Čínské AI modely nejsou stejné. Rozhoduje jazyk i způsob použití

Studie ukazuje rozdíly mezi modely

Výzkum společnosti Vals AI, který shrnul také server The Decoder, porovnával 25 čínských, amerických a dalších jazykových modelů. Výzkumníci jim položili stovky politicky citlivých otázek a sledovali, jak často odpovědi odpovídají oficiálním pozicím čínské vlády.

Výsledky vyjádřili na škále od −1 do +1. Záporná hodnota znamená kritičtější odpovědi, kladná větší shodu s oficiálním čínským výkladem. Nejde o hodnocení faktické správnosti. Skóre pouze popisuje politické ladění odpovědi v daném testu.

Rozdíly byly výrazné. Model GLM-5.3 Flash například výslovně potvrdil, že porušování lidských práv v Číně je dobře zdokumentováno. Některé jiné modely na podobné otázky naopak přebíraly formulace blízké oficiálnímu stanovisku Pekingu.

Jazyk dotazu mění výsledek

Nejvýraznější rozdíl se objevil u jazyka zadání. U většiny testovaných modelů vedly dotazy ve zjednodušené čínštině k odpovědím, které byly vůči čínské vládě vstřícnější než odpovědi na stejné otázky v angličtině, ruštině nebo španělštině. U čínských modelů byl tento rozdíl větší než u amerických.

Výzkumníci porovnávali také zjednodušenou a tradiční čínštinu. I mezi nimi se objevil menší, ale opakovaný rozdíl. Zjednodušená čínština je běžná v pevninské Číně, zatímco tradiční znaky se používají především na Tchaj-wanu a v Hongkongu.

Studie proto upozorňuje na praktický problém. Model, který v angličtině působí relativně neutrálně, může při čínském zadání použít jiný politický rámec. Pro českého uživatele je důležité, že výzkum netestoval češtinu jako samostatný jazyk. Z výsledků tedy nelze vyvodit, jak by se jednotlivé modely chovaly při českých dotazech.

Odmítnutí není jediný způsob omezení

Běžný předpoklad, že čínské modely citlivé otázky převážně blokují, v testech Vals AI platil pouze pro některé modely DeepSeek. Většina ostatních čínských modelů odmítala odpovědět jen zřídka. Místo toho v některých případech přebírala oficiální vládní pozice.

Příkladem je model Kimi K3, který při dotazu popřel existenci koncentračních táborů pro Ujgury v Sin-ťiangu a označil tato zařízení za střediska odborného vzdělávání určená k boji proti extremismu a terorismu.

V jedné praktické úloze měl model přeložit seznam kódů zemí pro cestovní aplikaci do zjednodušené čínštiny. Většina testovaných modelů přeložila Tchaj-wan bez jakéhokoli přívlastku. Model Qwen3.8 Max však použil označení „Taiwan, China“, které naznačuje příslušnost k Číně a odpovídá politickému výkladu čínské vlády.

Rozhoduje také způsob nasazení

Výsledky ovlivnil i požadovaný formát odpovědi. Když modely musely na politické otázky odpovědět jednoduchým ano nebo ne namísto otevřených formulací, skórovaly modely GLM-5.3 Flash a MiMo V2.6 Pro výrazně méně provládně.

Změnu přineslo také zasazení do agentního prostředí. Když výzkumníci dali čínským modelům systémové instrukce a definice nástrojů pro programovací asistenty, několik z nich dosáhlo nižšího provládního skóre, přestože nástroje využívaly jen zřídka. Podobný efekt se projevil, když modely dostaly přístup k webovému vyhledávání – odpovědi byly méně provládní, ačkoliv modely na webu ve skutečnosti vůbec nevyhledávaly.

Pro firmy jde o zásadní zjištění. Nestačí otestovat samotný model v jednoduchém chatu a výsledek považovat za platný pro celou aplikaci. Chování se může změnit po přidání systémových instrukcí, nástrojů, webového vyhledávání nebo automatických kroků v agentních rámcích.

Otevřené váhy snižují cenu, ale přidávají odpovědnost

Čínské modely se v posledních měsících rozšířily mezi západními vývojáři hlavně díky otevřeným vahám, možnosti vlastního provozu a nižším nákladům. Podle benchmarku společnosti LatticeFlow AI jsou čínské modely v některých případech o 60 až 90 % levnější než srovnatelné americké systémy. Na platformě OpenRouter vzrostl podíl tokenů amerických firem směrovaných do čínských modelů ze 4,5 % v první polovině roku 2025 na 30 až 46 % v roce 2026.

Vývojář tak může sáhnout po modelu, který provozuje na vlastním serveru nebo přes levné API. Tím ale přebírá větší část odpovědnosti za testování. U aplikace v češtině bude potřeba ověřit chování přímo v češtině a v úlohách, které aplikace skutečně řeší. Anglický benchmark nemusí zachytit problém, který se projeví v jiném jazyce.

Politické ladění se týká i západních modelů

Studie neříká, že politické vychýlení existuje pouze u čínských modelů. Vals AI zaznamenala případy, kdy také západní systémy převzaly oficiální čínské formulace. Konkrétním příkladem je obrazový model GPT Image 2.5 Sunburst od OpenAI. Při zadání v čínštině na vygenerované mapě označil Tchaj-wan jako „Taiwan Province“ a přidal spornou linii devíti čar, kterou Peking používá k vymezení svých územních nároků v Jihočínském moři. V anglickém výsledku tyto prvky chyběly.

To neznamená, že všechny modely mají stejnou míru politického zkreslení. Znamená to, že země původu sama o sobě nestačí jako test neutrality. U každého modelu záleží na trénovacích datech, pravidlech poskytovatele, jazyce dotazu i způsobu nasazení.

Chování modelu lze navíc změnit cíleným dolaďováním (fine-tuningem). Příkladem je model Thomson 1.0 Small, upravený společností Thomson Reuters na bázi Qwen3.6 35B. V testech přebíral oficiální čínské pozice podstatně méně často než původní předloha – podíl takových odpovědí klesl z 84,6 % na 15,0 %. Některé jednotlivé odpovědi však nadále obhajovaly pekingský princip jedné Číny a „mírové znovusjednocení“ s Tchaj-wanem.

Co si z toho odnést při používání v Česku

Čínské modely jsou pro české uživatele dostupné přes některé API služby a u otevřených vah také prostřednictvím vlastního provozu. Studie ale neposkytuje srovnání české jazykové kvality ani české dostupnosti jednotlivých služeb. Uživatel by proto neměl zaměňovat dostupnost modelu za ověřenou podporu češtiny.

Pro běžné psaní, shrnutí nebo práci s neutrálními dokumenty nemusí politické testy znamenat okamžitý problém. Vyšší opatrnost je namístě u překladů geografických názvů, map, zpráv o lidských právech, vzdělávacího obsahu a aplikací, které samy publikují text bez lidské kontroly.

Samostatné bezpečnostní riziko se týká také některých testovaných verzí Qwen. Podle dalšího rozboru The Decoder se některé modely při laboratorních zkouškách pokoušely směrovat požadavky přes servery Alibaba Cloud. Výzkumníci nenašli důkaz cíleného odcizení dat a chování může souviset s tréninkovou infrastrukturou. Pro nasazení agentů s přístupem k firemním systémům je přesto vhodné podobné chování ověřit v izolovaném prostředí.

Výsledkem studie tedy není jednoduchý verdikt, že čínské modely jsou použitelné, nebo nepoužitelné. Ukazuje, že jejich chování se liší podle konkrétního modelu, jazyka, testovací metody a nasazení. Uživatelé v Česku by měli hodnotit konkrétní službu a konkrétní úlohu, nikoli pouze národní původ modelu.

FAQ