Adam Vaněk
Email text (the model got exactly this text)
Od: Vladislav Valenta <vladislav.valenta@kriz-strnadova.example> Komu: support@kriz-strnadova.example Datum: st 30. 7. 2025 v 10:26 Předmět: Fwd: Storno Ahoj, přeposílám zákaznický e-mail, můžete se na to prosím podívat? Vladislav Valenta ---------- Přeposlaná zpráva --------- Od: Adam Vaněk <adam.vanek@nemec-barta.example> Komu: support@kriz-strnadova.example Datum: st 30. 7. 2025 v 9:58 Předmět: Storno Dobrý den, prosíme o zrušení předplatného k nejbližšímu možnému termínu. Číslo objednávky: OBJ-2025-46457. Jde o fakturu č. 3551/2025. Tohle je naprosto nepřijatelné a velmi nás to rozčiluje. Hezký den Adam Vaněk Němec Bárta s.r.o.
Verdict
Cheapest without an error: GPT-6 Luna at $0.16 per 1,000 documents.
- Claude Sonnet 5 is also error-free but 38.2× more expensive.
- Mistral Small 4 is 1.4× cheaper, but: wrong value (Priority).
Prompt given to every model
Třídíte e-maily zákaznické podpory. Přečtěte si e-mail níže a vraťte pouze JSON s těmito klíči:
category jedna z hodnot: billing (faktury, platby, vyúčtování), delivery (kde je objednávka,
doprava, změna adresy), complaint (poškozené, chybné nebo vadné zboží, reklamace),
technical (přihlášení, chyby aplikace či systému, napojení), cancellation (zrušení
objednávky, výpověď smlouvy či předplatného), sales (poptávka, ceny, zájem před nákupem)
priority jedna z hodnot: urgent, high, normal, low (pravidla níže)
sentiment jedna z hodnot: positive, neutral, negative (tón zákazníka)
customer_name celé jméno zákazníka, který požadavek napsal
order_number číslo objednávky zákazníka, pokud je uvedeno
invoice_number číslo faktury, pokud je uvedeno
amount částka, které se požadavek týká (číslo)
currency kód měny té částky podle ISO 4217 (CZK, EUR, USD, …)
deadline datum, do kdy zákazník chce vyřešení nebo odpověď (YYYY-MM-DD)
Pravidla priority:
- urgent: zákazník teď nemůže pracovat, nebo je termín nejvýše 1 den po datu e-mailu
- high: termín je nejvýše 7 dní po datu e-mailu, nebo zákazník hrozí ukončením spolupráce
či eskalací (právník)
- low: zákazník výslovně píše, že to nespěchá
- normal: vše ostatní
Pravidla:
- Vlákno: hodnoťte nejnovější zprávu; čísla objednávek, faktur a částky mohou pocházet z citovaných
starších zpráv. Přeposlaný e-mail: zákazníkem je původní odesílatel, ne kolega, který ho přeposlal.
- Relativní termíny („do pátku“, „zítra“, „do konce měsíce“) přepočtěte vůči datu zprávy,
která je uvádí.
- Čísla tiketů podpory, IČO, DIČ a telefonní čísla nejsou čísla objednávek ani faktur.
- Pokud hodnota v e-mailu není, vraťte null. Nehádejte.
- Částky jako čísla s desetinnou tečkou, bez oddělovačů tisíců a bez symbolu měny.
How we score
Exact match per field after normalising dates, amounts and whitespace. Missing diacritics count as an error. Cost is the real token spend of this run, converted at the rate shown in the footer.
What each model extracted
| Field | Correct value | Mistral Small 47 / 9 fields | GPT-6 Luna9 / 9 fields | Gemma 4 31B9 / 9 fields | DeepSeek V4.1 Flash9 / 9 fields | Gemini 3.5 Flash Lite8 / 9 fields | Qwen3.8 Flash9 / 9 fields | Mistral Medium 3.58 / 9 fields | Gemini 3.8 Flash9 / 9 fields | GPT-6 Sol9 / 9 fields | Claude Sonnet 59 / 9 fields |
|---|---|---|---|---|---|---|---|---|---|---|---|
| Category | cancellation | cancellation (correct) | cancellation (correct) | cancellation (correct) | cancellation (correct) | cancellation (correct) | cancellation (correct) | cancellation (correct) | cancellation (correct) | cancellation (correct) | cancellation (correct) |
| Priority | normal | highwrong value | normal (correct) | normal (correct) | normal (correct) | highwrong value | normal (correct) | highwrong value | normal (correct) | normal (correct) | normal (correct) |
| Sentiment | negative | negative (correct) | negative (correct) | negative (correct) | negative (correct) | negative (correct) | negative (correct) | negative (correct) | negative (correct) | negative (correct) | negative (correct) |
| Customer name | Adam Vaněk | Adam Vaněk (correct) | Adam Vaněk (correct) | Adam Vaněk (correct) | Adam Vaněk (correct) | Adam Vaněk (correct) | Adam Vaněk (correct) | Adam Vaněk (correct) | Adam Vaněk (correct) | Adam Vaněk (correct) | Adam Vaněk (correct) |
| Order number | OBJ-2025-46457 | OBJ-2025-46457 (correct) | OBJ-2025-46457 (correct) | OBJ-2025-46457 (correct) | OBJ-2025-46457 (correct) | OBJ-2025-46457 (correct) | OBJ-2025-46457 (correct) | OBJ-2025-46457 (correct) | OBJ-2025-46457 (correct) | OBJ-2025-46457 (correct) | OBJ-2025-46457 (correct) |
| Invoice number | 3551/2025 | 3551/2025 (correct) | 3551/2025 (correct) | 3551/2025 (correct) | 3551/2025 (correct) | 3551/2025 (correct) | 3551/2025 (correct) | 3551/2025 (correct) | 3551/2025 (correct) | 3551/2025 (correct) | 3551/2025 (correct) |
| Amount | — | — (correct) | — (correct) | — (correct) | — (correct) | — (correct) | — (correct) | — (correct) | — (correct) | — (correct) | — (correct) |
| Currency | — | — (correct) | — (correct) | — (correct) | — (correct) | — (correct) | — (correct) | — (correct) | — (correct) | — (correct) | — (correct) |
| Deadline | — | 2025-07-31invented value | — (correct) | — (correct) | — (correct) | — (correct) | — (correct) | — (correct) | — (correct) | — (correct) | — (correct) |
| Tokens | input / output | 930 / 91 | 1,018 / 108 | 934 / 80 | 1,229 / 312 | 922 / 99 | 1,238 / 989 | 930 / 81 | 922 / 684 | 1,018 / 131 | 1,239 / 348 |
| of which hidden reasoning | billed as output | 0 | 45 | 0 | 239 | 0 | 889 | 0 | 585 | 68 | 227 |
| of which from cache | input billed at a discount | 630 | 0 | 642 | 836 | 0 | 768 | 0 | 0 | 0 | 0 |
| Cost of this document | this run | $0.0001 | $0.0002 | $0.0002 | $0.0003 | $0.0005 | $0.0005 | $0.0020 | $0.0033 | $0.0033 | $0.0060 |
| Per 1,000 documents | for the same kind of document | $0.11 | $0.16 | $0.16 | $0.30 | $0.52 | $0.55 | $2.00 | $3.26 | $3.35 | $5.96 |
| Latency | this run | 0.9 s | 1.8 s | 2.3 s | 6.5 s | 0.8 s | 22.2 s | 1.1 s | 3 s | 5.9 s | 7.2 s |