Ako hodnotíme

1. Rovnaké zadanie, prvá odpoveď

Každý model dostane identický anglický prompt – zadanie a spoločné pravidlá – bez ukážok a bez možnosti výsledok vyskúšať alebo opraviť. Odpoveď je jeden samostatný HTML súbor, ktorý zverejníme bez úprav. Ak sa výstup nespustí, zverejní sa tak, ako je, a dostane 0 bodov; prípadná oprava od toho istého modelu je samostatná, označená kópia.

2. Kontrolný zoznam 8 požiadaviek

Pre každé zadanie je 8 bodov prevzatých priamo zo zadania. Každý bod je ✓ splnený (1 bod), ½ čiastočne (0,5) alebo ✗ chýba (0), maximum je 8. Posudzuje sa kód a snímka obrazovky, nie hranie; každý verdikt odkazuje na konkrétne miesta v kóde.

3. Dvaja nezávislí AI recenzenti

Kontrolný zoznam vyplnia nezávisle dvaja AI recenzenti – Claude Opus 5.5 a Codex (GPT-6 Astra, medium). Kde sa rozídu, navrhne sa prísnejší (nižší) verdikt. Zhodu oboch recenzentov uvádzame spolu so skóre pri každom porovnaní.

4. Objektívne testy

Čo sa dá zmerať, meria nástroj. Šachový test perft (presné počty pozícií na štandardných pozíciách) nahrádza verdikt recenzentov v bode perft. Technika (Lighthouse, plynulosť vykresľovania, chyby po automatickom klikaní a ovládaní klávesnicou, zobrazenie na mobile a skriptovaná kontrola, či sa výstup dá naozaj ovládať) a UX signály (veľkosť ovládačov, rozloženie na troch šírkach, klávesnica, odozva, čitateľnosť) majú vlastné skóre 0–100. Vzhľad (UI) hodnotí AI podľa jednotnej rubriky na snímkach z rovnakého momentu (čitateľnosť, detail, rozmanitosť, súdržnosť štýlu, vizuálne chyby) – dvaja nezávislí recenzenti, zverejní sa prísnejšie hodnotenie po schválení človekom; na webe stojí vedľa UX ako „UX / UI“ a poradie sa riadi ich súčtom. Hlavné číslo „Celkovo“ (0–100) spája 60 % splnenie zadania, 30 % UX / UI a 10 % techniku; rozbitý výstup má 0.

5. Schválenie človekom

Skóre a verdikty AI recenzentov sú návrh. Na webe sa zobrazia až potom, ako ich skontroluje a schváli človek. Dovtedy stránky ukazujú iba objektívne merania.

6. Čo hodnotenie nemeria

Krásu a zážitok z používania kontrolný zoznam nemeria – na to slúži arena, kde návštevníci naslepo vyberajú lepší z dvoch výstupov. Cena je prepočet tokenov podľa API cenníka k uvedenému dátumu.

Zatiaľ 135 výstupov od 27 modelov na 5 zadaní. Druhý recenzent posúdil 134 výstupov; s prvým sa zhodol v 76 % bodov kontrolného zoznamu.

Hodnotenie jednotlivých zadaní

• Slnečná sústava – Interaktívny 3D model Slnečnej sústavy s reálnymi obežnými dráhami, ovládaním času a kamerou, ktorá dolieta k planétam.
• Hra v štýle GTA – Hrateľná hra v otvorenom meste v štýle prvých GTA: autá, chodci, polícia s hviezdičkami hľadanosti, misie a minimapa.
• Test monitora – Profesionálny test monitora: mŕtve pixely, gradienty, úroveň čiernej a bielej, gama, ostrosť a rovnomernosť podsvietenia.
• Mapa New Yorku a Central Parku – Interaktívna ilustrovaná mapa Manhattanu s detailným Central Parkom, 30+ pamiatkami, vyhľadávaním a sprievodcom.
• Šach s enginom – Kompletný šach so všetkými pravidlami a vlastným šachovým enginom; generátor ťahov overujeme objektívnym testom perft.