Nadja Wiek
Text e-mailu (model dostal přesně tento text)
Von: Nadja Wiek <nadja.wiek@textor.example> An: support@fischer.example Datum: Do., 27. März 2025, 7:28 Betreff: Zahlung Hallo, die Zahlung wurde zweimal von unserem Konto abgebucht. Bitte prüfen Sie das und erstatten Sie uns den zu viel gezahlten Betrag. Es geht um die Rechnung Nr. R109541. Strittig ist ein Betrag von 381 €. Bitte klären Sie das bis zum 31.03.2025. Viele Grüße Nadja Wiek Textor KGaA
Verdikt
Nejlevnější bez chyby: Gemma 4 31B za 3,32 Kč na 1000 dokladů.
- Gemini 3.8 Flash je také bez chyby, ale 26,1× dražší.
- Mistral Small 4 je 1,7× levnější, ale: špatná hodnota (Nálada).
- GPT-6 Luna je 1× levnější, ale: špatná hodnota (Nálada).
Zadání pro všechny modely
Sie sortieren E-Mails des Kundensupports. Lesen Sie die E-Mail unten und geben Sie nur JSON mit diesen Schlüsseln zurück:
category einer der Werte: billing (Rechnungen, Zahlungen, Abrechnung), delivery (wo ist die Bestellung,
Versand, Adressänderung), complaint (beschädigte, falsche oder defekte Ware, Reklamation),
technical (Anmeldung, Fehler in Anwendung oder System, Schnittstellen), cancellation (Stornierung
einer Bestellung, Kündigung eines Vertrags oder Abonnements), sales (Anfrage, Preise, Interesse vor dem Kauf)
priority einer der Werte: urgent, high, normal, low (Regeln unten)
sentiment einer der Werte: positive, neutral, negative (Ton des Kunden)
customer_name vollständiger Name des Kunden, der die Anfrage geschrieben hat
order_number Bestellnummer des Kunden, falls angegeben
invoice_number Rechnungsnummer, falls angegeben
amount Betrag, um den es in der Anfrage geht (Zahl)
currency Währungscode dieses Betrags nach ISO 4217 (EUR, CZK, USD, …)
deadline Datum, bis zu dem der Kunde eine Lösung oder Antwort wünscht (YYYY-MM-DD)
Regeln für die Priorität:
- urgent: der Kunde kann gerade nicht arbeiten, oder die Frist liegt höchstens 1 Tag nach dem Datum der E-Mail
- high: die Frist liegt höchstens 7 Tage nach dem Datum der E-Mail, oder der Kunde droht mit dem Ende
der Zusammenarbeit oder einer Eskalation (Anwalt)
- low: der Kunde schreibt ausdrücklich, dass es nicht eilt
- normal: alles andere
Regeln:
- Verlauf: bewerten Sie die neueste Nachricht; Bestell- und Rechnungsnummern sowie Beträge können aus
zitierten älteren Nachrichten stammen. Weitergeleitete E-Mail: Kunde ist der ursprüngliche Absender,
nicht der Kollege, der sie weitergeleitet hat.
- Relative Fristen („bis Freitag“, „bis morgen“, „bis Ende des Monats“) rechnen Sie ausgehend vom Datum
der Nachricht um, in der sie stehen.
- Ticketnummern des Supports, Handelsregisternummern, USt-IdNr. und Telefonnummern sind keine
Bestell- oder Rechnungsnummern.
- Steht ein Wert nicht in der E-Mail, geben Sie null zurück. Raten Sie nicht.
- Beträge als Zahlen mit Dezimalpunkt, ohne Tausendertrennzeichen und ohne Währungssymbol.
Jak hodnotíme
Přesná shoda pole po sjednocení formátu data, částek a mezer. Chybějící diakritika se počítá jako chyba. Cena je skutečná útrata za tokeny v tomto běhu, přepočtená kurzem k datu v patičce.
Co z dokladu dostal který model
| Pole | Správná hodnota | Mistral Small 48 / 9 polí | GPT-6 Luna8 / 9 polí | Gemma 4 31B9 / 9 polí | DeepSeek V4.1 Flash8 / 9 polí | Qwen3.8 Flash8 / 9 polí | Gemini 3.5 Flash Lite8 / 9 polí | Mistral Medium 3.58 / 9 polí | GPT-6 Sol9 / 9 polí | Gemini 3.8 Flash9 / 9 polí | Claude Sonnet 58 / 9 polí |
|---|---|---|---|---|---|---|---|---|---|---|---|
| Kategorie | billing | billing (správně) | billing (správně) | billing (správně) | billing (správně) | billing (správně) | billing (správně) | billing (správně) | billing (správně) | billing (správně) | billing (správně) |
| Priorita | high | high (správně) | high (správně) | high (správně) | high (správně) | high (správně) | high (správně) | high (správně) | high (správně) | high (správně) | high (správně) |
| Nálada | neutral | negativešpatná hodnota | negativešpatná hodnota | neutral (správně) | negativešpatná hodnota | negativešpatná hodnota | negativešpatná hodnota | negativešpatná hodnota | neutral (správně) | neutral (správně) | negativešpatná hodnota |
| Jméno zákazníka | Nadja Wiek | Nadja Wiek (správně) | Nadja Wiek (správně) | Nadja Wiek (správně) | Nadja Wiek (správně) | Nadja Wiek (správně) | Nadja Wiek (správně) | Nadja Wiek (správně) | Nadja Wiek (správně) | Nadja Wiek (správně) | Nadja Wiek (správně) |
| Číslo objednávky | — | — (správně) | — (správně) | — (správně) | — (správně) | — (správně) | — (správně) | — (správně) | — (správně) | — (správně) | — (správně) |
| Číslo dokladu | R109541 | R109541 (správně) | R109541 (správně) | R109541 (správně) | R109541 (správně) | R109541 (správně) | R109541 (správně) | R109541 (správně) | R109541 (správně) | R109541 (správně) | R109541 (správně) |
| Částka | 381.00 | 381 (správně) | 381 (správně) | 381.00 (správně) | 381 (správně) | 381 (správně) | 381.00 (správně) | 381 (správně) | 381 (správně) | 381 (správně) | 381 (správně) |
| Měna | EUR | EUR (správně) | EUR (správně) | EUR (správně) | EUR (správně) | EUR (správně) | EUR (správně) | EUR (správně) | EUR (správně) | EUR (správně) | EUR (správně) |
| Termín | 2025-03-31 | 2025-03-31 (správně) | 2025-03-31 (správně) | 2025-03-31 (správně) | 2025-03-31 (správně) | 2025-03-31 (správně) | 2025-03-31 (správně) | 2025-03-31 (správně) | 2025-03-31 (správně) | 2025-03-31 (správně) | 2025-03-31 (správně) |
| Tokeny | vstup / výstup | 730 / 82 | 813 / 115 | 737 / 103 | 1 041 / 167 | 1 030 / 718 | 725 / 102 | 730 / 82 | 813 / 131 | 725 / 861 | 1 282 / 173 |
| z toho skryté přemýšlení | plací se jako výstup | 0 | 54 | 0 | 111 | 616 | 0 | 0 | 70 | 761 | 57 |
| z toho z cache | vstup se slevou | 550 | 0 | 581 | 766 | 768 | 0 | 502 | 0 | 0 | 0 |
| Cena tohoto dokladu | tento běh | 0,0019 Kč | 0,0032 Kč | 0,0033 Kč | 0,0040 Kč | 0,0089 Kč | 0,0109 Kč | 0,0393 Kč | 0,0675 Kč | 0,0868 Kč | 0,0988 Kč |
| Za 1000 dokladů | při stejném typu dokladu | 1,94 Kč | 3,19 Kč | 3,32 Kč | 4,05 Kč | 8,95 Kč | 10,87 Kč | 39,33 Kč | 67,53 Kč | 86,77 Kč | 98,76 Kč |
| Odezva | tento běh | 0,6 s | 2,1 s | 2,1 s | 2 s | 12,8 s | 0,7 s | 0,8 s | 3,7 s | 4,2 s | 3,2 s |