Dana Jandová
Email text (the model got exactly this text)
Od: Dana Jandová <dana.jandova@nemcova.example> Komu: support@hajek-vanek.example Datum: po 1. 9. 2025 v 11:12 Předmět: Re: Kde je naše zásilka? Dobrý den, vážení, píšeme znovu ohledně níže uvedené záležitosti, zatím se nic nestalo. Tohle je naprosto nepřijatelné a velmi nás to rozčiluje. Pokud se to nevyřeší, ukončíme s vámi spolupráci. Děkujeme a zdravíme Dana Jandová Němcová k.s. Dne út 26. 8. 2025 v 13:37 odesílatel support@hajek-vanek.example napsal: > Dobrý den, požadavek evidujeme jako tiket č. 78141, ozveme se co nejdříve. > > Hájek Vaněk k.s. > Dne út 26. 8. 2025 v 9:12 odesílatel Dana Jandová <dana.jandova@nemcova.example> napsal: > > Dobrý den, vážení, > > > > sledování zásilky se už několik dní nehýbe a nevíme, kde se zboží nachází. Jedná se o objednávku č. 25021598. > > > > Děkujeme a zdravíme > > Dana Jandová > > Němcová k.s.
Verdict
Cheapest without an error: Gemma 4 31B at $0.17 per 1,000 documents.
- Claude Sonnet 5 is also error-free but 22.2× more expensive.
- Mistral Small 4 is 1.5× cheaper, but: invented value (Deadline).
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 48 / 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 | Gemini 3.8 Flash9 / 9 fields | GPT-6 Sol9 / 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 | high | high (correct) | high (correct) | high (correct) | high (correct) | high (correct) | high (correct) | high (correct) | high (correct) | high (correct) | high (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 | Dana Jandová | Dana Jandová (correct) | Dana Jandová (correct) | Dana Jandová (correct) | Dana Jandová (correct) | Dana Jandová (correct) | Dana Jandová (correct) | Dana Jandová (correct) | Dana Jandová (correct) | Dana Jandová (correct) | Dana Jandová (correct) |
| Order number | 25021598 | 25021598 (correct) | 25021598 (correct) | 25021598 (correct) | 25021598 (correct) | 25021598 (correct) | 25021598 (correct) | 25021598 (correct) | 25021598 (correct) | 25021598 (correct) | 25021598 (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 | — | 2025-09-08invented value | — (correct) | — (correct) | — (correct) | — (correct) | — (correct) | — (correct) | — (correct) | — (correct) | — (correct) |
| Tokens | input / output | 1,030 / 77 | 1,023 / 66 | 1,117 / 120 | 1,329 / 164 | 1,337 / 476 | 1,011 / 85 | 1,030 / 67 | 1,011 / 564 | 1,117 / 53 | 1,360 / 105 |
| of which hidden reasoning | billed as output | 0 | 0 | 65 | 100 | 388 | 0 | 0 | 479 | 0 | 0 |
| of which from cache | input billed at a discount | 630 | 642 | 0 | 836 | 768 | 0 | 0 | 0 | 0 | 0 |
| Cost of this document | this run | $0.0001 | $0.0002 | $0.0002 | $0.0002 | $0.0003 | $0.0005 | $0.0020 | $0.0029 | $0.0033 | $0.0038 |
| Per 1,000 documents | for the same kind of document | $0.12 | $0.17 | $0.20 | $0.22 | $0.32 | $0.52 | $2.05 | $2.87 | $3.32 | $3.77 |
| Latency | this run | 0.7 s | 7.3 s | 2 s | 3.8 s | 12.9 s | 0.7 s | 0.8 s | 2.5 s | 1.7 s | 1.9 s |