Ha az foglalkoztat, hogy melyik AI tud a legjobban magyarul 2026-ban — ChatGPT, Claude vagy Gemini —, van egy kellemetlen, de fontos válasz: jelenleg nincs egyetlen szisztematikus, friss, magyar nyelvminőségre fókuszáló teszt sem a hazai, sem a nemzetközi piacon. Ez önmagában is hír, mert épp ezt várná el az ember egy magyar felhasználótól.

Ebben a cikkben őszintén összeszedjük, mit tudunk ma tényszerűen a nagy nyelvi modellek magyar teljesítményéről, miért olyan nehéz ez a nyelv az AI-nak, és mikorra várható végre egy hiteles, mérhető összehasonlítás. Konkrét pontszámokat nem találunk ki — inkább megmutatjuk, hol tart valójában a piac.

Melyik AI tud a legjobban magyarul? Erre nincs még hiteles válasz

A legfontosabb megállapítás, hogy nincs olyan aktuális, 2026-os, kvantitatív „ChatGPT vs Claude vs Gemini magyar nyelvi teszt”, amely a mai modellekkel közvetlen, számokkal alátámasztott összehasonlítást adna. Sem magyar médiában, sem nemzetközi benchmarkon nem futott ilyen mérés.

Ez nem apró részlet. Miközben a magyar felhasználók naponta használják ezeket az eszközöket levélíráshoz, fordításhoz és helyesírás-javításhoz, gyakorlatilag vakon választanak: nincs kéznél megbízható, friss adat arról, melyik modell birkózik meg legjobban a magyar nyelvtannal.

A piac hiánpótló jellegét egy meglepő szereplő is megerősíti: maga az Európai Bizottság. A hivatalos EU-s álláspont szerint egy modell jól szerepelhet angolul, miközben jelentősen alulteljesít más nyelveken — köztük magyarul.

Az EU is elismeri: a magyar nyelvet külön mérni kell

Az Európai Bizottság Fordítási Főigazgatósága (DG Translation) 2026. július 22-én kiadta az EU MMLU nevű benchmarkot, amely kifejezetten 16 EU-s nyelvet — köztük a magyart — tesztel. A projekt indoklása szó szerint kimondja a problémát.

„Egy modell jól teljesíthet angolul, miközben jelentősen alulteljesít franciául, magyarul vagy máltaiul.” — Európai Bizottság, DG Translation

A benchmark módszertana komoly: 250 hallgató-fordító 21 egyetemről, több mint 1000 kérdés, és ami döntő, emberi — nem gépi — fordítással. Ez épp azt a hibát kerüli el, ami a legtöbb „többnyelvű” tesztet aláássa: hogy a kérdéseket gépi fordítás torzítja el.

Fontos árnyalat: ebből a forrásból egyelőre nem publikusak a modellenkénti pontszámok — a bejelentés magáról a benchmark létrehozásáról szól. Vagyis a keret elkészült, de a konkrét „melyik modell hány pontot ért el magyarul” eredmény még várat magára.

Mit tudunk a meglévő, de nem szisztematikus tesztekből?

Van néhány magyar nyelvű próbálkozás, de mindegyiknek megvan a maga korlátja. A Qubit AI Híradó 2026 januárjában öt gyakorlati feladaton tesztelte a ChatGPT 5.2 Thinking, a Gemini 3 Pro, a Claude Sonnet 4.5 és a Grok 4.1 Thinking modelleket, ebből egy kifejezetten magyar nyelvű tudományos illusztráció-generálás volt.

Az eredmény tanulságos: a beszámoló szerint a ChatGPT több feladatban is alulteljesített, a Gemini pedig épp egy olyan feladatnál nem válaszolt, ahol papírformán a legjobbnak kellett volna lennie. A konkrét, részletes eredmények viszont csak videóban hangzottak el, írásos pontszám nélkül — így ez inkább iránymutató, mint mérőszám.

A második adatpont történeti jellegű, de konkrét. Egy magyar hivatásos korrektor 2024 augusztusában szisztematikusan tesztelte a ChatGPT magyar helyesírás-javítását: egy 20 hibát tartalmazó szövegből a modell csak 8-at talált meg, 10-et figyelmen kívül hagyott, és 1 új hibát vitt be.

„A hibák felét nem találta meg, ezért nem ajánlható helyesírás-ellenőrzésre.” — magyar hivatásos korrektor a ChatGPT 2024-es tesztjéről

Ezt a megállapítást azonban óvatosan kell kezelni: a teszt a ChatGPT egy 2024-es verziójával készült, nem a mai modellekkel, és nem hasonlította össze Claude-dal vagy Geminivel. Történeti kontextusnak kiváló, de „így teljesít a mai ChatGPT” állításként félrevezető lenne.

Miért nehéz a magyar nyelv az AI-nak?

Nem véletlen, hogy a magyar rendre a nehéz kategóriába kerül. Az ELTE kutatói (a Racka projekt keretében, arXiv-cikkben) rámutatnak, hogy a magyar egy közepes erőforrású, agglutináló — vagyis erősen ragozó — finnugor nyelv, amelynek nyelvtani szerkezetével a modellek küzdenek.

„Ez különösen igaz a nyílt forráskódú modellekre, amelyek láthatóan küzdenek a magyar nyelvtannal.” — ELTE-kutatók, Racka-tanulmány

A ragozás lényege, hogy egyetlen szótő rengeteg alakot vehet fel, és a jelentés jelentős része toldalékokban ül. Egy angolra optimalizált modellnek ez sokkal nagyobb kihívás, mint egy izoláló nyelv, ahol a szavak alakja alig változik.

Épp ezért indult el egy egész hazai ökoszisztéma a probléma orvoslására: a PULI, az OTP Bank 1,5B és 13B paraméteres modelljei, a SambaLingo-Hungarian, az OpenEuroLLM+Gemma, az EuroLLM, a Salamandra és maga a Racka mind arra épül, hogy az általános, nemzetközi modellek gyengébb magyar teljesítményét javítsa.

A nemzetközi benchmarkok kihagyják a magyart

Elméletileg segíthetnének a nagy többnyelvűségi rangsorok — a gyakorlatban azonban rendre kihagyják az olyan nyelveket, mint a magyar. A BenchLM.ai 2026 augusztusi többnyelvűségi listáján (MGSM és MMLU-ProX alapján) a Claude Opus 4.5 a második helyen áll 82,9%-kal, a Qwen3.7 Max mögött.

A lap minőségi ajánlásai is beszédesek: nem angol nyelvű éles használatra a Claude Mythos Preview, több nyelven szakmai tudáshoz a GPT-5.4, nem angol matematikai következtetéshez a Claude Opus 4.6, kis költségvetésű többnyelvű feladatokra pedig a Gemini 3.1 Pro az ajánlott. Ezek azonban általános, nem magyar-specifikus jelzések.

A döntő korlátozást maga a forrás mondja ki: „az alacsony erőforrású nyelvek teszteletlenek maradnak.” Vagyis a magyar egyszerűen nincs benne ezekben a rangsorokban — a jó helyezés angolul vagy franciául semmit sem garantál a magyar nyelvminőségről.

Mit válassz ma, ha magyarul dolgozol az AI-jal?

Mivel hiteles magyar benchmark még nincs, a választás egyelőre gyakorlati tapasztalaton múlik, nem pontszámon. Az általános többnyelvűségi adatok és a magyar felhasználói visszajelzések alapján a frontier zárt modellek — a ChatGPT, a Claude és a Gemini legerősebb verziói — jellemzően jobban boldogulnak magyarul, mint a kisebb, nyílt modellek, épp azért, mert több adaton és nagyobb kapacitással tanultak.

Ez viszont nem jelenti azt, hogy bármelyik hibátlan lenne magyarul. A 2024-es korrektor-teszt tanulsága ma is érvényes elvként: kritikus, publikálandó magyar szövegnél az AI kimenetét mindig érdemes emberrel átnézetni, különösen helyesírás és stílus szempontjából.

Öt döntéshozói következtetés, ha magyar nyelvű munkafolyamatot építesz AI-ra:

1. Ne higgy a „legjobb modell” címkéknek: egy angol vagy általános többnyelvű rangsor top helyezése semmit nem mond a magyar teljesítményről.
2. Tesztelj a saját feladataidon: a te szövegtípusaid — jogi, marketing, ügyfélszolgálati — a releváns próba, nem egy külső benchmark.
3. Tarts meg egy emberi ellenőrzési lépést: magyar helyesírásra és stílusra a modell önmagában még nem elég megbízható.
4. Számíts a nyílt modellek gyengeségére: ha adatvédelmi okból helyben futtatnál modellt, a magyar nyelvtan itt még nagyobb kompromisszum.
5. Kövesd az EU MMLU eredményeit: ez lesz az első hivatalos, összehasonlítható forrás a magyar nyelvminőségről.

Melyik modellről beszélünk 2026 közepén?

A választás azért is nehéz, mert a modellkínálat folyamatosan mozog. 2026 nyarán az egyes cégek legerősebb, széles körben elérhető modelljei nagyjából így néznek ki: az OpenAI oldalán a GPT-5.6 Sol, az Anthropicnál a Claude Fable 5 (a korlátozott hozzáférésű Mythos 5 mellett), a Google-nél pedig a Gemini 3.5 Flash és a Gemini 3.1 Pro.

Ezek a nevek gyorsan avulnak, és a nyilvános rangsorok jó része harmadik féltől származik, nem hivatalos labor-közleményből. Épp ezért érdemes óvatosan bánni minden olyan állítással, amely egy adott hónap „legjobb magyar modelljét” kiáltja ki — a lista jövő hónapra átrendeződhet.

A lényeg tehát nem a konkrét verziószám, hanem a kategória: a nagy, zárt frontier modellek jellemzően stabilabb magyar teljesítményt adnak, mint a kisebb vagy nyílt alternatívák. De még köztük sincs ma olyan, amelyikről bizonyítottan kijelenthető, hogy a legjobban tud magyarul.

Miért nincs még rendes magyar nyelvi benchmark?

A hiány oka részben gazdasági, részben módszertani. A magyar egy közepes erőforrású nyelv: elég nagy piac ahhoz, hogy a modellek valamennyire tudják, de túl kicsi ahhoz, hogy a nagy nemzetközi benchmarkok prioritásként kezeljék. Így a legtöbb „többnyelvű” teszt megáll a nagy nyelveknél.

A másik probléma a mérés minősége. Egy hiteles magyar teszthez emberi, anyanyelvi fordítás és értékelés kell — pontosan az, amit az EU MMLU 250 hallgató-fordítóval old meg. Gépi fordítással készült kérdéssoron ugyanis maga a teszt is hibás lenne, és értelmetlen eredményt adna.

Ez egyben magyarázza, miért olyan értékes, hogy végre egy hivatalos EU-s intézmény vette kézbe az ügyet. A magyar nyelvminőség mérése eddig lelkes egyéni próbálkozásokon múlott — az EU MMLU az első kísérlet arra, hogy ez rendszerszintű, ismételhető és összehasonlítható legyen.

Mikorra lesz végre rendes magyar teszt?

A jó hír, hogy a helyzet változóban van. Az EU MMLU épp azért készült, hogy pótolja ezt a hiányt, és a DG Translation ambíciója sem szerény: céljuk egy új európai sztenderd megteremtése a többnyelvű AI-értékelésben. Amint a modellenkénti magyar pontszámok nyilvánosak lesznek, először lesz kézzelfogható, hiteles válaszunk a kérdésre.

Addig viszont érdemes gyanakvással kezelni minden olyan állítást, amely konkrét szám nélkül jelenti ki, hogy „ez a modell tud a legjobban magyarul”. A tényanyag jelenleg épp azt mondja, hogy a kérdés még nyitott — és aki mást állít, az forrás nélkül teszi.

Kapcsolódó elemzésünkben részletesen összevetjük a nagy modelleket: ChatGPT vs Claude vs Gemini: melyik a legjobb 2026-ban? és Melyik AI előfizetés éri meg 2026-ban? Az EU MMLU benchmarkról a Európai Bizottság hivatalos oldalán olvashatsz. További modell-összehasonlításokért iratkozz fel az AI Hírek hírlevelére.