--- title: "Lokální AI modely: LFM3 od Liquid AI" description: "Lokální AI modely na notebooku i telefonu: zjistíte, co je LFM3 od Liquid AI, kolik paměti potřebuje a co je ověřené, a co jen tvrzení výrobce." author: "Michal Černý" author_role: "Spoluzakladatel · Technology & Product" author_url: https://nobig.deals/cs/blog/autor/michal-cerny url: https://nobig.deals/cs/blog/lokalni-ai-modely-lfm3-liquid-ai content_type: text/markdown --- Autor: Michal Černý (Spoluzakladatel · Technology & Product) [Blog](https://nobig.deals/cs/blog)/[AI a vývoj](https://nobig.deals/cs/blog/kategorie/ai-a-vyvoj)/Lokální AI modely: co je LFM3 od Liquid … # Lokální AI modely: co je LFM3 od Liquid AI a jak ho spustit LFM3 je rodina malých open-weight modelů od Liquid AI, vydaná 27\. října 2026\. Díky hybridní architektuře běží ve 4bitové kvantizaci kolem 1–2 GB paměti, takže ji jde spustit lokálně na notebooku i telefonu. Rychlost a paměť jsou zatím hlavně měření výrobce, češtinu nikdo nezávisle neověřil. [Michal Černý](https://nobig.deals/cs/blog/autor/michal-cerny)·Publikováno 28\. října 2026·10 min čtení ![Rozdělený obraz: vlevo postava se serverem na vozíku, vpravo postava vkládá oranžovou kartu do telefonu ve svěráku.](https://nobig.deals/_next/image?url=https%3A%2F%2Fassets.nobig.deals%2Fblog%2Fcmvrtybfo000t0xlaau2folwz%2Flokalni-ai-modely-lfm3-liquid-ai-hero-a2be1a6175.webp&w=3840&q=75) Stejná práce dvěma způsoby: těžký server, nebo malý model přímo v telefonu. Obsah článku · 8 1. [Co je LFM3 a co obsahuje rodina modelů](#co-je-lfm3-a-co-obsahuje-rodina-modelu) 2. [Jak hybridní architektura šetří paměť](#jak-hybridni-architektura-setri-pamet) 3. [Kolik paměti a jak rychlý je LFM3 na notebooku a telefonu?](#kolik-pameti-a-jak-rychly-je-lfm3-na-notebooku-a-telefonu) 4. [Co je změřeno](#co-je-zmereno) 5. [Co zatím chybí](#co-zatim-chybi) 6. [Jak LFM3 spustit lokálně](#jak-lfm3-spustit-lokalne) 7. [Notebook: LM Studio a llama.cpp](#notebook-lm-studio-a-llama-cpp) 8. [Prohlížeč a telefon](#prohlizec-a-telefon) 9. [Pro jaké úlohy se hodí a kde má limity](#pro-jake-ulohy-se-hodi-a-kde-ma-limity) 10. [Kontrolní seznam před nasazením](#kontrolni-seznam-pred-nasazenim) 11. [Časté chyby](#caste-chyby) 12. [Jak si LFM3 vede v češtině a v nezávislých testech?](#jak-si-lfm3-vede-v-cestine-a-v-nezavislych-testech) 13. [Kdy se vyplatí lokální AI modely místo cloudového API](#kdy-se-vyplati-lokalni-ai-modely-misto-cloudoveho-api) 14. [Časté otázky](#caste-otazky) LFM3 je rodina malých open-weight modelů, které Liquid AI vydala 27\. října 2026 pro běh přímo na zařízení. Lokálně ji spustíte přes LM Studio, Ollama a llama.cpp, v prohlížeči přes WebGPU nebo na iPhonu. Hodí se na jednoduché úlohy, ne na složité uvažování. Ve zkratce * LFM3 je rodina šesti open-weight modelů se sdíleným 1,7B backbonem, vydaná 27\. října 2026 na Hugging Face. * Jen 6 z 24 vrstev drží plnou KV cache, proto je model úsporný na paměť i při dlouhém kontextu. * Ve 4bitové kvantizaci zabírá model zhruba 1 GB, v LM Studiu kolem 2 GB. * Výkon v češtině, výdrž baterie a stav podpory v hlavní větvi llama.cpp zatím nejsou nezávisle doloženy. * Lokální model se vyplatí pro offline provoz, soukromí dat a jednoduché úlohy, ne pro složité vícekrokové uvažování. ## Co je LFM3 a co obsahuje rodina modelů Liquid AI zveřejnila **Liquid AI LFM3** 27\. října 2026 na Hugging Face. Podle [oznámení výrobce](https://www.liquid.ai/blog/lfm3) jde o šest modelů kolem 2B parametrů. Všechny sdílejí základ s 1,7 miliardy parametrů, jak uvádí [dokumentace LFM3-1.7B](https://docs.liquid.ai/lfm/models/lfm3-1.7b). Nad ním vznikly varianty pro text, obraz, video, zvuk a kombinované vstupy. Patří mezi malé jazykové modely, které míří na AI model na notebooku i telefonu. Definice LFM3 je rodina malých jazykových a multimodálních modelů od Liquid AI s volně stažitelnými vahami. Modely mají hybridní architekturu a jsou určené pro běh na notebooku, telefonu a dalších koncových zařízeních. Pro srovnání s konkurencí se nabízejí hlavně čísla o velikosti a tréninku. **Blog Hugging Face** k vydání [shrnuje](https://huggingface.co/blog/LiquidAI/lfm3) i rozsah trénovacích dat: Klíčová čísla * **6** open-weight modelů v rodině LFM3 ([Liquid AI](https://www.liquid.ai/blog/lfm3)) * **1,7B** parametrů má sdílený backbone všech variant ([Liquid AI dokumentace](https://docs.liquid.ai/lfm/models/lfm3-1.7b)) * **22 bilionů** tokenů tvořilo trénovací data ([Hugging Face](https://huggingface.co/blog/LiquidAI/lfm3)) * **256K** tokenů je maximální kontext textového modelu ([Liquid AI](https://www.liquid.ai/blog/lfm3)) Rodina pokrývá tyto typy úloh: | Varianta | Vstup | K čemu slouží | | ----------------- | ------------------------ | ----------------------------------------- | | Text | text, kontext až 256K | instrukce, extrakce, strukturovaný výstup | | Vize a video | obraz, video | popis scény, porozumění obrazu | | Audio | zvuk | práce s mluveným slovem | | Omni | kombinace modalit | jeden model pro více typů vstupu | | Rozhodovací úlohy | text a kontext prostředí | jednoduché agenty a automatizace | Přehled vychází z [oznámení Liquid AI](https://www.liquid.ai/blog/lfm3) a [modelové karty LFM3-1.7B](https://huggingface.co/LiquidAI/LFM3-1.7B). LFM3 navazuje na modely LFM2 a LFM2.5 téže firmy. Ve stejné váhové kategorii konkurují **Qwen2.5-1.5B**, Phi-3-mini a Gemma 2B. Tyto modely stojí převážně na klasickém transformeru, takže jejich paměťové nároky rostou s délkou kontextu rychleji. ## Jak hybridní architektura šetří paměť LFM3-1.7B má 24 vrstev tří typů. Podle [dokumentace Liquid AI](https://docs.liquid.ai/lfm/models/lfm3-1.7b) jde o 13 vrstev _gated short convolution_, 5 vrstev _sliding-window attention_ s oknem 256 tokenů a 6 vrstev globální attention s GQA (_grouped-query attention_). Konvoluce levně zpracují krátké vazby v textu. Lokální attention řeší střední vzdálenosti a globální attention vztahy napříč celým dokumentem. Úspora vzniká v KV cache (_key-value cache_), tedy v paměti, kam si model ukládá mezivýsledky pro už zpracované tokeny. U klasického transformeru roste v každé vrstvě s délkou kontextu. V LFM3 drží **plnou KV cache jen 6 z 24 vrstev**. Ostatní vrstvy ji buď omezují oknem, nebo ji jako konvoluce nepotřebují. ```mermaid flowchart TD A["Vstupní tokeny"] --> B["13× gated short convolution"] A --> C["5× sliding-window attention"] A --> D["6× globální attention s GQA"] B --> E["Bez KV cache"] C --> F["KV cache jen pro okno"] D --> G["Plná KV cache"] ``` Výsledek je výrazný hlavně u dlouhého kontextu. Liquid AI [uvádí](https://www.liquid.ai/blog/lfm3), že při 128K tokenech zabere KV cache přibližně 1,6 GB. Větším srovnávaným modelům podle stejného měření stačí až 4,3 a 5,6 GB. Další úpravy míří na kvantizaci, tedy na zmenšení vah na méně bitů. [Modelová karta](https://huggingface.co/LiquidAI/LFM3-1.7B) zmiňuje tři: * **head-wise gated attention** potlačuje extrémní hodnoty aktivací, které kvantizaci zhoršují, * částečné RoPE se používá jen v globálních vrstvách, * sandwich normalization normalizuje vstup i výstup bloků. Liquid AI také [tvrdí](https://www.liquid.ai/blog/lfm3), že LFM3-1.7B má o 35 % méně parametrů než LFM2.5-2.6B a v interních testech ho přesto překonává. Jde o údaj výrobce. ## Kolik paměti a jak rychlý je LFM3 na notebooku a telefonu? Ve 4bitové kvantizaci zabírá LFM3-1.7B zhruba 1 GB, v LM Studiu kolem 2 GB ([Hugging Face](https://huggingface.co/blog/LiquidAI/lfm3)). Rychlost se pohybuje od desítek tokenů za sekundu na telefonu po stovky na serverové grafice. ### Co je změřeno Oficiální měření [popisuje Liquid AI](https://www.liquid.ai/blog/lfm3) takto: llama.cpp, kvantizace Q4\_0, kontext 32K, batch 1 a 100 výstupních tokenů. Na všech třech testovaných zařízeních byl LFM3 podle firmy nejrychlejší, 1,8× až 2,8× rychlejší než další srovnávaný model, a spotřeboval nejméně paměti ([Liquid AI](https://www.liquid.ai/blog/lfm3)). Při 8K tokenech má být zhruba o 25 % rychlejší než LFM2-1.2B, uvádí [stejné oznámení](https://www.liquid.ai/blog/lfm3). Rozdíl v paměti pro dlouhý kontext ukazuje graf: GrafKV cache při kontextu 128K tokenů (údaj výrobce, říjen 2026) | LFM3-1.7B | 1,6 GB | | ------------------------ | ------ | | Větší srovnávaný model A | 4,3 GB | | Větší srovnávaný model B | 5,6 GB | Zdroj: [Liquid AI](https://www.liquid.ai/blog/lfm3) První čísla z konkrétních zařízení: | Zařízení | Rychlost | Paměť | Kdo měřil | | ----------------------------- | ----------- | ----------- | --------------------------- | | iPhone 17 Pro | 43,6 tok/s | \~1,90 GB | zveřejněný příklad k vydání | | Mac mini, kontext 128K | \~80 tok/s | 3,15 GB GPU | Pratik Gandhi | | RTX PRO 6000, jeden požadavek | \~350 tok/s | – | komunita po vydání | | LM Studio, 4bit | – | \~2 GB | uživatelská instalace | Čísla shrnuje [blog Hugging Face](https://huggingface.co/blog/LiquidAI/lfm3), konfiguraci oficiálních testů popisuje [dokumentace k llama.cpp](https://docs.liquid.ai/deployment/on-device/llama-cpp). ### Co zatím chybí Zveřejněná čísla se týkají rychlosti a paměti, ne spotřeby energie. Výdrž baterie v aplikaci Local LLM zatím nikdo neměřil. Kratší výpočet může snížit energii na odpověď, vyšší okamžitý výkon ale zvyšuje krátkodobý příkon. Pozor Tabulka míchá měření s různým kontextem, kvantizací a runtime. Čísla nesčítejte ani přímo nesrovnávejte. Rychlost si změřte na vlastním hardwaru se stejným nastavením, jaké použijete v provozu. ## Jak LFM3 spustit lokálně LFM3 jde spustit lokálně několika cestami. Podle [modelové karty](https://huggingface.co/LiquidAI/LFM3-1.7B) podporují LFM3-1.7B nástroje llama.cpp, Ollama a LM Studio přes formát GGUF. Pro servírování více uživatelům má od prvního dne podporu SGLang. Kromě GGUF Liquid AI [nabízí](https://huggingface.co/blog/LiquidAI/lfm3) i formáty BF16, FP8, NVFP4, MLX a ONNX. ![Dopravní pás s bednou, lisem, balicí stanicí, váhou, balíčkem, brašnou na notebook a telefonem.](https://assets.nobig.deals/blog/cmvrtybfo000t0xlaau2folwz/lokalni-ai-modely-lfm3-liquid-ai-img-1-471e59eabd.webp) Cesta modelu od stažení po spuštění: velký soubor se zmenší na pár gigabajtů. ### Notebook: LM Studio a llama.cpp Nejjednodušší cesta k lokálnímu LLM (_local LLM_) na notebooku vede přes LM Studio: Postup 1. **Nainstalujte aktuální LM Studio.** Starší verze nemusí architekturu LFM3 znát. 2. **Vyhledejte LFM3-1.7B v GGUF.** V katalogu modelů zadejte „LFM3“ a vyberte oficiální checkpoint LiquidAI. 3. **Zvolte kvantizaci.** Q4\_0 odpovídá oficiálním měřením a zabírá nejméně paměti. 4. **Nastavte délku kontextu.** Začněte na 32K, delší kontext zvyšuje nároky na paměť. 5. **Otestujte vlastní prompty.** Ověřte, že se použila správná šablona chatu. U llama.cpp je situace složitější. [Dokumentace Liquid AI](https://docs.liquid.ai/deployment/on-device/llama-cpp) počítá s buildem kompatibilním s LFM3\. Začlenění podpory do hlavní větve llama.cpp ani podpora ve všech backendech zatím není potvrzená. Ukázka spuštění lokálního serveru: ```bash # Build llama.cpp musí podporovat architekturu LFM3, # jinak načtení GGUF skončí chybou neznámé architektury. # Přesný název GGUF repozitáře ověřte na modelové kartě. llama-server \ -hf LiquidAI/LFM3-1.7B-GGUF:Q4_0 \ -c 32768 \ -ngl 99 \ --port 8080 # -c: kontext 32K jako v oficiálním měření # -ngl 99: přesun všech vrstev na GPU, pokud je k dispozici ``` Pozor Chyba „unknown model architecture“ obvykle neznamená poškozený soubor, ale starý build llama.cpp. Před laděním promptů vždy ověřte verzi runtime. Firmy, které chtějí provozovat [AI modely běžící on-premise](https://nobig.deals/cs/sluzby/ai-on-premise) s plnou kontrolou nad daty, řeší kromě spuštění i správu verzí, přístupy a monitoring. Model na notebooku je dobrý začátek pro test, produkční provoz ale vyžaduje víc. ### Prohlížeč a telefon Knihovna Transformers.js běží s WebGPU přímo v prohlížeči. Vizuální varianta LFM3 v ní podle [blogu Hugging Face](https://huggingface.co/blog/LiquidAI/lfm3) zvládá popis videa v reálném čase bez serveru. Na iOS model spustí aplikace Local LLM, data přitom zůstávají v telefonu. ## Pro jaké úlohy se hodí a kde má limity LFM3-1.7B se hodí na **krátké instrukce, klasifikaci, extrakci dat, strukturovaný výstup** a jednoduché agenty. Výrobce sám ve [svých materiálech](https://huggingface.co/blog/LiquidAI/lfm3) uvádí, že model kvůli malé velikosti nedoporučuje pro agentní programování ani pro komplexní vícekrokové uvažování. Benchmarky od Liquid AI jsou vysoké. Podle [dokumentace](https://docs.liquid.ai/lfm/models/lfm3-1.7b) dosahuje model 96,66 v IFEval, 38,42 ve WebArena-Verified a průměru 49,37 z 29 benchmarků. LFM2.5-2.6B měl ve WebArena-Verified jen 3,02 ([Liquid AI](https://docs.liquid.ai/lfm/models/lfm3-1.7b)). WebArena ale měří práci v prostředí webu, ne obecné logické uvažování. Vysoké IFEval znamená dobré plnění formálních instrukcí, ne spolehlivost v dlouhých úlohách. Kdo plánuje [integraci AI do vývoje](https://nobig.deals/cs/sluzby/ai-transformace), měl by malý model nasadit tam, kde jde výstup snadno strojově zkontrolovat. Typicky jde o JSON se schématem, štítek z pevného seznamu nebo vytažené pole z dokumentu. ### Kontrolní seznam před nasazením Než model nasadíte * Připravte 20–50 skutečných vstupů z vlastní agendy, ne ukázky z dokumentace. * Otestujte krátké instrukce v češtině i angličtině a porovnejte výsledky. * Ověřte extrakci údajů z typických dokumentů, například faktur nebo e-mailů. * Vyžádejte si strukturovaný výstup v JSON a kontrolujte ho validátorem schématu. * Zkuste vícekolový rozhovor v češtině a sledujte, kdy model ztratí kontext. * Spusťte stejné prompty na alternativním modelu se stejnou kvantizací a runtime. * Změřte rychlost a paměť na hardwaru, kde model poběží. ### Časté chyby * **Záměna Q4\_0 s obecnou kvalitou.** Oficiální čísla platí pro konkrétní kvantizaci Q4\_0, jiná 4bitová varianta se může chovat jinak. * **Nekompatibilní build llama.cpp.** Starší nebo neupravený build model nenačte, případně ho načte s chybami. * **Špatná šablona promptu.** Malé modely jsou citlivé na šablonu chatu. Chybné speciální tokeny zhorší odpovědi víc, než by člověk čekal. * **Přenášení benchmarků na vlastní úlohu.** Skóre z IFEval neříká nic o tom, jak model zpracuje vaše smlouvy. Tip Šablonu chatu neskládejte ručně. Nechte ji načíst z GGUF souboru nebo z tokenizeru na modelové kartě. Ruční šablona je nejčastější důvod, proč malý model v testu působí hůř, než ve skutečnosti je. ## Jak si LFM3 vede v češtině a v nezávislých testech? Špičkovou češtinu od LFM3 čekat nelze, rozumné je počítat s použitelnou vícejazyčností. Výkon v češtině si proto ověřte na vlastních textech. Skutečné srovnání s Qwen2.5-1.5B, Phi-3-mini a Gemma 2B ukáže jen test při stejném runtime a kvantizaci, ideálně na českých vícekolových instrukcích. Čísla výrobce, například 49,37 přes 29 benchmarků z [modelové karty](https://huggingface.co/LiquidAI/LFM3-1.7B), nejsou univerzální skóre kvality. Berte je jako orientační údaj. Výhody a nevýhody Co je doloženo * Nízké paměťové nároky ve 4bitové kvantizaci * Vysoká rychlost na telefonu, notebooku i GPU * Podpora v běžných lokálních nástrojích a formátu GGUF Co si ověřte sami * Kvalitu češtiny na vlastních textech * Stabilitu ve vícekolovém rozhovoru * Spotřebu baterie na cílovém telefonu * Výsledky proti alternativám na stejném hardwaru ## Kdy se vyplatí lokální AI modely místo cloudového API Lokální AI modely dávají smysl tam, kde data nesmí opustit zařízení, kde chybí připojení nebo kde jde o velké množství jednoduchých dotazů. Malý local LLM na notebooku nemá poplatky za tokeny, nemá síťovou latenci a funguje i offline. Výhody a nevýhody Kdy se vyplatí * Offline provoz v terénu, ve výrobě nebo v mobilní aplikaci * Citlivá data, která nesmí odejít ke třetí straně * Jednoduché a opakované úlohy: klasifikace, extrakce, formátování * Velký objem dotazů, u kterého by se sčítaly poplatky za API Kdy ne * Složité vícekrokové uvažování a plánování * Agentní programování, které výrobce sám nedoporučuje * Úlohy, kde chyba modelu stojí víc než cena cloudového volání * Náročná práce s českými texty bez předchozího testu V nobig.deals řešíme AI ve vlastním stacku přes OpenRouter, tedy přes cloudová API. Lokální provoz malých modelů je pro nás možnost, ne vyzkoušená praxe. Popisujeme proto postup, který doporučujeme, ne vlastní zkušenost s LFM3. Doporučujeme začít malým vzorkem vlastních dat a projít kontrolní seznam výše. Pokud LFM3 zvládne vaše extrakce a strukturované výstupy v češtině, dává lokální nasazení smysl. Pokud ne, rozdíl uvidíte za pár hodin testování, ne až v produkci. ## Časté otázky ### Je LFM3 zdarma a smí se používat komerčně? Váhy LFM3 jsou volně ke stažení na Hugging Face, za model samotný se neplatí. Podmínky komerčního použití určuje licence uvedená na [modelové kartě](https://huggingface.co/LiquidAI/LFM3-1.7B) a mohou se lišit podle velikosti firmy nebo způsobu použití. Před nasazením v produktu si licenci přečtěte celou, ideálně s právníkem. Volně stažitelné váhy totiž automaticky neznamenají neomezené komerční užití. ### Zvládne LFM3 češtinu? Pravděpodobně základně ano, spolehlivě to ale zatím nikdo nezávisle nedoložil. Rozumné je čekat použitelnou češtinu u krátkých instrukcí a extrakce, slabší výsledky u dlouhých textů a stylisticky náročného psaní. Ověřte si to na vlastních dokumentech dřív, než na modelu postavíte proces. ### Stačí na LFM3 běžný notebook bez grafické karty? Pravděpodobně ano. Ve 4bitové kvantizaci zabírá model podle [blogu Hugging Face](https://huggingface.co/blog/LiquidAI/lfm3) kolem 1–2 GB paměti, což by měla zvládnout většina současných notebooků. Bez dedikované grafiky poběží pomaleji než na GPU, pro krátké odpovědi to ale obvykle stačí. Na Macu s Apple Silicon využijete sdílenou paměť a formát MLX nebo GGUF. Delší kontext výrazně zvyšuje nároky na paměť. ### Čím se LFM3 liší od Qwen2.5-1.5B nebo Phi-3-mini? Hlavně architekturou. Qwen2.5-1.5B a Phi-3-mini stojí na klasickém transformeru, kde každá vrstva drží KV cache. LFM3 kombinuje konvoluce, lokální a globální attention, takže při dlouhém kontextu spotřebuje méně paměti. Který model dává lepší výsledky, ukáže až srovnání při stejném runtime a kvantizaci. Pro češtinu se vyplatí otestovat oba. ### Mohu LFM3 používat offline na telefonu? Ano, na iPhonu jde LFM3 spustit v aplikaci Local LLM a po stažení modelu funguje bez připojení. Podle [zveřejněného příkladu](https://huggingface.co/blog/LiquidAI/lfm3) dosáhl iPhone 17 Pro rychlosti 43,6 tokenu za sekundu. Neznámá zůstává výdrž baterie, kterou zatím nikdo neměřil. Při delším používání proto sledujte zahřívání telefonu i úbytek nabití. Zdroje a odkazy (5) Externí stránky, na které článek odkazuje. 1. [liquid.ai](https://www.liquid.ai/blog/lfm3) /blog/lfm3 2. [docs.liquid.ai](https://docs.liquid.ai/lfm/models/lfm3-1.7b) /lfm/models/lfm3-1.7b 3. [huggingface.co](https://huggingface.co/blog/LiquidAI/lfm3) /blog/LiquidAI/lfm3 4. [huggingface.co](https://huggingface.co/LiquidAI/LFM3-1.7B) /LiquidAI/LFM3-1.7B 5. [docs.liquid.ai](https://docs.liquid.ai/deployment/on-device/llama-cpp) /deployment/on-device/llama-cpp ## Číst více [![Claude Duet: co je osobní AI agent od Anthropicu a kdy ho čekat](https://nobig.deals/_next/image?url=https%3A%2F%2Fassets.nobig.deals%2Fblog%2Fcmvrrpx1s000r0xlazwu8eklv%2Fclaude-duet-osobni-ai-agent-hero-140e3df3c7.webp&w=3840&q=75)AI a vývojClaude Duet: co je osobní AI agent od Anthropicu a kdy ho čekatClaude Duet je podle Anthropicu proaktivní osobní agent, který pracuje s připojenými účty i ve chvíli, kdy je uživatel pryč. Dostupnost v Česku ani v EU ale k 28\. říjnu 2026 nelze z oficiálních zdrojů potvrdit.](https://nobig.deals/cs/blog/claude-duet-osobni-ai-agent)[![GPT-6.1 Terra: co umí, kolik stojí a kde běží](https://nobig.deals/_next/image?url=https%3A%2F%2Fassets.nobig.deals%2Fblog%2Fcmvqchlp9000d0xlauyrb8iwx%2Fgpt-6-1-terra-cena-dostupnost-hero-de2daf2813.webp&w=3840&q=75)AI a vývojGPT-6.1 Terra: co umí, kolik stojí a kde běžíGPT-6.1 Terra je nový model OpenAI pro ovládání počítače přes screenshoty, určený na rutinní úlohy jako faktury a formuláře. V API stojí 1 USD za milion vstupních a 5 USD za milion výstupních tokenů. „Poloviční cena“ ale platí jen vůči Solu a GPT-5.6 Terra.](https://nobig.deals/cs/blog/gpt-6-1-terra-cena-dostupnost)[![Single agent loop: kdy nahradit subagenty jedním agentem](https://nobig.deals/_next/image?url=https%3A%2F%2Fassets.nobig.deals%2Fblog%2Fcmvoyz6kc00240xpii68sfirq%2Fsingle-agent-loop-kdy-nahradit-subagenty-hero-99668e4295.webp&w=3840&q=75)AI a vývojSingle agent loop: kdy nahradit subagenty jedním agentemJednoho agenta v jedné smyčce má smysl zkusit tam, kde subagenti jen předávají kontext a platíte za další volání. Bez vlastního evalu ale nepoznáte, zda se migrace vyplatí. Kit od Anthropicu na tom staví.](https://nobig.deals/cs/blog/single-agent-loop-kdy-nahradit-subagenty)