Lokální AI coding agenti: Tetris test ukazuje, kde je dnešní strop

Jirka Herník 16. května 2026 udělal přesně ten typ testu, který je pro AI praxi užitečnější než další tabulka benchmarků: vzal šest lokálních modelů, jednu cloudovou baseline a všem dal stejné zadání. Napiš Tetris jako jeden HTML soubor.

Běželo to na běžně dosažitelném, ale pořád silném domácím stroji: Ryzen 9 5950X, RTX 3070 s 8 GB VRAM, 128 GB RAM a LM Studio jako lokální server. Do toho opencode jako coding agent, Playwright MCP pro kontrolu v prohlížeči a cloudová GPT-5.5 přes OpenRouter jako referenční výsledek.

Proč je to dobrý test

Tetris není enterprise aplikace, ale je lepší test než „vypiš mi TODO appku.“ Model musí držet stav hry, rotace, kolize, vykreslování, časování, vstup z klávesnice a chyby v JavaScriptu. Když má výstup běžet jako jeden HTML soubor, není moc kam schovat rozbitou architekturu.

Co dopadlo špatně

Nejmenší modely narazily rychle. Nemotron 3 Nano 4B podle videa vrátil Pythonovskou syntaxi uvnitř JavaScriptu a skončil na 0/11. Qwen 9B Q4 spadl na SyntaxError a také skončil na 0/11.

To není ostuda těch modelů. Je to připomínka, že „lokální AI“ není jedna kategorie. Model, který dobře odpovídá v chatu nebo zvládne jednoduchou extrakci, ještě nemusí být použitelný jako coding agent, který má vytvořit funkční interaktivní aplikaci.

Kde už lokální model začíná dávat smysl

Zajímavější je prostředek. Gemma 4 E4B skončila na 3/11 a Gemma 4 E2B na 5/11, i když u ní byla aktivní kostka neviditelná. To zní komicky, ale pro praxi je to důležité: lokální model se už může hodit na návrhy, dílčí úpravy, refaktoring jednoduchých částí, vysvětlení kódu nebo první draft.

Skutečně zajímavý výsledek byl gpt-oss 20B. Ten podle testu zvládl 9/11 a hra byla opravdu hratelná. To je hranice, kde už lokální model není jen hračka. Pořád bych ho nepustil bez kontroly na produkční kód, ale jako levný pracovní model pro první iteraci začíná dávat smysl.

Proč cloudová baseline pořád vyhrála

GPT-5.5 přes OpenRouter zvládla 11/11: ghost piece, 7-bag randomizer i wall-kick rotace. To je přesně rozdíl mezi „nějak to běží“ a „rozumí tomu jako malé aplikaci.“

Z toho plyne praktické pravidlo: lokální model může být levná první vrstva, ale těžké případy, finální review a složitější architektura pořád patří silnějšímu modelu. Ne proto, že cloud je magický. Protože schopnost udržet více pravidel a edge casů najednou je u coding agenta zásadní.

Jak bych to použil ve workflow

Lokální model bych dnes použil takhle:

• jednoduché generování boilerplate,
• vysvětlení cizího kódu,
• první návrh malé funkce,
• rychlé refaktoringy bez citlivých dat,
• předzpracování úloh před dražším modelem.

Silnější model nebo cloudovou baseline bych nechal na:

• návrh architektury,
• složité opravy,
• testy a edge cases,
• finální review,
• rozhodnutí, kde chyba stojí víc než tokeny.

Závěr

Tenhle test není o tom, že lokální AI prohrála. Spíš ukazuje, že lokální AI konečně začíná být praktická, jen se musí správně zařadit do workflow.

RTX 3070 s 8 GB VRAM ještě není náhrada frontier modelu. Ale už je to dost na to, aby lokální agent udělal první kus práce, levně a bez posílání všeho do cloudu. Produkční hodnota ale nevzniká tím, že jeden model zvládne Tetris. Vzniká tím, že máte router, testy, fallback a člověka, který pozná rozdíl mezi hratelným demem a spolehlivým softwarem.

---

Zdroje: Jirka Herník: Tetris od 6 lokálních AI, LM Studio, opencode, Playwright MCP, OpenRouter, OpenAI: gpt-oss, Google Gemma, Qwen, NVIDIA Nemotron.