a interní nástroje. Model, který toto dokáže spojit, je mnohem blíž reálnému digitálnímu pracovníkovi než klasický textový chatbot.

    Open-weight model: pokud to MiniMax dotáhne, bude to zajímavé

    MiniMax M3 prezentuje jako první open-weight model, který spojuje frontier coding, milionový kontext a nativní multimodalitu. Na stránce zároveň uvádí, že model má být plně open-source na Hugging Face a GitHubu, s podporou privátního nasazení a fine-tuningu.

    Pro mě je tohle možná nejzajímavější část. Pokud bude model skutečně prakticky použitelný i mimo uzavřené API, otevírá to dveře firmám, které nechtějí posílat citlivý kód nebo dokumenty do cizího cloudu.

    Samozřejmě bude záležet na licenci, reálných hardwarových nárocích, kvalitě inference a dostupnosti vah. „Open-weight“ ještě automaticky neznamená jednoduché lokální nasazení.

    Můj názor

    MiniMax M3 beru jako jeden z modelů, které ukazují, kam se AI bude dál posouvat: od chatbotů k dlouhodobě pracujícím agentům. Nejde jen o to, že model odpoví lépe. Jde o to, že zvládne držet dlouhý kontext, používat nástroje, pracovat s multimodálními vstupy a postupně řešit komplexní úkol.

    Zároveň bych zůstal střízlivý. Hodně údajů pochází přímo od MiniMaxu, takže bych chtěl vidět nezávislé testy, reálné zkušenosti vývojářů a hlavně chování modelu v běžných projektech, ne jen v pečlivě připravených demonstračních úlohách.

    Ale směr je jasný. Podle mě už se neptáme jen: „Který model je chytřejší?“
    Začínáme se ptát: „Kterému modelu můžu svěřit kus skutečné práce?“

    A MiniMax M3 se evidentně snaží být odpovědí právě na tu druhou otázku.

  • RTX Spark

    NVIDIA oznámila RTX Spark notebooky a podle mě je to jeden z těch momentů, které na první pohled vypadají jako další hardwarový launch, ale ve skutečnosti říkají něco hlubšího o směru celého trhu. Nejde jen o nový čip, vyšší výkon nebo další marketingovou nálepku „AI PC“. Já v tom vidím hlavně signál, že lokální AI se začíná brát vážně i v segmentu osobních počítačů.

    Doteď jsme si zvykli, že AI běží někde v cloudu. Otevřeme ChatGPT, Claude, Copilot nebo jinou službu, pošleme dotaz na server a čekáme na odpověď. Pro běžného uživatele je to pohodlné. Pro firmy, vývojáře, tvůrce obsahu nebo lidi pracující s citlivými daty už to ale tak jednoduché není. Vždycky se tam objeví otázka: co vlastně posílám ven, kam to putuje a kdo nad tím má kontrolu?

    RTX Spark podle mě ukazuje, že další etapa bude hybridní. Část AI zůstane v cloudu, protože obrovské modely a náročné úlohy dávají v datacentrech smysl. Ale čím dál více věcí se bude přesouvat přímo do zařízení. Ne proto, že by lokální AI byla módní, ale protože má velmi praktické výhody: soukromí, nižší latenci, možnost pracovat offline, předvídatelné náklady a hlavně přístup k lokálním souborům, aplikacím a pracovnímu kontextu.

    To poslední je podle mě klíčové. Pokud má být AI agent opravdu užitečný, nestačí, aby odpovídal na otázky v okně prohlížeče. Musí rozumět tomu, co dělám na počítači. Musí umět pracovat s dokumenty, projekty, e-maily, IDE, grafickými nástroji, daty a workflow. A právě tady začíná být lokální výkon důležitý. Agent, který má reagovat rychle, bezpečně a nad konkrétním uživatelským prostředím, nemůže být vždycky jen vzdálená služba.

    Je zajímavé, že NVIDIA tento směr neprezentuje pouze jako řešení pro datová centra nebo enterprise servery. Mluví se o noteboocích, desktopových PC, tvůrcích, vývojářích, hráčích a power users. To je podle mě jasný náznak, že se předpokládá poptávka i mimo úzký profesionální segment. Možná ne hned u každého uživatele, který dnes kupuje běžný notebook na kancelářskou práci. Ale u lidí, kteří pracují s kódem, videem, grafikou, daty nebo automatizací, to může začít dávat smysl velmi rychle.

    Zároveň bych byl opatrný s tvrzením, že RTX Spark okamžitě změní celý trh. Podle mě ne. Cena, spotřeba, dostupnost pamětí, kompatibilita aplikací a reálné využití agentů budou rozhodovat. Mnoho „AI PC“ posledních let působilo spíš jako marketingová kategorie než jako skutečná změna práce s počítačem. Uživatelé nepotřebují další nálepku na krabici. Potřebují konkrétní scénáře, které jim ušetří čas nebo otevřou nové možnosti.

    Rozdíl u RTX Spark může být v tom, že NVIDIA nestaví jen čip, ale celý ekosystém. CUDA, TensorRT, RTX, optimalizace pro lokální modely, propojení s Windows (a co Linux?!) a důraz na bezpečné agenty – to dohromady může vytvořit prostředí, kde lokální AI nebude experiment pro pár nadšenců, ale normální součást vývojářské a kreativní práce. A pokud se k tomu přidají nástroje jako llama.cpp, ComfyUI, PyTorch, Hugging Face nebo lokální agentní frameworky, může se z notebooku stát malá osobní AI stanice.

    Pro mě je na tom nejzajímavější posun v představě, co je osobní počítač. Dlouho to byl stroj na spouštění aplikací. Pak pracovní stanice připojená ke cloudu. Teď se pomalu rýsuje počítač jako lokální inteligentní prostředí, které má vlastní modely, vlastní paměť, vlastní agenty a schopnost dělat část práce bez neustálého odesílání všeho na server.

    To má velké důsledky i pro firmy. Malé a střední podniky mohou začít uvažovat o lokálních AI řešeních pro dokumenty, interní znalostní báze, zákaznickou podporu, vývoj softwaru nebo analýzu dat. Ne všude bude dávat smysl posílat data do cloudového API. Lokální inference, RAG nad interními dokumenty a agenti běžící v kontrolovaném prostředí mohou být pro mnoho organizací přijatelnější cesta.

    Zároveň tím ale vznikají nové otázky. Kdo bude spravovat lokální modely? Jak se budou aktualizovat? Jak se zajistí, že agent nebude dělat věci, které dělat nemá? Jak se bude auditovat jeho činnost? A co bezpečnost, když agent dostane přístup k souborům, aplikacím nebo vývojovému prostředí? Lokální AI neznamená automaticky bezpečná AI. Znamená jen, že se část rizik přesune z cloudu na koncové zařízení.

    Můj závěr je tedy jednoduchý: RTX Spark neberu jen jako další generaci výkonných notebooků. Beru ho jako signál, že NVIDIA očekává skutečný trh pro osobní lokální AI. Ne nutně okamžitě masový, ale dost velký na to, aby se vyplatilo stavět novou kategorii zařízení.

    A pokud se tento předpoklad potvrdí, čeká nás zajímavá změna. AI už nebude jen služba někde v cloudu. Bude to vrstva přímo v počítači. Něco mezi operačním systémem, osobním asistentem a pracovním kolegou. A právě tam podle mě začíná další velká bitva o budoucnost osobních počítačů.

  • Válka za cenu tokenu

    K agresivnímu nacenění za token se po DeepSeek, o kterém jsem již psal, připojuje i MiMo (Xiaomi). Tohle je jen pokračování tržní války mezi Čínou a USA.

  • Enshitification

    Enshitification je jednoduchý proces. Vytvoří se produkt, ten je skvělý, dotuje se cena a roste uživatelská základna a likviduje se konkurence, pak přijde čas, kdy produkt musí vydělávat – omezují se jeho schopnosti, kvalita, a přidává se reklama a zvyšuje se cena… toto momentálně zaznívá z oblasti komerční AI, kde se míří k IPO ve více firmách.

  • Market cap Micron 1T

    Market cap pro Micron je 1 bilion dolarů. Je třeba mít na paměti, že tato valuce není způsobena novými závratnými technologie, ale pouze poptávkou na trhu po HW, který se využívá při AI.

  • Universal Commerce Protocol

    Google přichází s novým UCP „standardem“.

  • Nový model – Opus 4.8 (Antropic)

    Nový Opus 4.8 je zde.

  • Konec web vyhledávačů?

    Na první místě na Google je obsah, který je vygenrován pomocí Gemini. Ba co více, s novým modelem může teenhle model zobrazovat jako výsledky vyhledávání i mini aplikace.