BottleCap uvádí o 39 % méně tokenů, přesnost klesla o 0,15 bodu

Pražský BottleCap AI podle oznámení z 23. října 2026 zveřejnil ThinkingCap-gemma-4-26B-A4B-it odvozený od Google Gemma 4: ve vlastních testech vykázal v průměru o 39 % méně tokenů při uvažování, přesně 38,9 %, a pokles přesnosti o 0,15 procentního bodu. Jde o výsledky měření výrobce, nikoli o nezávislý test.

Podle zprávy Lupy z 28. října 2026 stojí za českým startupem Tomáš Mikolov a Jaroslav Beck; veřejný checkpoint je dostupný zdarma na Hugging Face a vedle něj firma nabízí placenou variantu Pro. Rozdíl mezi oběma nabídkami je podstatný: podrobné srovnání s původní Gemmou se vztahuje ke zveřejněnému modelu, zatímco Pro má samostatně deklarované výsledky.

Co ukazuje srovnání s původní Gemmou

Firemní tabulka staví upravený model proti původní Gemmě na stejných zadáních a se stejným nastavením generování. Měří délku uvažovací stopy před odpovědí a správnost výsledné odpovědi. V jedné matici jsou vidět hodnoty, které by samotné tvrzení o kratším uvažování skrylo:

• Průměrná úspora: uvažovací stopa je napříč testy kratší o 38,9 %. Je to průměr procentních změn jednotlivých benchmarků, kterým při výpočtu náleží stejná váha.
• Počet tokenů: průměrné hodnoty činí 8 773 u základní Gemmy a 5 398 u ThinkingCapu. Přímý podíl těchto dvou průměrů dává přibližně 38,5 %, proto se mírně liší od uváděné průměrné úspory.
• Přesnost: souhrnné skóre klesá ze 75,18 % na 75,03 %. Rozdíl činí 0,15 procentního bodu; samotný průměr však nepopisuje každou kategorii úloh.
• Nejvyšší úspora: hodnota 69,1 % patří konkrétně testu LongBench v2. Reklamní „až 69 %“ tedy není očekávaným výsledkem u libovolného zadání.
• Nabídka Pro: firma pro oddělenou komerční variantu uvádí průměrnou úsporu 62 % a maximum 87,6 %. Tyto hodnoty se nevztahují k veřejnému checkpointu.

Rozdíl mezi oběma způsoby výpočtu průměru má praktický význam. Stejná váha každého benchmarku odpovídá otázce, jak často úprava zkrátila uvažování napříč různými druhy úloh. Podíl celkových průměrných počtů tokenů naproti tomu více odráží testy, v nichž model vytváří delší stopy. Ani jedno číslo samo o sobě neříká, o kolik se zkrátí běh konkrétní aplikace.

Za malým poklesem přesnosti jsou rozdílné výsledky

Nejvýraznější odchylka v přesnosti se objevuje v testu AA-LCR: základní Gemma dosáhla 64,62 %, upravený model 60,62 %. Ve stejném testu se uvažovací stopa zkrátila o 59,3 %. Čtenář tak dostává konkrétní protipříklad k představě, že malý souhrnný pokles znamená téměř totožný výsledek v každé úloze.

LongBench v2 ukazuje opačnou kombinaci. Právě zde vychází největší úspora tokenů, zatímco přesnost ThinkingCapu je v tabulce vyšší než u původní Gemmy. Mezi dalšími testy se výsledek také mění: u dodržování instrukcí upravený model získává, v části znalostních úloh ztrácí. Tyto rozdíly jsou pro posouzení modelu užitečnější než jediná souhrnná hodnota.

Firma počítala přesnost z opakovaných běhů a u jednotlivých skóre uvádí intervaly zachycující jejich kolísání. Souhrnný pokles proto není důvod vykládat jako stejně velké a stejně jisté zhoršení všech odpovědí. Výsledek popisuje zvolenou sadu benchmarků a nastavení testu; zvlášť u práce s dlouhým kontextem mohou mít konkrétní odchylky větší váhu než společný průměr.

Kratší uvažování ještě neznamená stejnou úsporu nákladů

Měřená veličina zahrnuje tokeny vytvořené během uvažování, nikoli celou komunikaci s modelem. Vstupní zadání a konečná odpověď mají vlastní délku. Pokud velkou část provozu tvoří právě ony, procentní pokles uvažovacích tokenů se do celkového počtu zpracovaných tokenů promítne méně výrazně.

Čas a cena provozu navíc závisí na způsobu nasazení. V testu měly obě varianty stejné prostředí a nastavení, což umožňuje srovnat jejich výstupy za podobných podmínek. Zveřejněná tabulka však není ceníkem služby ani měřením nákladů pro konkrétní aplikaci. Podstatný přínos firemních dat je přesněji vymezený: upravený checkpoint ve zvolených úlohách vytvářel kratší uvažovací stopy při malém poklesu souhrnné přesnosti.

Kde je checkpoint a co patří k Pro

Modelová karta na Hugging Face zpřístupňuje checkpoint ThinkingCap-gemma-4-26B-A4B-it, uvádí licenci Apache 2.0 a rozepisuje výsledky jednotlivých benchmarků i podmínky měření. Vedle běžných vah firma zveřejnila také kvantizované sestavení GGUF. Dostupnost souborů znamená možnost model stáhnout a provozovat ve vlastním prostředí; sama o sobě nezahrnuje provozovanou službu.

Pro je oddělená nabídka pro zákazníky firmy. Uváděná vyšší úspora tokenů se proto nesmí připsat modelu, který je veřejně ke stažení. Firma zájemce o Pro směruje ke kontaktu s obchodním týmem a pro tuto variantu nezveřejnila stejně podrobnou tabulku přesnosti jako pro otevřený checkpoint. Právě takové srovnání by umožnilo posoudit, jakou změnu kvality přináší její další zkrácení uvažování.

Přečtěte si také:

• GitHub Actions bez AWS klíčů: OIDC funguje jen s přesnou podmínkou sub
• Whisper, nebo Deepgram pro češtinu: přesnost není totéž co živý přepis
• Cena AI agenta není počet tokenů: smyčky znovu účtují celý kontext