Odpověď hned: Ano, dnešní otevřené modely česky umí — ale otázka „umí česky?” je pro firmu k ničemu. Rozhoduje konkrétní úloha: stejný model spolehlivě vytáhne částku z objednávky a přitom napíše zákazníkovi větu s anglickou stavbou. České benchmarky ukazují měřitelný odstup od angličtiny a proměnlivé pořadí modelů podle typu zadání, takže výběr patří na vaše vlastní dokumenty, ne na leaderboard.
Otázka „umí lokální AI česky?” má stejný problém jako otázka „je ten disk rychlý?”. Odpověď záleží na tom, co s ním chcete dělat. Model, který v testu češtiny odpoví správně na otázku s výběrem z možností, může při volném psaní produkovat slova, která v češtině neexistují. A naopak — model s kostrbatou stylistikou může být naprosto spolehlivý při vytahování čísel faktur do JSONu.
Tenhle text je o tom, co české benchmarky skutečně měří, kde je jejich hranice a jak z toho udělat rozhodnutí, které obhájíte před sebou i před účetní.
Šest schopností, které se schovávají za slovem „česky”
Firemní nasazení nestojí na jedné dovednosti. Stojí na šesti, které spolu souvisejí jen volně:
| Schopnost | Jak se pozná v provozu |
|---|---|
| Porozumění textu | Rozliší reklamaci, objednávku a běžný dotaz |
| Extrakce informací | Ze smlouvy vrátí správná jména, částky, termíny a závazky |
| Tvorba textu | Napíše přirozený e-mail bez podivných slov a anglické větné stavby |
| Dodržení instrukce | Vrátí pouze požadovanou tabulku nebo validní JSON |
| Práce s kontextem | Odpoví podle dodaných dokumentů, ne podle vlastních domněnek |
| Bezpečné odmítnutí | Nevymyslí odpověď, když podklady nestačí |
Poslední řádek je ten, na kterém firemní nasazení nejčastěji padá. Model, který místo „v podkladech to není” doplní přesvědčivě vypadající částku, je horší než žádný model — protože chybu nikdo nehledá.
A přesně proto je jedno, kolik procent model nasbírá v testu české gramatiky. To měří první schopnost, možná druhou. O zbývajících čtyřech neříká nic.
Co ukazuje BenCzechMark
BenCzechMark je český benchmark publikovaný v časopise TACL v roce 2025. Obsahuje 50 úloh v osmi oblastech — porozumění textu, faktické znalosti, matematické uvažování, rozpoznávání pojmenovaných entit, sentiment, vztahy mezi výroky a další. Výsledky platí pro konkrétní verze modelů testované ve studii; nelze je automaticky přenášet na pozdější model se stejným názvem rodiny.
Pro majitele firmy z něj plynou tři věci.
Neexistuje jeden vítěz. Napříč kategoriemi si vedly dobře různé rodiny modelů — Llama, Gemma, Phi, Mistral, Qwen i EuroLLM. Model, který válcuje konkurenci v extrakci entit, může být průměrný v uvažování. Otázka nezní „který model je nejlepší”, ale „který je nejlepší na moji úlohu”.
Český model není automaticky lepší pro češtinu. České modely zařazené do studie měly navrch v některých ryze jazykových měřeních, ale na většině ostatních úloh zaostávaly za silnými vícejazyčnými modely. Trénink na češtině pomáhá jazyku; nenahrazuje objem dat, velikost modelu a kvalitu doladění na instrukce.
Formulace zadání hýbe výsledkem. Některé menší modely reagovaly citlivě na změnu promptu. To je pro automatizaci zásadní varování: pipeline, která funguje jen při jedné přesné formulaci, spadne ve chvíli, kdy vám zákazník napíše e-mail o dvě věty delší nebo bez diakritiky.
BenCzechMark má i své hranice. Hodnotí otevřené modely a nepokrývá všechno — třeba dlouhé generování textu nebo celou šíři dodržování instrukcí. Je to nástroj na vytvoření užšího výběru, ne náhrada pilotu na vašich datech.
Co doplňuje MiniCzechBenchmark
MiniCzechBenchmark byl představen na workshopu NeurIPS 2025 jako rychlejší české hodnocení s důrazem na omezení kontaminace testovacích dat — tedy situace, kdy se testovací otázky dostanou do trénovacích dat a model je „umí” nazpaměť.
Autoři uvádějí, že mezi anglickými a českými schopnostmi modelů přetrvává rozdíl přibližně 10–30 %. To je souhrnný rozsah napříč benchmarkem, ne záruka pro konkrétní model a konkrétní úkol. Neznamená to „český výstup bude o 20 % horší”; znamená to, že na češtinu nemůžete spoléhat na anglická čísla z leaderboardu.
Důležitá je ale hranice toho, co benchmark vůbec měří: všechny čtyři jeho části jsou otázky s výběrem z možností. O tom, jak model píše souvislý text, tedy neříká nic. A to jsou dvě různé schopnosti — model může spolehlivě označit odpověď B a přitom v e-mailu skládat kostrbaté věty nebo tvořit neexistující slova. Kvalitu volného psaní si musíte vyzkoušet sami na svých vlastních textech; žádný veřejný český benchmark ji za vás nezměří.
Z toho plyne jednoduché pravidlo výběru. Má-li AI odpovídat zákazníkům, musíte hodnotit celé odpovědi — ne skóre. Má-li jen třídit dokumenty, jsou rozhodující přesnost klasifikace a stabilita výstupního formátu.
Proč čeština za angličtinou zaostává
Samotná diakritika rozdíl nevysvětluje. Rozhoduje objem a kvalita českých textů v tréninku, způsob rozdělení textu na tokeny a doladění na instrukce — a to poslední bývá z velké části v angličtině.
Tokenizace je přitom položka, kterou lidé podceňují. Čeština bývá pro tokenizéry trénované převážně na angličtině méně úsporná: stejná informace zabere víc tokenů. Prakticky to znamená kratší využitelný kontext při stejném limitu, vyšší výpočetní náročnost a delší odezvu. Kolik přesně to dělá, se nedá odhadnout z počtu slov — musíte to změřit tokenizérem konkrétního modelu.
Druhá proměnná je kvantizace. Čtyřbitová varianta výrazně ušetří paměť, ale může změnit přesnost i stabilitu výstupu a není totožná s modelem v původní přesnosti. Srovnávat plnou verzi na serverové kartě s agresivně kvantizovanou verzí na pracovní stanici a neuvést konfiguraci je zavádějící; v některých veřejných srovnáních přitom přesná konfigurace chybí.
Které modely má smysl zařadit do firemního testu
Veřejné benchmarky použijte jako první síto. BenCzechMark porovnává mimo jiné konkrétní tehdejší varianty z rodin Llama, Gemma, Mistral, Qwen, Phi a EuroLLM. Do vlastního testu zařaďte verze, které jsou dostupné a podporované v době rozhodování — a jen pokud jejich přesná licence pokrývá plánované komerční použití. U některých otevřených modelů licence není totéž co Apache 2.0 nebo MIT.
Název rodiny ale nestačí. Do evidence patří:
- přesná verze a počet parametrů,
- typ a úroveň kvantizace,
- délka kontextu,
- licence,
- použitý runtime,
- spotřeba VRAM,
- čas do prvního tokenu a rychlost dalšího generování.
Bez těchhle údajů nejde test zopakovat — a neopakovatelný test není měření, je to dojem.
Pro jednoduché nasazení se běžně používá Ollama. llama.cpp nabízí širokou podporu formátu GGUF a běh na CPU i GPU. Pro server obsluhující víc souběžných požadavků se volí vLLM. Runtime sám kvalitu češtiny nevytvoří — ovlivní rychlost, kapacitu a možnosti nasazení.
U výběru modelu hraje roli i to, odkud pochází. NÚKIB vydal varování před používáním DeepSeeku — míří na subjekty spadající pod zákon o kybernetické bezpečnosti, tedy zdaleka nejen na státní správu a rozebrali jsme, co to znamená pro firmy — u lokálního provozu se část rizik mění, ale nemizí úplně.
Jak připravujeme vlastní měření na RTX 3090 a H100
Tady vede hranice mezi tím, co víme, a tím, co teprve změříme. Veřejná česká čísla existují. Vlastní srovnání na našem hardwaru připravujeme — a dokud nebude dokončené, žádnou tabulku si nevymyslíme.
RTX 3090 má 24 GB VRAM a je dostupnější variantou pro lokální provoz. Orientačně umožňuje pracovat s kvantizovanými modely zhruba ve třídě 7–32 miliard parametrů; skutečný limit určuje kombinace kvantizace, délky kontextu, KV cache a runtime. H100 slouží jako referenční platforma pro větší modely a varianty ve vyšší přesnosti.
Na obou platformách použijeme stejnou testovací sadu:
- extrakce polí z objednávky do JSON,
- klasifikace servisního požadavku,
- shrnutí delšího dokumentu bez přidání nových tvrzení,
- odpověď zákazníkovi v předepsaném tónu,
- práce s českými názvy, skloňováním a firemní terminologií,
- odmítnutí odpovědi, kterou nelze doložit z podkladů.
U každého běhu budeme měřit správnost, validitu výstupního formátu, výskyt vymyšlených údajů, jazykovou kvalitu, odezvu, rychlost generování a spotřebu paměti. Zaznamenáme přesnou verzi modelu, prompt, nastavení generování a počet opakování.
Kolik lokální AI stojí a co za tu cenu dostanete
Lokální AI neúčtuje za odeslaný token, ale zdarma není. Náklady tvoří hardware, elektřina, úložiště, správa, aktualizace a hlavně práce na integraci — ta bývá největší položkou a v kalkulacích chybí nejčastěji.
RTX 3090 dává smysl pro pilot nebo jednotlivé interní workflow. H100 je serverová platforma pro vyšší výkon, větší modely a víc souběžných uživatelů; pro malou firmu obvykle nedává ekonomický smysl ji vlastnit.
Rozhodnutí proto nedělejte podle ceny GPU, ale podle úlohy:
- Kolik požadavků přijde současně?
- Jak rychle musí uživatel dostat odpověď?
- Kolik času dnes ten proces spotřebuje?
- Jak drahá je chybná odpověď?
- Musí data zůstat ve firemní síti?
Poslední otázka často rozhodne sama. Podrobné srovnání provozních nákladů máme v článku kolik stojí AI pro firmu, rozdělení agend mezi cloud a vlastní síť pak v textu AI bez cloudu: které agendy nesmí odejít ze sítě.
Jak poznat kvalitu ještě před nákupem
Připravte 20–50 anonymizovaných vstupů z reálné práce — skutečné objednávky, skutečné e-maily, včetně těch zmatených. Takový vzorek nedá statistickou jistotu, ale opakující se chyby odhalí během hodiny.
Předem si stanovte podmínky přijetí. Konkrétně: všechna povinná pole vyplněná správně, výstup projde kontrolou JSON schématu, model nedoplní částku, která ve vstupu není. Bez čísla stanoveného předem se výsledek vždycky nějak „vysvětlí”.
Pilot odmítněte, pokud dodavatel ukazuje jen povedené ukázky, mění mezi testy prompt nebo neuvádí přesnou verzi modelu. Bez uložených vstupů, výstupů a konfigurace nejde výsledek zopakovat.
Pokud na tohle nemáte kapacitu nebo hardware, tuhle část uděláme za vás: vezmeme vaše anonymizované ukázky, spustíme vybrané modely na hardwaru odpovídajícím zamýšlenému nasazení a ještě před návrhem vám ukážeme reálné chyby, rychlost a hardwarové nároky. Výstupem je rozhodnutí podložené měřením, ne doporučení modelu podle velikosti nebo popularity.
Jaká rizika lokální provoz neřeší
Lokální model omezuje odesílání dat cizímu poskytovateli. Bezpečný systém z toho automaticky nevzniká.
Pořád musíte řešit oprávnění k dokumentům, logování, zálohy, aktualizace, licenci modelu a prompt injection v načítaných souborech — tedy situaci, kdy instrukce schovaná v dokumentu přepíše vaše zadání. Model také může přesvědčivě vymyslet chybnou informaci. U účetních, právních a personálních výstupů proto zůstává nutná kontrola člověkem nebo pevná validační pravidla.
A pak je tu prozaická vrstva: model běží na hardwaru, který může selhat. Disk s modely, indexy a firemními dokumenty patří do zálohovacího schématu stejně jako účetnictví — pravidlo 3-2-1 platí i pro AI infrastrukturu.
Kdy dává lokální AI české firmě smysl
Tři podmínky naráz: pracujete s citlivými dokumenty, proces je opakovatelný a kvalitu dokážete měřit. Chybí-li kterákoli z nich, počkejte.
Pro občasné psaní e-mailů bývá levnější hotová cloudová služba. Pro pravidelné zpracování interních dokumentů, které nesmí opustit síť, přináší vlastní model větší kontrolu a předvídatelnější provoz. Náklady se neúčtují přímo za každý odeslaný token, ale s objemem mohou růst nároky na elektřinu, kapacitu a správu.
Nejčastější dotazy
Je pro češtinu nejlepší model vytrénovaný přímo v češtině?
Ne automaticky. BenCzechMark ukazuje, že silné vícejazyčné modely dokážou české modely v řadě úloh překonat. Rozhoduje objem a kvalita tréninku, velikost modelu, doladění na instrukce a konkrétní typ úkolu.
Stačí pro firmu lokální model se 7 miliardami parametrů?
Pro klasifikaci, extrakci jednoduchých polí nebo práci podle pevné šablony často ano. U složitějšího uvažování, dlouhých dokumentů a volného psaní ho porovnejte s většími modely — rozdíl se projeví právě tam.
Zhorší kvantizace češtinu?
Může ovlivnit přesnost i stabilitu výstupu, ale míra závisí na modelu a kvantizační metodě. Testujte přesně tu variantu, kterou chcete provozovat — ne výsledky plného modelu z leaderboardu.
Je Ollama český AI model?
Ne, Ollama je nástroj pro spouštění modelů. Kvalitu češtiny určuje načtený model, jeho verze, kvantizace a způsob zadání.
Musíme model učit na firemních datech?
Většinou ne. Pro práci s aktuálními interními dokumenty bývá vhodnější vyhledávání v řízené znalostní bázi a předání nalezených podkladů modelu. Doladění má smysl teprve tehdy, když potřebujete opakovat specifický styl nebo chování a máte k tomu kvalitní trénovací data.