Teodor Hruška
Email text (the model got exactly this text)
Od: Teodor Hruška <teodor.hruska@cerna-havel.example> Komu: support@kucera-maresova.example Datum: st 5. 3. 2025 v 12:54 Předmět: Kde je naše zásilka? Dobrý den, vážení, potřebujeme změnit doručovací adresu u naší objednávky, zboží prosíme doručit na naši pobočku. Jedná se o objednávku č. 25053311. S vašimi službami jsme jinak moc spokojeni, vždy jste nám rychle pomohli. Potřebujeme to mít vyřízené do konce měsíce. Děkujeme a zdravíme Teodor Hruška office manager Černá Havel a.s. Teplická 9 718 36 Černovice IČO: 68059015, DIČ: CZ68059015 Tel.: +420 636 219 563 Tento e-mail a jeho přílohy jsou důvěrné a určené pouze adresátovi.
Verdict
Cheapest without an error: Mistral Small 4 at $0.10 per 1,000 documents.
- Claude Sonnet 5 is also error-free but 49.2× more expensive.
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 49 / 9 fields | Gemma 4 31B9 / 9 fields | GPT-6 Luna9 / 9 fields | DeepSeek V4.1 Flash9 / 9 fields | Qwen3.8 Flash9 / 9 fields | Gemini 3.5 Flash Lite9 / 9 fields | Mistral Medium 3.59 / 9 fields | GPT-6 Sol9 / 9 fields | Gemini 3.8 Flash9 / 9 fields | Claude Sonnet 59 / 9 fields |
|---|---|---|---|---|---|---|---|---|---|---|---|
| Category | delivery | delivery (correct) | delivery (correct) | delivery (correct) | delivery (correct) | delivery (correct) | delivery (correct) | delivery (correct) | delivery (correct) | delivery (correct) | delivery (correct) |
| Priority | normal | normal (correct) | normal (correct) | normal (correct) | normal (correct) | normal (correct) | normal (correct) | normal (correct) | normal (correct) | normal (correct) | normal (correct) |
| Sentiment | positive | positive (correct) | positive (correct) | positive (correct) | positive (correct) | positive (correct) | positive (correct) | positive (correct) | positive (correct) | positive (correct) | positive (correct) |
| Customer name | Teodor Hruška | Teodor Hruška (correct) | Teodor Hruška (correct) | Teodor Hruška (correct) | Teodor Hruška (correct) | Teodor Hruška (correct) | Teodor Hruška (correct) | Teodor Hruška (correct) | Teodor Hruška (correct) | Teodor Hruška (correct) | Teodor Hruška (correct) |
| Order number | 25053311 | 25053311 (correct) | 25053311 (correct) | 25053311 (correct) | 25053311 (correct) | 25053311 (correct) | 25053311 (correct) | 25053311 (correct) | 25053311 (correct) | 25053311 (correct) | 25053311 (correct) |
| Invoice number | — | — (correct) | — (correct) | — (correct) | — (correct) | — (correct) | — (correct) | — (correct) | — (correct) | — (correct) | — (correct) |
| Amount | — | — (correct) | — (correct) | — (correct) | — (correct) | — (correct) | — (correct) | — (correct) | — (correct) | — (correct) | — (correct) |
| Currency | — | — (correct) | — (correct) | — (correct) | — (correct) | — (correct) | — (correct) | — (correct) | — (correct) | — (correct) | — (correct) |
| Deadline | 2025-03-31 | 2025-03-31 (correct) | 2025-03-31 (correct) | 2025-03-31 (correct) | 2025-03-31 (correct) | 2025-03-31 (correct) | 2025-03-31 (correct) | 2025-03-31 (correct) | 2025-03-31 (correct) | 2025-03-31 (correct) | 2025-03-31 (correct) |
| Tokens | input / output | 944 / 77 | 928 / 78 | 1,014 / 125 | 1,228 / 289 | 1,232 / 660 | 916 / 98 | 944 / 77 | 1,014 / 86 | 916 / 829 | 1,220 / 262 |
| of which hidden reasoning | billed as output | 0 | 0 | 64 | 233 | 561 | 0 | 0 | 25 | 731 | 148 |
| of which from cache | input billed at a discount | 630 | 642 | 0 | 836 | 768 | 0 | 630 | 0 | 0 | 0 |
| Cost of this document | this run | $0.0001 | $0.0002 | $0.0002 | $0.0003 | $0.0004 | $0.0005 | $0.0020 | $0.0029 | $0.0038 | $0.0051 |
| Per 1,000 documents | for the same kind of document | $0.10 | $0.16 | $0.16 | $0.28 | $0.39 | $0.52 | $1.99 | $2.89 | $3.80 | $5.06 |
| Latency | this run | 0.8 s | 9.9 s | 2.6 s | 4.6 s | 13.2 s | 0.8 s | 0.8 s | 2.8 s | 3.3 s | 4.7 s |