Claude Opus 5.5 ovládl tvorbu webu. GPT-6 od OpenAI je dvaapůlkrát dražší

Nový král webového kódu: Claude Opus 5.5 zlomil hranici 1 800 bodů

Kategorie Code Arena: WebDev na platformě Arena.ai představuje pro vývojáře mnohem praktičtější měřítko než akademické testy typu HumanEval. Místo řešení izolovaných algoritmických hádanek v ní modely staví kompletní komponenty, responzivní stránky a interaktivní webové aplikace. Výsledky pak v přímých slepých soubojích posuzují reální uživatelé a programátoři, kteří hodnotí nejen syntaktickou správnost kódu, ale i estetiku, logiku uživatelského rozhraní, funkčnost JavaScriptu a provázání s kaskádovými styly.

V aktualizovaném hodnocení k 23. září 2026, které zahrnuje 132 modelů a celkem 739 375 jednotlivých hodnocení, se na absolutní špičku probojoval Claude Opus 5.5 v nastavení Max. Se ziskem 1 818 bodů (interval spolehlivosti 1 797 až 1 840) si vybudoval solidní odstup od celého zbytku pole. V praxi to znamená, že když dostane komplexní zadání na stavbu moderního rozhraní, vyprodukuje kód, který vývojář nemusí zdlouhavě opravovat ani stylově dolaďovat.

Graf: Aktuální žebříček Code Arena WebDev

Následující graf jsme sestavili z dat, která Arena.ai zveřejňuje ke svému žebříčku. Zachycuje patnáct nejvýše postavených modelů podle dosaženého Elo skóre v kategorii WebDev a vedle nich model MiMo V2.6 Pro, který sice v tabulce figuruje, ale stojí mimo oficiální pořadí. Vodorovné úsečky za sloupci znázorňují 95% interval spolehlivosti. Ukazují, kde je náskok statisticky průkazný a kde jde naopak o těsnou remízu, kterou může příští kolo soubojů obrátit.

Rozložení sil na prvních deseti příčkách ukazuje nadvládu dvou velkých amerických laboratoří, na které se však z těsného závěsu tlačí čínská konkurence:

Dvaapůlkrát dražší druhé místo: OpenAI GPT-6 Astra ztrácí poměrem cena/výkon

Druhé místo obsadila vlajková loď OpenAI, model GPT-6 Astra v režimu Max, se skóre 1 792 bodů (v dílčích snímcích a raných fázích testu se pohyboval kolem 1 799 bodů). Ačkoliv jde o úctyhodný výsledek, pohled do oficiálního ceníku API staví OpenAI do velmi nepříjemné pozice.

Zatímco vítězný Claude Opus 5.5 nabízí Anthropic za 4 dolary na vstupu a 20 dolarů na výstupu za milion tokenů, OpenAI si za model Astra účtuje 10 dolarů za vstup a závratných 50 dolarů za výstup. GPT-6 Astra je tedy přesně dvaapůlkrát dražší než model, který ji v tvorbě webu poráží. Pro vývojářské agentury nebo softwarové domy, které generují desítky tisíc řádků kódu denně v nástrojích typu Cursor nebo Claude Code, představuje tento rozdíl desetitisíce korun měsíčně na fakturách za cloudové tokeny.

Ani třetí příčka nepatří levnému modelu: Claude Fable 5.1 (Max) s 1 755 body sdílí stejnou cenovku 10/50 dolarů jako Astra. Samotný Anthropic tak svým novým modelem Opus 5.5 efektivně kanibalizoval vlastní prémiovou řadu Fable, když nabídl vyšší výkon za méně než polovinu původní ceny.

Propadák pro Google: Proč Gemini chybí v první dvacítce?

Při pohledu na žebříček vyvstává palčivá otázka: kde jsou modely od Googlu? Společnost, která stojí za prohlížečem Chrome, webovým standardem Chromium a frameworkem Angular, v generování webových aplikací selhává na celé čáře.

V první dvacítce žebříčku WebDev nenajdete jediný model řady Gemini. Nejlépe hodnocený zástupce Googlu, Gemini 3.7 Flash High, se krčí až na 22. místě se skóre 1 594 bodů. Novější Gemini 3.8 Flash High pak figuruje na 24. příčce s pouhými 1 583 body. Pro technologického giganta jde o studenou sprchu: v přímých soubojích o funkční web ho poráží nejen stařičký Claude Opus 5 z předchozí generace, ale i desítka čínských modelů s otevřenější licencí.

Čínská úsporná jízda: 90 % schopností za zlomek centu

Pro každodenní práci vývojářů nemusí být nejdůležitější absolutní vrchol tabulky. Pokud nepotřebujete navrhnout kompletní systém na jedno kliknutí, ale hledáte spolehlivého asistenta pro rutinní kódování komponent, formulářů a CSS stylů, karty míchá druhá desítka žebříčku.

Tam dominují neuvěřitelně levné bleskové modely z Asie, které nabízejí až 90 % schopností absolutních vítězů za zlomek nákladů:

• Qwen3.8-Flash-Next (11. místo, 1 636 bodů): Alibaba nabízí tento odlehčený model s cenou pouhých 0,16 dolaru na vstupu a 0,47 dolaru na výstupu. V porovnání s GPT-6 Astra je více než stokrát levnější, přesto poráží veškerou konkurenci od Googlu i xAI Grok.
• DeepSeek-V4.1-Flash (18. místo, 1 620 bodů): Vývojářská stálice DeepSeek drží skóre 1 620 bodů při ceně 0,30 $ / 1,20 $ za milion tokenů pod otevřenou licencí MIT.
• GLM-5.3-Flash (20. místo, 1 612 bodů): Čínský model od Z.ai představuje cenové dno žebříčku: 0,06 $ za vstup a 0,20 $ za výstup. Za cenu jednoho komplexního dotazu u Astry můžete u GLM Flash vygenerovat celou knihovnu komponent.

Záhada Xiaomi MiMo V2.6 Pro: Co znamená označení AutoEval?

V našem grafu i v samotném žebříčku si pozorní čtenáři všimnou zvláštního řádku mezi 13. a 14. pozicí: MiMo V2.6 Pro od Xiaomi se skóre 1 628 bodů. Tento řádek postrádá běžné pořadové číslo, jeho sloupec je šrafovaný a nese odznak AutoEval.

Nejde o chybu zobrazení. Arena.ai tímto symbolem označuje modely, jejichž skóre vzniklo automatickým vyhodnocením, tedy takzvaným syntetickým testem prvního dne. Standardní modely v tabulce mají za sebou tisíce až desetitisíce slepých lidských soubojů (například Claude Opus 5 přes 14 tisíc hlasů), MiMo V2.6 Pro měl v době měření pouze 790 hlasů a jeho pozice byla dopočítána evaluační linkou. Do oficiálního pořadí bude tento model pevně zařazen až ve chvíli, kdy projde dostatečným počtem přímých soubojů s lidskými hodnotiteli.

Doporučení pro vývojáře: Jak modely kombinovat v praxi

Výsledky Code Arena jasně ukazují, že univerzální volba pro všechny situace neexistuje. Vítězná strategie v roce 2026 spočívá v chytrém vrstvení modelů:

Pro úvodní architekturu projektu, návrh složité logiky stavu aplikace a finální refaktoring je dnes jasnou jedničkou Claude Opus 5.5. Nabízí nejvyšší spolehlivost a jeho cena 4/20 dolarů je pro klíčové úkoly naprosto obhajitelná. Naopak pro rutinní generování jednotkových testů, drobných UI komponent a převod grafických předloh do HTML se vyplatí přepnout na Qwen3.8-Flash-Next nebo DeepSeek-V4.1-Flash. Firemní rozpočet tak zůstane pod kontrolou, aniž by utrpěla kvalita výsledného webu.