Które modele są naprawdę co najmniej tak mądre jak DeepSeek-V4-Flash (październik 2026)

Ten plik dotyczy modeli, nie dostawców. Pytanie jest proste: mój lokalny sprzęt uruchamia DeepSeek-V4-Flash-0731. Które modele dostępne tanio lub za darmo online są co najmniej tak samo mądre, a które „darmowe” oferty tylko wyglądają na ulepszenie? Szczegóły dostawców (rejestracja, limity, warunki danych) są w 01-PROFILE.md. Jak podłączyć modele do agenta, opisuje 03-UZYCIE-W-AGENTACH.md.

AA w tym pliku oznacza Artificial Analysis Intelligence Index v4.3.2, stan na 13.10.2026 (pomiar niezależny). Vals to niezależny harness Vals.ai, który puszcza każdy model przez tę samą konfigurację. Liczby od twórców modeli są oznaczone (deklaracja producenta). Ceny są w USD za 1M tokenów (wejście / wyjście), według stanu z 13.10.2026.

1. Najkrótsza odpowiedź

• Poprzeczka to AA 34, wynik DeepSeek-V4-Flash-0731 przy maksymalnym wysiłku. Poprzeczka dla trudnych agentów terminalowych to Vals Terminal-Bench 4.0 = 18,7.
• Wyraźnie powyżej poprzeczki i tanio (otwarte wagi): MiMo-V2.6-Pro (AA 46, USD 0,87 za wyjście), GLM-5.3 u zewnętrznych hostów (AA 45, od USD 1,88), Step 5 Preview (AA 44, USD 2,70, darmowe promocje), GLM-5.3-Flash (AA 42, od USD 0,15), DeepSeek V4.1-Flash (AA 39, od USD 0,18) i MiMo-V2.6-Flash (AA 38, USD 0,28).
• Powyżej poprzeczki, ale zamknięte: Claude Haiku 5.5 (AA 43 przy max), GPT-6 Luna (AA 38 przy max) i Muse Spark 1.3 Contributor (AA 45 przy najwyższym dozwolonym wysiłku, ale Meta trenuje na twoich promptach). To własnościowe API, więc nie ma lokalnego planu awaryjnego.
• Najlepszy model agentowy w przeliczeniu na dolara to GLM-5.3-Flash. Ma Vals TB4.0 37,4, dwa razy więcej niż poprzeczka, przy USD 0,50 za wyjście na Z.ai.
• Samo AA wprowadza w błąd w przypadku agentów. GPT-6 Luna (AA 38) i DeepSeek V4-Pro-0813 (AA 36) spadają poniżej poprzeczki na Vals TB4.0 (13,6 i 14,1).
• Znane darmowe modele są poniżej poprzeczki. Inkling, Inkling Small, Nemotron 3 Ultra, gpt-oss-120b, MiniMax-M3 i Kimi K2.6 mają AA od 12 do 29.
• Kimi K3 (AA 44) to najmocniejszy otwarty model do używania narzędzi, ale nie jest tani. Wyjście kosztuje od USD 9,50 do 15 wszędzie, więc ma sens tylko w planie ryczałtowym.
• Nie porównuj liczb AA między wersjami indeksu. Ten sam model 0731 miał 50 w lipcu, a dziś ma 34.

2. Poprzeczka: trzy checkpointy „V4-Flash”

„DeepSeek-V4-Flash” to trzy różne rzeczy, a poprzeczka mocno się przesuwa w zależności od tego, o którą chodzi:

Wszystkie trzy mają licencję MIT i natywny kontekst 1M. Wynikają z tego dwie pułapki:

• Identyfikator online deepseek-v4-flash to już nie jest V4-Flash. Od 10.09.2026 własne API DeepSeeka kieruje stare nazwy na deepseek-flash, czyli V4.1-Flash. Jeśli chcę dokładnie tych wag, które działają na moim sprzęcie, muszę użyć zewnętrznego hosta. OpenRouter wymienia deepseek/deepseek-v4-flash-0731 z 27 endpointami.
• Starsze wpisy na blogach używają liczb z preview 0420. Słynne „SWE-bench Verified 79,0” i „SWE-bench Pro 52,6” należą do preview (deklaracja producenta). Dla 0731 Vals zmierzył SWE-bench Verified 88,8 (pomiar niezależny).

Dlaczego wersja indeksu AA ma znaczenie. AA kilka razy przeskalowało indeks, więc ten sam model dostaje bardzo różne liczby w zależności od wersji:

Przeskalowanie v4.3 (7.09.2026) dodało Terminal-Bench 4.0 i zastąpiło tau3-Banking przez AutomationBench. Obecne wagi to Agents 30 %, Coding 20 %, Science 20 % i General 30 %. Każdy wpis na blogu, który mówi „Inkling 41 vs V4 Flash 40”, używa starszej wersji. W tym pliku porównuję tylko liczby z v4.3.2. Gdyby mój sprzęt uruchamiał preview 0420, poprzeczka wynosiłaby 24, a MiniMax-M3, Kimi K2.6, GLM-5.1 i oba Inklingi by ją przeskoczyły. Uruchamia 0731, więc nie przeskakują (sekcja 7).

Inne liczby bazowe dla 0731: Vals TB2.1 67,0, Vals TB4.0 18,7, Vals SWE-bench Verified 88,8, Vals LiveCodeBench 87,3, Vals GPQA 89,9 (pomiary niezależne). Własna karta DeepSeeka deklaruje TB2.1 82,7, DeepSWE 54,4 i Toolathlon-Verified 70,3 (deklaracja producenta). Tryb bez myślenia jest dużo słabszy: w preview HLE spadło z 35 do 8, a LiveCodeBench z 92 do 55 (deklaracja producenta). Uruchamiaj go z włączonym rozumowaniem.

3. Benchmarki: co jeszcze żyje w II połowie 2026

Większość benchmarków cytowanych w poradnikach o agentach jest zamrożona: od miesięcy nie dodano nowych modeli.

W II połowie 2026 producenci raportują Terminal-Bench 2.1/3.0/4.0, DeepSWE v1.1, Toolathlon-Verified, AutomationBench, MCP-Atlas i Agents' Last Exam. Te liczby producentów rzadko pochodzą z tego samego harnessu.

Różnica między liczbami producentów a niezależnymi jest duża. Na Terminal-Bench 2.1 producenci raportują o około 10 do 20 punktów więcej, niż mierzy Vals:

Różnica działa też w drugą stronę: DeepSeek raportuje TB4.0 7,0 dla 0731, a Vals mierzy 18,7. Zasada jest taka, że modele rankinguję wyłącznie według AA oraz kolumn Vals. Liczb producentów używam do opisania charakteru modelu, nie do ustalania jego miejsca w rankingu.

4. Główna tabela: na poziomie poprzeczki lub powyżej, i tanio

„Tanio” oznacza co najmniej jedną publiczną ścieżkę na poziomie około USD 3 za 1M tokenów wyjścia lub niżej, albo za darmo. Cena to najtańsza cena wyjścia, jaką widziałem 13.10.2026. „OR” oznacza endpoint OpenRouter, a „–” oznacza brak opublikowanego wyniku. Model-poprzeczka jest w pierwszym wierszu.

Jak to czytać:

• AA i TB4.0 często się nie zgadzają. Muse Spark, GPT-6 Luna i V4-Pro wyglądają mocno na AA i słabo na TB4.0. Haiku 5.5 i GLM-5.3-Flash to przypadek odwrotny. Omawia to sekcja 8.
• Poziom wysiłku jest częścią wyniku. GLM-5.3 przy niskim wysiłku to AA 34, Haiku 5.5 przy średnim to 34, GPT-6 Luna przy high to 33, a Gemini 3.8 Flash przy low to 33. Tanie wywołanie przy niskim wysiłku może wylądować na poziomie poprzeczki lub poniżej.
• Najtańsza ścieżka to często FP4 albo promocja. FP4 nie jest automatycznie złe (Nebius FP4 GLM-5.3 osiągnął 99 % w Endpoint Accuracy Index AA), ale konkretne endpointy traciły od 15 do 27 % (pomiar niezależny). Przypnij kwantyzację albo dostawcę. Porównanie hostów jest w 01-PROFILE.md.

5. Notatki o poszczególnych modelach pod kątem agentów

MiMo-V2.6-Pro (Xiaomi, AA 46). To najwyżej oceniany otwarty model na AA: 1,02T łącznie / 42B aktywnych, kontekst 1M, wejście tekstowe, obrazowe, audio i wideo. Xiaomi sprzedaje go po USD 0,435 / 0,87 z odczytem cache za 0,0036.

• Mocne strony: Vals TB4.0 31,3 to wynik wyraźnie powyżej poprzeczki. Producent deklaruje DeepSWE 71,9 i AutomationBench 53,1 (deklaracja producenta, harness nieujawniony).
• Słabe strony: jest wolny (ok. 42 do 47 tok/s, TTFT ok. 4 s) i ma niewielu hostów (4 na OR, część zdegradowana). Vals TB2.1 67,8 to tylko poziom poprzeczki. W praktycznym teście DevOps Terraform i bash były w porządku, ale zadziałał tylko 1 z 3 manifestów Kubernetes; pozostałe wpadały w crash-loop (pomiar niezależny).
• Pułapki: rozumowanie jest domyślnie włączone. Na endpoincie zgodnym z Anthropic wieloturowe wywołania narzędzi zwracają 400, jeśli reasoning_content nie jest odsyłane z powrotem, więc powtarzaj je w historii. Maksymalne wyjście u producenta to 128K.

MiMo-V2.6-Flash (Xiaomi, AA 38). Ma 309B / 15B parametrów, licencję MIT i kontekst 1M, za USD 0,14 / 0,28.

• Mocne strony: Vals TB2.1 76,4 bije V4.1-Flash, a TB4.0 24,2 jest powyżej poprzeczki. Razem z V4.1-Flash ma najlepszą cenę za punkt inteligencji w zestawieniu.
• Słabe strony: bardzo rozwlekły (240M tokenów wyjścia w przebiegu AA, przy medianie 140M). Wypadł gorzej niż Pro w tym samym teście DevOps (zadziałało 0 z 3 manifestów Kubernetes).
• Pułapki: obowiązuje zasada odsyłania rozumowania z Pro. Darmowy wariant w OpenCode Zen wykorzystuje twoje dane.

GLM-5.3 (Z.ai, AA 45 przy max). Ma 753B / 40B parametrów i kontekst 1M, z wysiłkiem low/high/max i flagą clear_thinking.

• Mocne strony: najmocniejsze niezależne wyniki agentowe spośród wszystkich tanio dostępnych otwartych modeli. Ma Vals TB4.0 38,9, tbench.ai TB4.0 41,8 (harness Claude Code) i Vals SWE-bench Verified 95,4.
• Słabe strony: rozwlekły (210M) i wolny (64 tok/s). Licencja ma ograniczenia, więc ją przeczytaj.
• Pułapki: cena u samego Z.ai (USD 1,40 / 4,40) przekracza limit. Zewnętrzni hości sprzedają go za USD 1,88 do 2,90, a endpointy trzymają się blisko siebie pod względem dokładności (95 do 99 % w Endpoint Accuracy Index AA). Myślenie jest zawsze włączone, a domyślny wysiłek to max, więc w pętlach narzędziowych ustaw reasoning_effort na low. Przy niskim wysiłku to AA 34, dokładnie poprzeczka.

GLM-5.3-Flash (Z.ai, AA 42). Ma 320B / 18B parametrów, licencję MIT, kontekst 1M i hybrydową atencję rzadką plus liniową, za USD 0,15 / 0,50 na Z.ai.

• Mocne strony: najlepszy wynik w trudnych zadaniach terminalowych w przeliczeniu na dolara. Ma Vals TB4.0 37,4 i tbench.ai TB4.0 35,8 nawet przy wysiłku none. Ma też ExtractBench 80,75 dla wyjścia strukturalnego (deklaracja producenta) i Vals SWE-bench Verified 92,0. Obsługuje parallel_tool_calls na OR i ma 32 endpointy na OR.
• Słabe strony: bardzo rozwlekły (180M) i poniżej przeciętnej szybkości. Jego wynik LiveCodeBench (80,5) jest słabszy niż DeepSeeka.
• Pułapki: jakość hostów się różni. W teście narzędzi na 600 zadaniach Fireworks uzyskał 99,5 %, a Nebius 84,8 % (pomiar niezależny).

DeepSeek V4.1-Flash (AA 39, 25 bez rozumowania). To naturalne ulepszenie online w ramach tej samej rodziny. Ma 552B / 16B parametrów, cache KV w FP4, kontekst 1M, do 384K wyjścia i ciągłe ustawienie wysiłku od 1 do 100.

• Mocne strony: Vals TB2.1 74,5 wobec 67,0 dla 0731. U producenta działa z prędkością 190 tok/s przy TTFT 0,96 s i obsługuje do 2500 równoległych żądań. Przyjmuje wyjście JSON i wywołania narzędzi oraz obsługuje u producenta Responses API i API zgodne z Anthropic.
• Słabe strony: w trudnych zadaniach TB4.0 rośnie tylko z 18,7 do 19,7. To najbardziej rozwlekły model zmierzony przez AA (250M).
• Pułapki: nie ma szablonu czatu Jinja, więc każdy host implementuje własne parsowanie narzędzi, a wywołania narzędzi mogą się różnić między hostami. Wiele z jego 32 endpointów na OR to FP4. Vercel ogranicza wyjście do 32K. Producent mówi, że wysiłek 60 do 80 daje większość maksymalnej dokładności przy mniej niż połowie tokenów (deklaracja producenta). DeepSeek domyślnie trenuje na danych wejściowych API (opt-out).

DeepSeek V4-Flash-0731 (AA 34, poprzeczka). To dokładnie te wagi, które działają na moim sprzęcie. Online kosztuje USD 0,06 / 0,18 w DeepInfra (FP8).

• Mocne strony: to idealny cel dla nadmiarowego ruchu. Moje prompty zachowują się online tak samo jak lokalnie, mniej więcej w cenie prądu.
• Słabe strony: jest słaby w wiedzy, a AA zmierzyło bardzo wysoki odsetek halucynacji, gdy model nie jest pewny (96 % dla preview). Jest rozwlekły (ok. 206M w przebiegu v4.1).
• Pułapki: nie ma szablonu Jinja (to samo zastrzeżenie co przy V4.1). Wariant :free na OR został usunięty 21.09.2026. Hości wycofują starszy identyfikator 0420.

DeepSeek V4-Pro-0813 (AA 36). Ma 1,6T / 49B parametrów i licencję MIT.

• Mocne strony: Vals SWE-bench Verified 96,4, najlepszy wynik w pisaniu poprawek w tanim zestawie. Ma też GPQA 92,4.
• Słabe strony: w agentach terminalowych jest słabszy niż poprzeczka: Vals TB2.1 54,7 i TB4.0 14,1.
• Pułapki: tania ścieżka Baidu (USD 0,75) to promocja z 81 % rabatu. DeepInfra ogranicza wyjście do 16K. Cena u samego DeepSeeka w szczycie (USD 3,96) przekracza limit, a poza szczytem wynosi USD 1,98.

Step 5 Preview (StepFun, AA 44). Ma 600B / 27B parametrów, kontekst 1M oraz wejście obrazowe i wideo.

• Mocne strony: Vals TB4.0 31,8. Producent deklaruje TB2.1 85,0, GPQA 93,5 i BrowseComp 88,7 (deklaracja producenta). Jest darmowy w Kilo (bez konta, 200 żądań/h na IP, może trenować) i w OpenCode Zen (zero retencji, bez trenowania).
• Słabe strony: jeden płatny host (StepFun FP8), a jego warunki dotyczące danych są nieznane.
• Pułapki: to preview, więc spodziewaj się zmian. Wagi obiecano na 15.10.2026. Maksymalne wyjście to 64K. Darmowe ścieżki to promocje ograniczone czasowo.

Ling 3.1 Flash (InclusionAI, AA 41). To hybrydowy MoE z rozumowaniem 560B / 25B wydany 1.10.2026.

• Mocne strony: bardzo tani (Novita USD 0,075 / 0,225) i darmowy w Requesty (bez retencji i bez trenowania według metadanych Requesty, endpoint w UE, 200 RPD).
• Słabe strony: nie ma jeszcze niezależnych benchmarków agentowych ani wag. Jest bardzo rozwlekły (220M).
• Pułapki: OR i Requesty serwują tylko kontekst 262K i maksymalnie 32K wyjścia, a Requesty oznacza brak obsługi JSON-schema. Jego darmowe oferty zmieniają się z dnia na dzień; darmowy wariant na OR zniknął między 12 a 13.10.2026. Jest obiecujący, ale niesprawdzony.

Qwen3.8-Flash-Next (Alibaba, AA 40). Ma 180B / 6B parametrów, jest zapowiedzią architektury Qwen4 i ma kontekst 262K.

• Mocne strony: producent deklaruje TB2.1 86,1, DeepSWE 58,7 i SWE-Pro 62,5 (deklaracja producenta). Cena jest niska: USD 0,15 / 0,47.
• Słabe strony: nie ma liczb z Vals, a Alibaba jest jedynym hostem. Jest bardzo rozwlekły (240M).
• Pułapki: identyfikator modelu jest niejednoznaczny. Według doniesień identyfikator Qwen Cloud „Qwen3.8-Flash” to nie ten sam model, a qwen/qwen3.8-flash na OR (kontekst 1M) może być modelem chmurowym. Sprawdź, który dostajesz.

Qwen3.8 27B (AA 34 przy xhigh, 28 przy medium). To gęsty model 27B z licencją Apache 2.0, kontekstem 256K i wejściem multimodalnym.

• Mocne strony: to jedyny model na poziomie poprzeczki, który jest na tyle mały, by działać na skromnym lokalnym sprzęcie. Cerebras serwuje go szybko.
• Słabe strony: osiąga poprzeczkę tylko przy wysiłku xhigh (200M tokenów, 45 tok/s). Vals TB2.1 58,4 jest poniżej poprzeczki.
• Pułapki: Cerebras ogranicza kontekst do 65K. Darmowy wariant na OR został usunięty 6.10.2026.

Gemini 3.8 Flash (Google, AA 41 przy high). Jest własnościowy, z kontekstem 1M.

• Mocne strony: najlepsze wyniki wiedzy w zestawieniu: Vals GPQA 94,4, MMLU-Pro 90,2, LiveCodeBench 89,5 i TB2.1 81,3. Istnieje darmowy pakiet z warunkami bez trenowania w EOG.
• Słabe strony: Vals TB4.0 19,7 to tylko poziom poprzeczki dla trudnych agentów. TTFT według AA przy wysokim wysiłku to ok. 25 s.
• Pułapki: maksymalne wyjście to 65K. Cena wprowadzająca (USD 0,75 / 3,75) rośnie do USD 1,50 / 7,50 od 1.01.2027, a pod limitem utrzymuje ją wtedy tylko przetwarzanie wsadowe (za pół ceny). Darmowy pakiet daje ok. 20 żądań dziennie według doniesień z forów.

Mistral Large 4 Preview (AA 38). Ma 1,05T / 52B parametrów, wejście obrazowe i jest trenowany oraz hostowany w UE.

• Mocne strony: Vals TB4.0 23,2 jest powyżej poprzeczki. Producent deklaruje AutomationBench 59,9 i DeepSWE 61,7 (deklaracja producenta). Ma znaczenie, jeśli potrzebuję rezydencji danych w UE.
• Słabe strony: zmierzony kontekst to 524K, wobec deklarowanych 1M.
• Pułapki: to preview i jest tani tylko podczas promocji startowej (USD 0,68 / 2,09; cennikowe wyjście 4,18). Wagi i licencja mają się pojawić pod koniec października 2026.

Tanie modele zamknięte. To własnościowe API. Nie ma wag ani lokalnego planu awaryjnego, a dostawca może zmienić zachowanie pod tym samym identyfikatorem.

• Claude Haiku 5.5 (AA 43 max, 38 high, 34 medium). Kosztuje USD 0,10 / 0,50 do promptu 100K, a potem 0,50 / 2,50 powyżej 100K, więc pętle agentowe z długim kontekstem szybko trafiają na próg 5x. Jego wyniki agentowe są mocne: Vals TB4.0 36,4, trzeci najlepszy w tym pliku, i OSWorld 2.1 72,4 (deklaracja producenta). Przy maksymalnym wysiłku jest skrajnie rozwlekły (440M tokenów), a AA zmierzyło TTFT ok. 303 s. Średni wysiłek to tylko poziom poprzeczki. API jest natywne dla Anthropic, a dostęp zgodny z OpenAI idzie przez bramy.
• GPT-6 Luna (AA 38 max, 35 xhigh, 33 high). Kosztuje USD 0,10 / 0,50 (0,75 za wyjście od promptu 272K), z kontekstem 1,05M i wyjściem 128K. Ma Vals TB2.1 73,0, ale TB4.0 13,6, poniżej poprzeczki. Jedno źródło podaje, że wywoływanie narzędzi działa tylko przy wysiłku rozumowania none w Chat Completions, więc do rozumowania z narzędziami potrzebne jest Responses API (sprawdź to sam). To samo źródło podaje 93 % halucynacji przy maksymalnym wysiłku. TTFT według AA przy max to ok. 89 s.
• Muse Spark 1.3 Contributor (Meta, AA 45 przy xhigh). Kosztuje USD 0,10 / 0,20, bo Meta trenuje na twoich promptach i odpowiedziach. Według dokumentacji Mety identyfikator Contributor nie działa na poziomie „max”, więc jego sufit to xhigh = AA 45 (Muse Spark 1.3 standard przy max = 48). Oficjalny limit 13.10.2026 to 150 RPM / 3M TPM na zespół (starsze blogi podają 60 lub 100 RPM). Dostęp z UE jest niepotwierdzony: działa tylko tam, „gdzie Meta włączyła dostęp”, bez umowy powierzenia (DPA). Vals wymienia „Muse Spark 1.3” (TB4.0 10,6) i „Muse Spark 1.3 Max” (TB4.0 24,8) osobno. Wysyłałbym do niego tylko niewrażliwy tekst masowy, nigdy nic z kontekstem klienta.

6. Powyżej poprzeczki, ale nie tanio

Kimi K3 jest tu najciekawszy. Ma najlepsze liczby do używania narzędzi spośród otwartych modeli: MCP-Atlas 84,2, MCPMark-V 94,5, Toolathlon-Verified 76,5 i BrowseComp 91,2 (deklaracja producenta). Zauważ jednak, że jego Vals TB4.0 (17,2) jest tuż poniżej poprzeczki. Myślenie jest zawsze włączone i każda tura musi powtarzać pełną wiadomość asystenta, łącznie z reasoning_content i tool_calls. Polityka prywatności Moonshot pozwala trenować na treściach użytkowników.

Plany ryczałtowe zmieniają cenę, ale mają zasady dotyczące zakresu użycia:

• Kimi Code (Plus USD 19, Pro 39, Max 99, Ultra 199 miesięcznie) obejmuje K3. k3-256k jest w Plus, a k3 z kontekstem 1M jest w Pro i wyżej. Ograniczony do obsługiwanych klientów do kodowania, takich jak Claude Code, OpenCode i Codex. Manipulowanie User-Agentem może skończyć się zawieszeniem konta. Mój własny agent to tu szara strefa, a backend produktu jest niedozwolony.
• GLM Coding Plan (Lite USD 18 miesięcznie, cena zewnętrzna) daje GLM-5.3 o wartości mniej więcej USD 65 do 175 miesięcznie w trybie PAYG, według moich obliczeń na podstawie opublikowanych mnożników kredytów. Można go używać tylko w oficjalnie obsługiwanych narzędziach, więc surowe wywołania API z mojego własnego agenta odpadają. Dla GLM-5.3-Flash plan jest mało opłacalny; PAYG jest lepszy.
• Ollama Cloud Pro (USD 20 miesięcznie z kredytami za USD 60) serwuje kimi-k3 i glm-5.3 po cenach cennikowych, bez ograniczeń w używaniu API. To obniża efektywną cenę wyjścia K3 do ok. USD 5, co wciąż przekracza limit.
• Step Plan (od Mini USD 6,99 do Max USD 99, ceny zewnętrzne) obejmuje Step 5 Preview i wydaje się pozwalać na własny stos. Sprawdź to w warunkach korzystania z usługi.
• Fireworks Fire Pass (Kimi K3 Fast) został zamknięty dla nowych subskrybentów w październiku 2026.

7. Poniżej poprzeczki, w tym darmowe modele

„Darmowy” zwykle oznacza model słabszy niż ten, który mój sprzęt już uruchamia. Oto te, które są wciąż oferowane, z wynikami AA v4.3.2 wobec poprzeczki 34:

Inne modele poniżej poprzeczki to m.in. Gemini 3.1 Pro Preview (30, TB4.0 2,5), GLM-5.1 (26), Gemini 3 Flash (26), Qwen3.7 Plus (25), preview V4-Flash 0420 (24), Kimi K2.5 i MiniMax-M2.7 (23), GLM-4.7 (22), Gemini 3.5 Flash-Lite (22), Qwen3.5 i Qwen3.6 (18), Mistral Medium 3.5 (14) oraz Llama 4 Maverick i Scout (10 i 8). Wszystko z typowych list „darmowych i tanich” z początku 2026 jest dziś poniżej V4-Flash-0731: GLM-4.6/4.7, Kimi K2.x, Qwen3.5/3.6, MiniMax M2.x, gpt-oss-120b, Gemini 2.5/3 Flash, Mistral Medium 3.x, Grok fast, GPT-5.x mini i Llama 4.

Naprawdę darmowe modele powyżej poprzeczki to wyłącznie promocje ograniczone czasowo: Step 5 Preview (Kilo, OpenCode Zen), Ling 3.1 Flash (Requesty, Kilo, OpenCode Zen), MiMo-V2.6-Flash (OpenCode Zen) i Muse Spark 1.3 Contributor (OpenCode Zen, trenuje). Mediana czasu obecności darmowego modelu na OR to ok. 75 dni, a lista darmowych modeli na OR skurczyła się z 24 do 16 pozycji między 21.09 a 13.10.2026. GLM-5.3-Flash nie jest darmowy, ale miesięczny kredyt Vercel o wartości USD 5 kupuje ok. 10M jego tokenów wyjścia.

8. Ranking trudnych agentów: Vals Terminal-Bench 4.0

TB4.0 to najtrudniejszy żywy benchmark agentowy z niezależnym harnessem. Poprzeczka (0731) to 18,7. Tabela obejmuje każdy model z tego pliku, który Vals uruchomił.

Co to pokazuje:

• Samo AA wprowadza w błąd w przypadku agentów. GPT-6 Luna i V4-Pro-0813 przeskakują poprzeczkę AA, ale w trudnych zadaniach terminalowych spadają poniżej 0731. Muse Spark 1.3 ma najwyższe AA w pliku (48), a mimo to jego standardowe SKU uzyskuje 10,6.
• Zdarza się też odwrotnie. GLM-5.3-Flash i Haiku 5.5 zajmują na TB4.0 wyższe miejsca, niż sugerowałaby ich pozycja na AA.
• V4.1-Flash nie jest dużym krokiem naprzód dla trudnych agentów. Ledwo bije poprzeczkę (19,7 wobec 18,7), więc powodem, by go używać, są szybkość i cena, a nie możliwości.
• Oficjalna tablica tbench.ai potwierdza kolejność: GLM-5.3 41,8, GLM-5.3-Flash 35,8, Gemini 3.8 Flash 19,1, GPT-6 Luna 16,4.
• Ling 3.1 Flash, Qwen3.8-Flash-Next i Qwen3.8 27B nie mają jeszcze przebiegu TB4.0, więc traktuję je jako niesprawdzone dla trudnych agentów.

Aby sprawdzić model na własnych zadaniach zamiast na rankingu, zobacz ../kurs_aplikacje_agentowe/14-EWALUACJA.md.

9. Moje wybory według roli

Te wybory dotyczą wyłącznie danych niewrażliwych. Dane klientów i dane zawodowe zostają na lokalnym sprzęcie.

• Pracownik masowy (streszczenia, ekstrakcja, klasyfikacja na dużą skalę): GLM-5.3-Flash za USD 0,15 / 0,50 na Z.ai, Fireworks, Together lub Parasail, z reasoning_effort ustawionym nisko. Z.ai nie trenuje na danych z API. Mój drugi wybór to V4-Flash-0731 w DeepInfra (USD 0,06 / 0,18). To mój lokalny model, więc te same prompty działają przy nadmiarowym ruchu bez żadnego ponownego strojenia. MiMo-V2.6-Flash (USD 0,28) to alternatywa, gdy potrzebuję pracy w powłoce w stylu TB2.1.
• Podagent do kodowania: GLM-5.3 przez wiernego zewnętrznego hosta (USD 1,88 do 2,20 za wyjście) albo przez GLM Coding Plan, gdy działa w Claude Code lub OpenCode. GLM-5.3-Flash jest prawie tak samo mocny na TB4.0 za ćwierć ceny. Do zadań polegających tylko na poprawkach (napraw ten nieprzechodzący test) V4-Pro-0813 ma najlepszy wynik SWE-bench Verified (96,4), ale nie pozwoliłbym mu sterować terminalem. Jeśli zamknięty model jest w porządku: Haiku 5.5 przy wysokim wysiłku, z promptem poniżej 100K.
• Router narzędzi (wybiera narzędzie lub emituje JSON, liczy się opóźnienie): GLM-5.3-Flash przy wysiłku none lub low. Wciąż uzyskuje 35,8 na tbench.ai TB4.0 przy none, obsługuje parallel_tool_calls i ma 80,75 na ExtractBench (deklaracja producenta). W przeciwnym razie V4.1-Flash u producenta przy niskim wysiłku (190 tok/s, TTFT poniżej 1 s). Unikałbym GPT-6 Luna w Chat Completions (narzędzia tylko przy wysiłku none), darmowego Inklinga (brak tool_choice) oraz losowych routerów openrouter/free czy kilo-auto/free.
• Czytnik długiego kontekstu (całe repozytoria, długie logi, od 200K do 1M tokenów): V4.1-Flash na DeepSeek ma kontekst 1M i trafienia cache za USD 0,003 poza szczytem, więc utrzymuję stabilny prefiks. Gemini 3.8 Flash (darmowy pakiet lub batch) dobrze się sprawdza przy czytaniu wymagającym wiedzy, ale wyjście jest ograniczone do 65K. Unikałbym Ling na OR (262K), Mistral Large 4 (524K zmierzone) i ograniczonych endpointów 256K w Scaleway. Haiku 5.5 i GPT-6 Luna mają kontekst 1M, ale ich cena skacze powyżej 100K i 272K.
• Lekki planista (tania druga opinia poniżej Claude Opus): MiMo-V2.6-Pro (AA 46, USD 0,87 za wyjście). Jest wolny, ale planista nie potrzebuje wielu wywołań. Do darmowych eksperymentów Step 5 Preview w OpenCode Zen (zero retencji). Muse Spark 1.3 Contributor tylko do jednorazowych promptów, bo Meta na nich trenuje. Do prawdziwego planowania Opus pozostaje planistą (zobacz ../kurs_aplikacje_agentowe/17-HYBRYDA-I-ROUTER.md).

Źródła: AA leaderboard v4.3.2 · Metodologia AA · Changelog AA · AA V4-Flash 0731 · AA V4-Flash 0420 · AA 0731 w v4.1 · Premiera V4 w AA v4.0 · AA V4.1-Flash · AA MiMo-V2.6-Pro · AA GLM-5.3-Flash · AA Kimi K3 · AA Claude Haiku 5.5 · AA Endpoint Accuracy Index · Vals TB4.0 · Vals TB2.1 · Vals SWE-bench · Ranking tbench.ai · BFCL · Publikacja DeepSeek-V4 · Publikacja DeepSeek-V4.1-Flash · Karta HF V4-Flash-0731 · HF GLM-5.3 · HF Kimi K3 · Cennik DeepSeek · Cennik Z.ai · Zasady użycia GLM Coding Plan · Dokumentacja Kimi Code · Cennik platformy Kimi · MiMo Token Plan · Cennik StepFun · API modeli OpenRouter · TrueFoundry o darmowych modelach OR · Modele Kilo Gateway · Dokumentacja OpenCode Zen · Darmowe modele Requesty · Cennik Vercel AI Gateway · openbenchmarks: dokładność tego samego modelu · Test MiMo na computingforgeeks · computingforgeeks o GPT-6 Luna · Cennik Claude · Warunki Gemini API · Vellum o Gemini 3.8 Flash · Cennik Mistral Large 4 · Step 5 Preview · Qwen3.8-Flash-Next · Pakiet Muse Spark Contributor · Cennik Ollama Cloud