Claude Sonnet 4.5 vs GPT-4o — który model AI pisze lepsze długie teksty?

Pytanie „który model AI pisze lepiej" zaczyna mieć sens dopiero wtedy, gdy dopiszemy do niego trzy rzeczy: jak długi ma być tekst, w jakim języku i czy model ma się trzymać podanych źródeł. Dla narzędzia, które generuje artykuł na 25 000 znaków albo e-booka na 300 000, rozstrzygają parametry, które prawie nigdy nie trafiają do nagłówków porównań typu Claude vs GPT-4.

Ten wpis opisuje, jak to porównanie wyglądało po naszej stronie i dlaczego Smart-Copy.ai pisze na modelach Anthropic. Punktem wyjścia jest zestawienie, które w praktyce przesądziło sprawę: Claude Sonnet 4.5 kontra GPT-4o.

Dwa modele z dwóch różnych epok

Zacznijmy od uczciwego zastrzeżenia: to nie są rówieśnicy. GPT-4o zadebiutował 13 maja 2024 roku, Claude Sonnet 4.5 — 29 września 2025. Szesnaście miesięcy różnicy w tej branży to nie detal. Porównanie ma sens nie jako ranking „kto lepszy", tylko jako pokaz tego, które parametry w ogóle zmieniają jakość długiego tekstu.

Parametr	GPT-4o	Claude Sonnet 4.5
Premiera	13 maja 2024	29 września 2025
Okno kontekstu (wejście)	128 000 tokenów	200 000 tokenów
Maksymalne wyjście w jednej odpowiedzi	16 384 tokeny	64 000 tokenów
Granica wiedzy	październik 2023	styczeń 2025

Jedna uwaga porządkowa, żeby ten tekst nie wprowadzał w błąd za pół roku: Smart-Copy.ai pracuje dziś na Claude Sonnet 5 — milionowe okno kontekstu i do 128 000 tokenów wyjścia. Numer wersji zmienia się co kilka miesięcy. To, co się nie zmienia, to kryteria, według których go wybieramy, i one są tematem tego wpisu.

O długiej formie decyduje limit wyjścia, a nie okno kontekstu

Marketing modeli AI mówi niemal wyłącznie o oknie kontekstu, bo liczba jest duża i dobrze wygląda. Tyle że okno kontekstu to wejście: ile materiału model przeczyta, zanim zacznie pisać. O długim tekście decyduje drugi limit, znacznie rzadziej podawany — maksymalna liczba tokenów w jednej odpowiedzi.

Różnica między 16 384 a 64 000 tokenami to nie jest różnica ilościowa. To różnica między „napiszę ten artykuł" a „napiszę fragment i będziesz mnie prosił o ciąg dalszy". Każde takie doproszenie kosztuje spójność:

• Model powtarza tezy, bo nie widzi wyraźnie, co już napisał w poprzednim wywołaniu, albo widzi to jako cudzy tekst do streszczenia.
• Zmienia rejestr w połowie — druga część bywa bardziej ogólnikowa niż pierwsza, bo model traci kontakt z konkretem z briefu.
• Rozjeżdża się struktura nagłówków, bo plan artykułu odtwarzany jest z pamięci, a nie trzymany jako stały punkt odniesienia. Dlaczego to boli w SEO, opisaliśmy w tekście o strukturze artykułu SEO.

W polszczyźnie ten limit uwiera mocniej niż w angielskim. Tokenizery dużych modeli są trenowane głównie na tekstach angielskich, więc polskie słowa — z fleksją, ogonkami i długimi formami odmienionymi — rozpadają się na więcej tokenów niż ich angielskie odpowiedniki. Ten sam limit wyjścia oznacza więc po polsku krótszy tekst.

Benchmarki: co pokazują, a czego nie pokazują

Claude Sonnet 4.5 w momencie premiery miał mocne wyniki: 77,2% na SWE-bench Verified (średnia z 10 przebiegów, bez dodatkowych obliczeń w czasie testu; 82,0% przy zrównoleglonym test-time compute), 61,4% na OSWorld, 86,0% na MMLU-Pro i 83,4% na GPQA Diamond.

Warto jednak zobaczyć, czego te liczby dotyczą. SWE-bench to naprawianie realnych zgłoszeń w repozytoriach kodu. OSWorld to obsługa komputera. MMLU-Pro i GPQA to testy wielokrotnego wyboru z wiedzy eksperckiej. Żaden z nich nie mierzy, czy model napisze dobry polski artykuł na 25 000 znaków. Korelują z ogólną „siłą" modelu, ale przekładanie ich wprost na jakość copywritingu jest nadużyciem.

Podobnie ostrożnie trzeba podchodzić do popularnej tezy, że „Claude halucynuje mniej". Na starszej edycji rankingu halucynacji Vectary (HHEM), który mierzy, jak często streszczenie zawiera twierdzenia niepotwierdzone w streszczanym dokumencie, GPT-4o wypadł lepiej niż Claude 3.5 Sonnet — 1,5% wobec 4,6%. Na benchmarku FaithBench kolejność była podobna. Jeśli ktoś sprzedaje Ci prosty wniosek „model X halucynuje mniej", zapytaj, na czym mierzony i w którym roku.

W narzędziu z researchem halucynacja to inny problem

Kluczowa różnica: powyższe benchmarki mierzą wierność wobec jednego podanego dokumentu. Smart-Copy.ai działa inaczej — najpierw zbiera materiał (wyszukiwanie, pobieranie stron, analiza), dopiero potem pisze, a wykorzystane źródła pokazuje przy tekście. Do jednego zlecenia można dorzucić własne adresy URL, a w trybie akademickim research celuje w publikacje naukowe.

Przy takiej architekturze ryzyko nie polega na tym, że model wymyśli fakt z niczego. Polega na tym, że wyjdzie poza materiał: doklei zdanie, które brzmi jak z artykułu, ale nie ma pokrycia w żadnym z pobranych źródeł. To zdolność do trzymania się dostarczonego kontekstu przez kilkadziesiąt tysięcy znaków — i to ją testowaliśmy, a nie abstrakcyjny „wskaźnik halucynacji". Ten sam mechanizm stoi za generowaniem raportów z własnych plików, gdzie każde odstępstwo od danych jest natychmiast widoczne.

Polszczyzna, czyli czego nie powie żaden ranking

Dla polskiego rynku istnieje Open PL LLM Leaderboard prowadzony przez SpeakLeash — zestaw kilkudziesięciu zadań: PolEmo2 (analiza sentymentu), Belebele i PoQuAD (rozumienie tekstu), PolQA, KLEJ NER, PolEval. To wartościowa robota, ale trzeba wiedzieć, co mierzy: rozumienie polszczyzny, głównie w zadaniach zamkniętych. Nie mierzy, czy model napisze po polsku tekst, którego nie trzeba przepisywać.

Dlatego wyboru nie dało się rozstrzygnąć cudzym benchmarkiem. Nasz zestaw kontrolny sprawdza rzeczy, które w praktyce decydują o tym, ile pracy zostaje redaktorowi:

1. Odmiana nazw własnych i liczebników — „w Smart-Copy.ai" kontra „w Smart-Copy.ai-u", zapis dat i zakresów liczbowych.
2. Kalki składniowe z angielskiego — nadużywanie strony biernej, „to jest coś, co…", szyk przydawki.
3. Wata marketingowa — czy model sam z siebie produkuje „w dzisiejszym dynamicznym świecie", nawet gdy brief tego zabrania.
4. Trzymanie rejestru — czy tekst techniczny zostaje techniczny do ostatniego akapitu.
5. Interpunkcja — polskie zasady przecinków przed „że", „który", a nie angielskie.

Praktyczna konsekwencja: nawet najlepszy model wymaga przejrzenia. Listę kontrolną opisaliśmy w poradniku jak edytować tekst wygenerowany przez AI.

Duże okno kontekstu nie oznacza dobrej długiej formy

Jest jeszcze powód, dla którego nie wrzucamy całego materiału do jednego promptu, choćby okno na to pozwalało. Praca „Lost in the Middle" (Liu i in., TACL 2024) pokazała, że modele najlepiej korzystają z informacji umieszczonych na początku i na końcu kontekstu, a skuteczność potrafi spaść o ponad 30%, gdy potrzebny fragment trafi na środek. Wykres tworzy charakterystyczną literę U i dotyczy to zarówno streszczania, jak i odpowiadania na pytania z długich dokumentów.

Dlatego długi tekst powstaje etapami: research, plan artykułu (który można zatwierdzić przed pisaniem), potem sekcje pisane z przypisanym do nich materiałem źródłowym. Model dostaje w każdym momencie kontekst, w którym istotne rzeczy są blisko krawędzi, a nie zakopane w środku. Jak to wygląda od strony fraz kluczowych i linkowania, opisaliśmy w tekście o optymalizacji SEO w Smart-Copy.ai.

Jak sprawdzić to u siebie

Jeśli sam wybierasz najlepszy model AI do pisania, nie sugeruj się rankingiem ogólnym. Zrób test na własnym materiale:

1. Weź jeden brief i ten sam zestaw źródeł. Bez tego porównujesz szum.
2. Zamów najdłuższy tekst, jakiego realnie potrzebujesz, i policz, ile znaków model dał w jednym przebiegu, bez proszenia o kontynuację.
3. Policz twierdzenia bez pokrycia w źródłach. Nie „czy brzmi wiarygodnie", tylko czy da się wskazać zdanie w materiale.
4. Zaznacz powtórzone tezy. W tekstach z doklejanych fragmentów jest ich zwykle kilka.
5. Policz, ile zdań musiałeś przepisać z powodu polszczyzny, a nie z powodu treści.

Punkty 2 i 5 rozstrzygają szybciej niż jakikolwiek benchmark. Jeśli zastanawiasz się też, gdzie przebiega granica opłacalności między AI a człowiekiem, mamy na to osobną ramę decyzyjną.

Wybór modelu nie jest wieczny — i dobrze

Sonnet 4.5 był w momencie premiery wyraźnie mocniejszy od GPT-4o w tym, co dla nas najważniejsze: długość jednego przebiegu, trzymanie się dostarczonych źródeł i jakość polszczyzny bez przepisywania. Rok później na produkcji stoi już Sonnet 5, a GPT-4o dawno doczekał się następców.

Dlatego wybraliśmy nie „model", tylko procedurę: stały zestaw regresyjny briefów po polsku i angielsku, ten sam materiał źródłowy, te same kryteria oceny. Każdy kandydat na zmianę silnika przechodzi ten zestaw, zanim trafi na produkcję. Zmiana modelu, która poprawia wynik na SWE-bench, a psuje polską interpunkcję w tekście na 30 000 znaków, jest dla nas regresją — niezależnie od tego, co pokazuje ranking.