{"id":21286,"date":"2026-10-09T21:00:00","date_gmt":"2026-10-09T19:00:00","guid":{"rendered":"https:\/\/www.lukaswojcik.com\/blog\/?p=21286"},"modified":"2026-10-05T16:49:58","modified_gmt":"2026-10-05T14:49:58","slug":"freie-llm-modelle-de-en-pl-pl","status":"publish","type":"post","link":"https:\/\/www.lukaswojcik.com\/blog\/pl\/cloud-ai-pl\/freie-llm-modelle-de-en-pl-pl\/","title":{"rendered":"Por\u00f3wnanie dost\u0119pnych modeli LLM: Qwen, Gemma, Ministral, Llama i DeepSeek w DE, EN i PL"},"content":{"rendered":"

Dost\u0119pny model j\u0119zykowy staje si\u0119 u\u017cytecznym rozwi\u0105zaniem lokalnym dopiero po dopasowaniu zadania, j\u0119zyka i sprz\u0119tu. Wysoki og\u00f3lny wynik benchmarku nie okre\u015bla jako\u015bci polszczyzny ani pami\u0119ci dla konkretnej kwantyzacji. Por\u00f3wnanie potrzebuje wi\u0119c kilku osi zamiast jednej listy najlepszych modeli.<\/p>\n

Zestaw obejmuje udokumentowane rodziny i konkretne kandydatury. Nie przedstawia w\u0142asnego benchmarku jako\u015bci. Dost\u0119p do pobrania, licencja i wymagania wykonania s\u0105 oceniane osobno.<\/p>\n

\"Pi\u0119\u0107
Osobna ocena dokumentacji i w\u0142asnego testu jako\u015bci.<\/figcaption><\/figure>\n

Klasy kandydat\u00f3w<\/h2>\n\n\n\n\n\n\n\n\n\n
Kandydat<\/th>\nSensowne por\u00f3wnanie<\/th>\nSzczeg\u00f3lna kontrola<\/th>\n<\/tr>\n<\/thead>\n
Qwen3.5-9B<\/td>\nMa\u0142y asystent og\u00f3lny<\/td>\nArchitektura hybrydowa i backend<\/td>\n<\/tr>\n
Gemma 4 Instruct<\/td>\nOdpowiednia klasa wielko\u015bci i multimodalno\u015b\u0107<\/td>\nKonkretna wersja zamiast rodziny<\/td>\n<\/tr>\n
Ministral 3 8B\/14B<\/td>\nCzat lokalny i wynik strukturalny<\/td>\nPrecyzja artefaktu i test j\u0119zyka<\/td>\n<\/tr>\n
Llama 3.3 70B Instruct<\/td>\nWi\u0119kszy model referencyjny<\/td>\nWagi, kontekst i licencja<\/td>\n<\/tr>\n
DeepSeek-R1-Distill<\/td>\nRozumowanie w odpowiedniej klasie<\/td>\nModel bazowy i d\u0142ugo\u015b\u0107 wyniku<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n

Dost\u0119pno\u015b\u0107 nie opisuje wszystkiego<\/h2>\n

Wagi dost\u0119pne do pobrania mog\u0105 nadal podlega\u0107 szczeg\u00f3lnym warunkom u\u017cycia. Znaczenie maj\u0105 konkretna karta modelu i do\u0142\u0105czona licencja. Wersje pochodne mog\u0105 dziedziczy\u0107 warunki modelu bazowego. Sama nazwa repozytorium nie rozstrzyga tej oceny.<\/p>\n

Qwen3.5-9B i wybrany wpis Ministral 3 14B Instruct wskazuj\u0105 Apache 2.0. Nie oznacza to takiej samej licencji dla innych rodzin i starszych generacji. Wersje bazowe, Instruct i Reasoning r\u00f3\u017cni\u0105 si\u0119 tak\u017ce mimo podobnych nazw.<\/p>\n

DE, EN i PL wymagaj\u0105 osobnych wynik\u00f3w<\/h2>\n

Przydatny zestaw zada\u0144 obejmuje streszczenie, korekt\u0119 tekstu, ekstrakcj\u0119 JSON, analiz\u0119 kodu i odpowiedzi oparte na dostarczonym dokumencie. R\u00f3wnowa\u017cna tre\u015b\u0107 powinna by\u0107 naturalnie sformu\u0142owana w trzech j\u0119zykach. Ocena zlicza b\u0142\u0119dy rzeczowe, pomini\u0119cia, naruszenia formatu i nieuzasadnione dodatki.<\/p>\n

Przet\u0142umaczony benchmark angielski nie zast\u0119puje oceny polszczyzny. Lista obs\u0142ugiwanych j\u0119zyk\u00f3w od producenta r\u00f3wnie\u017c nie potwierdza jednakowej jako\u015bci. Nazwy w\u0142asne, fleksja i neutralny styl mog\u0105 ujawnia\u0107 odr\u0119bne b\u0142\u0119dy. Osobne kolumny wynik\u00f3w zachowuj\u0105 te r\u00f3\u017cnice.<\/p>\n

Osobne por\u00f3wnanie klasy i bud\u017cetu pami\u0119ci<\/h2>\n

Pierwsza grupa utrzymuje podobn\u0105 klas\u0119 modelu. Druga zachowuje ten sam dost\u0119pny bud\u017cet pami\u0119ci. Takie podej\u015bcie pozwala por\u00f3wna\u0107 mniejszy model z wy\u017csz\u0105 precyzj\u0105 z wi\u0119kszym modelem po silniejszej kwantyzacji dla konkretnego zadania.<\/p>\n

Aktywne parametry opisuj\u0105 tylko cz\u0119\u015b\u0107 wymaga\u0144 modelu MoE. Dla pojemno\u015bci nadal istotne s\u0105 wszystkie wagi. Llama 4 Scout i du\u017ce aktualne modele DeepSeek nie staj\u0105 si\u0119 ma\u0142ymi modelami komputerowymi wy\u0142\u0105cznie dzi\u0119ki ni\u017cszej liczbie aktywnych parametr\u00f3w. Przenoszenie cz\u0119\u015bci danych poza GPU dodatkowo zmienia czas odpowiedzi.<\/p>\n

Powtarzalna kr\u00f3tka lista<\/h2>\n

Ka\u017cdy wynik wymaga identyfikatora modelu, rewizji, kwantyzacji, \u015brodowiska, kontekstu, szablonu czatu i pr\u00f3bkowania. Wyniki rozumowania potrzebuj\u0105 tak\u017ce zapisanego limitu generowania. Inaczej por\u00f3wnanie czasu mo\u017ce mierzy\u0107 wy\u0142\u0105cznie d\u0142u\u017csze odpowiedzi. Obrazy wymagaj\u0105 osobnego testu.<\/p>\n

Istniej\u0105cy kalkulator pami\u0119ci pomaga we wst\u0119pnym wyborze. Nast\u0119pnie potrzebny jest ma\u0142y test lokalny ze sprawdzalnymi oczekiwanymi odpowiedziami. Dopiero wtedy powstaje uzasadniona lista dla niemieckiego, angielskiego lub polskiego. Uniwersalny ranking wszystkich dost\u0119pnych modeli by\u0142by zbyt og\u00f3lny.<\/p>\n

Planowanie pami\u0119ci przy wyborze modelu: kalkulator VRAM dla LLM.<\/a><\/p>\n

\n

Powi\u0105zane narz\u0119dzia<\/h2>\n