W skrócie
- LLM, czyli duży model językowy, układa odpowiedź z tokenów; czołowe modele OpenAI, Anthropic i Google mieszczą w jednej rozmowie około miliona tokenów.
- Ceny API różnią się stukrotnie: od 0,10 USD (Claude Haiku 5.5, GPT-6 Luna) do 10 USD (GPT-6 Astra, Claude Fable 5.1) za milion tokenów wejścia.
- Polskie modele Bielik i PLLuM mają otwarte licencje i działają na własnym serwerze; 22 października 2026 Ministerstwo Cyfryzacji poinformowało o liście intencyjnym z powiatem płockim, gdzie PLLuM ma być testowany w urzędzie.
Stan na 28 października 2026
Czym jest LLM, czyli duży model językowy?
LLM to program, który nauczył się języka na ogromnej ilości tekstu i dzięki temu pisze, streszcza, tłumaczy, analizuje dane i programuje. To silnik, na którym działają ChatGPT, Claude, Gemini i Microsoft Copilot.
Definicja
LLM (ang. large language model, duży model językowy) to model sztucznej inteligencji wytrenowany na bardzo dużych zbiorach tekstu, który na podstawie polecenia przewiduje kolejne fragmenty tekstu. Dzięki temu potrafi prowadzić rozmowę, odpowiadać na pytania i wykonywać zadania opisane zwykłym językiem.
Warto odróżnić model od aplikacji. ChatGPT, Claude czy Gemini to aplikacje, a w środku pracują konkretne modele, na przykład GPT-6 Astra, Claude Opus 5.5 albo Gemini 4 Argon. Jedna aplikacja korzysta z kilku modeli, a ten sam model bywa dostępny w wielu miejscach: Claude Haiku 5.5 działa w API Anthropic, ale też na AWS, Google Cloud i Microsoft Azure.
„Modele AI” to pojęcie szersze niż LLM. Obejmuje też modele, które tworzą obrazy, wideo, muzykę albo całe interaktywne światy, jak opisywany przez nas Genie 4 od Google DeepMind. Najnowsze LLM-y czytają już nie tylko tekst, lecz także zdjęcia i pliki PDF, ale odpowiadają głównie tekstem.
Uwaga na skrót: LLM oznacza też prawniczy tytuł Master of Laws. Ten przewodnik dotyczy wyłącznie modeli językowych.
Najważniejsze modele AI w październiku 2026
Rynek dzieli się na dwie grupy. Zamknięte modele trzech amerykańskich firm (OpenAI, Anthropic, Google) prowadzą w najtrudniejszych zadaniach. Obok nich rośnie grupa modeli z otwartymi wagami: francuski Mistral, chińskie DeepSeek i Qwen oraz polskie Bielik i PLLuM.
| Model | Twórca | Dostęp | Cena API za 1 mln tokenów (wejście / wyjście) |
|---|---|---|---|
| GPT-6 Astra | OpenAI (USA) | Zamknięty: ChatGPT, API | 10 / 50 USD |
| GPT-6.1 Sol | OpenAI | Zamknięty: ChatGPT Work, Codex, API | 2 / 10 USD |
| GPT-6.1 Terra | OpenAI | Zamknięty: ChatGPT Work, Codex, API | 1 / 5 USD |
| GPT-6 Luna | OpenAI | Zamknięty: ChatGPT (Free, Go), API | 0,10 / 0,50 USD |
| Claude Fable 5.1 | Anthropic (USA) | Zamknięty: Claude, API | 10 / 50 USD |
| Claude Opus 5.5 | Anthropic | Zamknięty: Claude (od planu Pro), API | 4 / 20 USD |
| Claude Sonnet 5.5 | Anthropic | Zamknięty: Claude (także Free), API | 2 / 10 USD |
| Claude Haiku 5.5 | Anthropic | Zamknięty: API, AWS, Google Cloud, Azure | 0,10 / 0,50 USD |
| Gemini 4 Argon | Google (USA) | Zamknięty: aplikacja Gemini (AI Pro, Ultra), API | 2 / 10 USD (cena wprowadzająca do 30.11.2026, potem 4 / 20) |
| Gemini 3.8 Flash | Zamknięty: aplikacja, API z darmowym poziomem | 0,75 / 3,75 USD (do 31.12.2026) | |
| Mistral Large 4 | Mistral AI (Francja) | Podgląd API; wagi zapowiedziane, na 28.10 jeszcze nieopublikowane | 1,36 / 4,18 USD |
| DeepSeek V4-Pro, V4.1-Flash | DeepSeek (Chiny) | Aplikacja, www, API | Według cennika DeepSeek, poza szczytem o połowę taniej |
| Qwen3.8-Flash-Next | Alibaba (Chiny) | Otwarte wagi (Qwen Community License) | Uruchamiasz u siebie |
| Bielik 11B v3.0 | SpeakLeash i ACK Cyfronet AGH (Polska) | Otwarte wagi (Apache 2.0) | Uruchamiasz u siebie |
| PLLuM (4B–70B) | Konsorcjum HIVE AI, Ministerstwo Cyfryzacji | Otwarte licencje | Uruchamiasz u siebie |
Czołowe modele mieszczą w jednej rozmowie około miliona tokenów: rodzina GPT-6 ma okno 1,05 mln, a Claude i Gemini 4 Argon około 1 mln. Tempo zmian jest duże. Anthropic wypuścił cztery modele w nieco ponad pięć tygodni (od Fable 5.1 1 września do Claude Haiku 5.5 7 października), OpenAI w październiku dołożył GPT-6.1 Terra, a Google 13 października udostępnił Gemini 4 Argon.
Meta, twórca otwartej rodziny Llama, w kwietniu 2026 pokazała Muse Spark, pierwszy model nowego zespołu Superintelligence Labs, a w lipcu jego wersję 1.1. Szczegóły modeli każdej firmy opisujemy w przewodnikach o Claude AI i o Gemini AI.
Jak działa LLM? Wyjaśnienie bez wzorów
LLM nie wyszukuje gotowej odpowiedzi w bazie. Układa ją fragment po fragmencie, za każdym razem wybierając jeden z prawdopodobnych ciągów dalszych tekstu, który ma przed sobą.
- Tokeny. Model nie dzieli tekstu na słowa, tylko na tokeny: częste słowa bywają jednym tokenem, a rzadsze rozpadają się na kawałki. Według Anthropic milion tokenów to około 555 tys. słów angielskich. Polski wypada gorzej: uniwersalne tokenizery słabo radzą sobie z polską odmianą, więc to samo zdanie zajmuje więcej tokenów, kosztuje więcej i szybciej zapełnia pamięć rozmowy. Łatwo to sprawdzić samemu: wklej to samo zdanie po polsku i po angielsku do darmowego tokenizera OpenAI, a polska wersja zwykle wyjdzie dłuższa, choć przy krótkich zdaniach bywa po równo. Dlatego twórcy Bielika przygotowali w kwietniu 2026 wersje z osobnym polskim tokenizerem.
- Trening wstępny. Model czyta ogromne zbiory tekstów i uczy się przewidywać kolejny token. Przy okazji przyswaja gramatykę, fakty i sposoby rozumowania. Wiedza jest zapisana w parametrach: Mistral Large 4 ma ich około biliona, z czego przy każdej odpowiedzi pracuje 52 mld.
- Dostrajanie. Surowy model tylko dopisuje tekst. Żeby stał się asystentem, uczy się na przykładach poleceń i dobrych odpowiedzi oraz na ocenach ludzi. Do polskiego PLLuM przygotowano łącznie około 80 tys. ręcznie pisanych instrukcji.
- Okno kontekstu. To pamięć robocza rozmowy: wszystko, co model „widzi” naraz, czyli Twoje polecenie, wklejone dokumenty i dotychczasowe odpowiedzi. Co nie mieści się w oknie, dla modelu nie istnieje.
- Rozumowanie. Nowe modele mogą „pomyśleć” przed odpowiedzią: planują, dzielą zadanie na kroki i sprawdzają się. Takie modele nazywa się czasem LRM (ang. large reasoning model). Często sam wybierasz poziom wysiłku: DeepSeek V4-Pro ma poziomy low, high i max, a Claude Haiku 5.5 jako pierwszy mały model Anthropic ma regulowany wysiłek. Więcej wysiłku to lepsza odpowiedź, ale też więcej tokenów i dłuższe czekanie.
Najważniejsze w jednym zdaniu: model językowy nie wie, co jest prawdą, tylko co zwykle pada po danym fragmencie tekstu, dlatego pisze równie płynnie wtedy, gdy ma rację, i wtedy, gdy się myli.
Modele otwarte czy zamknięte: czym się różnią?
Model zamknięty wynajmujesz przez aplikację lub API, a Twoje dane trafiają do dostawcy. Model z otwartymi wagami pobierasz i uruchamiasz na własnym sprzęcie, ale wtedy jakość, bezpieczeństwo i koszty serwera są Twoim zadaniem.
- Zamknięte (GPT-6, Claude, Gemini): najwyższa jakość w trudnych zadaniach, nic nie instalujesz, płacisz abonament albo za tokeny. Nie masz wpływu na to, kiedy dostawca zmieni lub wyłączy model. Google 8 października wycofał Gemini 3.7 Flash i automatycznie przekierował zapytania do następcy, więc aplikacje działały dalej, ale mogły odpowiadać inaczej.
- Z otwartymi wagami (Bielik, PLLuM, Qwen; Mistral Large 4 ma wagi zapowiedziane, na 28.10 jeszcze nieopublikowane): dane nie opuszczają firmy, model nie zmieni się bez Twojej decyzji, możesz go dostroić do własnych dokumentów. Potrzebujesz jednak sprzętu i ludzi, którzy to utrzymają.
Dwa pojęcia często się mylą. Open source to otwarty kod i zwykle licencja pozwalająca na użycie komercyjne. Open weight (otwarte wagi) oznacza, że model pobierzesz i uruchomisz u siebie, ale dane treningowe zwykle pozostają nieznane, a licencja bywa ograniczona. Bielik ma Apache 2.0, która pozwala na użycie komercyjne, a Qwen własną licencję Alibaby. Przed wdrożeniem w firmie przeczytaj jej warunki.
Otwarty model trzeba też pilnować. 26 października Cohere opisało, jak Qwen w teście próbował wysłać testowy ciąg znaków do serwera w Pekinie. Zdarzało się to rzadziej niż raz na 100 tys. wywołań, a izolowane środowisko testowe zablokowało próbę. Wniosek dla firm: model uruchomiony lokalnie, zwłaszcza w roli agenta z dostępem do narzędzi, powinien działać w zamkniętym środowisku bez swobodnego dostępu do sieci.
Jak wybierają duże firmy? W pełnym raporcie Wharton z 2026 r. 39% menedżerów wpływających na decyzje o AI mówi, że ich firma świadomie łączy oba rodzaje modeli, 30% korzysta głównie z modeli zamkniętych u dostawcy, a 28% głównie z modeli o otwartych wagach uruchamianych u siebie. Najczęściej wskazywane rodziny modeli to Gemini (61%) i modele OpenAI (58%); Claude wskazało 28%, Llamę 25%, a własny lub dostrojony model tylko 8% (pełny raport Wharton).
Polskie modele: Bielik i PLLuM
Polska ma dwie rodziny otwartych modeli trenowanych z myślą o polszczyźnie. Są wielokrotnie mniejsze od czołowych modeli komercyjnych, więc ich atutem nie jest wygrywanie rankingów, tylko polski język, niski koszt i możliwość uruchomienia na własnym serwerze.
Bielik powstaje w otwartej społeczności SpeakLeash, we współpracy z ACK Cyfronet AGH. Główny model, Bielik 11B v3.0 Instruct, ma 11 mld parametrów, licencję Apache 2.0 i obsługuje 32 języki europejskie z naciskiem na polski. W kwietniu 2026 doszły wersje Bielik-PL (11B i 7B) z tokenizerem przygotowanym pod polski. Model ma gotowe wersje skompresowane, które uruchomisz w popularnych programach do lokalnej AI, takich jak Ollama czy LM Studio.
PLLuM rozwija konsorcjum HIVE AI pod kierownictwem NASK, na zlecenie Ministerstwa Cyfryzacji. 21 maja 2026 resort udostępnił 11 nowych modeli w czterech rozmiarach: 4, 8, 12 i 70 mld parametrów, na otwartych licencjach i z dokumentacją przygotowaną pod wymogi AI Act. Do treningu użyto około 7 mln polskich tekstów. PLLuM pisze w ponad 20 gatunkach tekstów urzędowych, upraszcza język urzędowy i według Ministerstwa Cyfryzacji działa już w rozmowach w aplikacji mObywatel.
Uczciwie: Adam Bakalarz, autor szkoleń instytut.ai, Bielika w swojej pracy nie testował. Był na konferencji poświęconej temu modelowi w Warszawie i wie, że to mały model, który dobrze sprawdza się w różnych zadaniach.
Najnowszy krok: 22 października 2026 Ministerstwo Cyfryzacji poinformowało o liście intencyjnym z powiatem płockim. Starostwo ma testować PLLuM przy pismach, streszczeniach dokumentów i zapytaniach mieszkańców, a ministerstwo daje bezpłatny dostęp do wybranego modelu. Podobne inicjatywy prowadzą Łódź, Częstochowa i Gdynia.
Jak wybrać model do zadania?
Najpierw ustal, jakie dane trafią do modelu, potem dobierz model. Dane poufne i osobowe przetwarzaj tylko w narzędziu zatwierdzonym przez firmę. Dalej decyduje zadanie, nie ranking: najdroższy model opłaca się tam, gdzie błąd kosztuje więcej niż tokeny, a do prostych, powtarzalnych zadań wystarczy model kilkadziesiąt razy tańszy.
| Zadanie | Klasa modelu | Przykłady |
|---|---|---|
| Trudna analiza, strategia, złożony kod, długie zadania agentowe | Najwyższa półka | GPT-6 Astra, Claude Fable 5.1 lub Opus 5.5, Gemini 4 Argon |
| Codzienna praca biurowa, pisanie, większość automatyzacji | Średnia półka | GPT-6.1 Sol, Claude Sonnet 5.5, Gemini 3.8 Flash |
| Masowe zadania: klasyfikacja maili, tagowanie zgłoszeń, wyciąganie danych | Małe, tanie modele | Claude Haiku 5.5, GPT-6 Luna |
| Dane, które nie mogą opuścić firmy | Otwarte wagi na własnym serwerze | Bielik, PLLuM, Qwen (w izolacji), Mistral Large 4 (wagi zapowiedziane, na 28.10 jeszcze nieopublikowane) |
| Teksty urzędowe po polsku | Model trenowany na polskich tekstach urzędowych | PLLuM |
Rankingi, takie jak LLM Arena, pomagają zawęzić wybór, ale wyniki publikowane przez producentów to ich własne pomiary. Lepszy test zajmie godzinę: weź 20–30 prawdziwych zadań z firmy, puść je przez dwa lub trzy modele i porównaj wyniki oraz koszt.
Do pracy z kodem liczy się nie tylko model, ale i narzędzie. Adam Bakalarz na co dzień pracuje w Claude, a w Claude Code zbudował aplikację FoCo, widżet do pracy w skupieniu na macOS, bez zespołu programistów.
Dobra praktyka: zanim padnie nazwa modelu, oceń każdą czynność na dwóch osiach: ile kosztuje błąd i jak łatwo go wychwycić. Kategoryzacja maili, tagowanie zgłoszeń czy wyciąganie pól z faktur to błąd tani i łatwy do sprawdzenia, więc te zadania można automatyzować. Gdy błąd jest tani, ale trudny do sprawdzenia, wystarczy czat jako pomocnik. Decyzje o ludziach, porady prawne i dane objęte tajemnicą to na dziś obszar bez AI. Zasada nadrzędna: nie automatyzuj bałaganu, bo zły proces z AI to ten sam zły proces, tylko szybszy.
Ostrzeżenie: „Na szkoleniach często słyszę o shadow AI: ludzie korzystają z AI na prywatnych kontach, bo firma nie dała im narzędzia ani zasad. Bywałem świadkiem takich sytuacji” – mówi Adam Bakalarz. Wtedy nawet najlepiej dobrany model nie pomoże, bo dane firmy i tak trafiają do prywatnego czatu, poza kontrolą firmy. Anonimizacja przed wklejeniem zmniejsza ryzyko, ale go nie usuwa. Pułapki są też tam, gdzie nikt ich nie szuka: funkcje AI pojawiają się w narzędziach, których nikt nie traktuje jak czatu AI, na przykład w Notatniku i Paincie w Windows. Microsoft pozwala je wyłączyć w ustawieniach Notatnika, a firmom zasadami grupy, ale ktoś musi o tym świadomie zdecydować. Administrator powinien ustalić, które z takich funkcji zostają włączone, zanim pracownik otworzy w nich poufny dokument.
Ile kosztuje LLM? Tokeny, okno kontekstu i rachunek
W aplikacjach płacisz abonament, na przykład 20 USD miesięcznie za Claude Pro albo 97,99 zł za Google AI Pro. W API płacisz za tokeny, osobno za tekst wysłany do modelu i za odpowiedź, przy czym odpowiedź kosztuje zwykle pięć razy więcej.
Policzmy to. Firma automatycznie streszcza 1000 maili dziennie, każdy to około 1500 tokenów na wejściu i 300 tokenów streszczenia. W 22 dni robocze daje to 33 mln tokenów wejścia i 6,6 mln tokenów wyjścia miesięcznie. Po cenach z października 2026:
- GPT-6 Astra: 330 + 330 = 660 USD miesięcznie,
- Claude Opus 5.5: 132 + 132 = 264 USD,
- Gemini 3.8 Flash: 24,75 + 24,75 = 49,50 USD,
- Claude Haiku 5.5 lub GPT-6 Luna: 3,30 + 3,30 = 6,60 USD.
To samo zadanie kosztuje więc od kilku do kilkuset dolarów miesięcznie, a różnica między skrajnymi modelami jest stukrotna. Do streszczania maili mały model zwykle wystarcza. Teksty po polsku zajmują więcej tokenów niż angielskie, więc realny rachunek będzie nieco wyższy.
Koszt obniżają trzy mechanizmy: pamięć podręczna (powtarzany fragment polecenia w Haiku 5.5 kosztuje 0,01 USD za milion tokenów), przetwarzanie wsadowe (u Anthropic o 50 proc. taniej) i godziny poza szczytem (w DeepSeek połowa ceny). Uważaj natomiast na długie polecenia: w Haiku 5.5 powyżej 100 tys. tokenów stawki rosną pięciokrotnie.
Okno kontekstu ma znaczenie także w aplikacjach. Darmowy Gemini mieści w rozmowie około 32 tys. tokenów, a plan AI Pro około miliona. Kto wkleja długą umowę do darmowej wersji, dostaje odpowiedź opartą na części dokumentu.
Adam Bakalarz zwraca uwagę, że liczy się ilość danych, a nie długość rozmowy: „Można pracować z czatem dwa tygodnie i nie zapełnić okna kontekstowego, a można je zapełnić znacznie szybciej, ładując kilka olbrzymich PDF-ów”.
Halucynacje i inne ograniczenia LLM
LLM potrafi z pełnym przekonaniem podać nieprawdę: zmyślony cytat, nieistniejący paragraf albo błędną liczbę. To cecha tej technologii, a nie usterka jednego produktu.
Badacze w pracy „Why Language Models Hallucinate” (wrzesień 2025) wyjaśniają, że trening i testy modeli nagradzają zgadywanie zamiast przyznania „nie wiem”. Model, który zgaduje, wypada w rankingach lepiej niż ten, który uczciwie odmawia odpowiedzi, więc uczy się zgadywać.
Pozostałe ograniczenia, o których warto pamiętać:
- Data wiedzy. Model zna świat do pewnego momentu. Bieżące modele Claude mają wiedzę do czerwca 2026, więc o październikowych wydarzeniach wiedzą tylko wtedy, gdy przeszukają internet.
- Okno kontekstu. Nawet milion tokenów nie zmieści całego archiwum firmy, a część okna zajmują instrukcje systemowe, pamięć i wyniki narzędzi, zanim cokolwiek napiszesz. Do tego środek się gubi: badanie „Lost in the Middle” (2023) pokazało, że modele najlepiej wykorzystują początek i koniec długiego tekstu, a informacje ze środka częściej pomijają.
- Zachowanie w roli agenta. Model z dostępem do plików i narzędzi może zrobić coś, czego nie zapowiadał, jak w opisanym wyżej teście Qwen.
- Testy producentów. Wyniki z ogłoszeń premierowych to dane firmy, która sprzedaje model.
Co pomaga: dawaj modelowi źródła (wklejone dokumenty albo wyszukiwanie w sieci), proś o wskazanie fragmentu, na którym opiera odpowiedź, i zawsze sprawdzaj liczby, daty, nazwiska oraz przepisy, zanim trafią do klienta.
Modele lokalne a dane firmy
Model na własnym serwerze daje najpewniejszą kontrolę nad danymi. Większości firm wystarcza jednak biznesowy plan dużego dostawcy, pod warunkiem że pracownicy nie wklejają danych firmy do prywatnych, darmowych kont.
Różnice w praktyce:
- Darmowe i prywatne konta. W API Gemini dane z darmowego poziomu służą do ulepszania produktów Google, a z płatnego nie. W Claude na kontach Free, Pro i Max rozmowy trafiają do treningu tylko po włączeniu opcji ulepszania modelu, ale wtedy są przechowywane do 5 lat zamiast 30 dni.
- Ustawienia API. Od 26 października 2026 nowe płatne projekty w API Gemini domyślnie zapisują zapytania. Wyłączysz to parametrem
store=falsealbo w panelu Logs and Datasets. - Model lokalny. Bielika uruchomisz w programach takich jak Ollama czy LM Studio. Najmniejszy PLLuM (4B) według ministerstwa działa przy ograniczonej mocy obliczeniowej, a 70B wymaga już serwera. Lokalna AI trafia nawet do przeglądarek: Opera WebAI uruchamia model na komputerze użytkownika, bez wysyłania treści do chmury.
- Europa. Mistral trenował Large 4 w centrach danych w Europie i deklaruje możliwość wdrożenia w chmurze prywatnej i na własnej infrastrukturze. Szczegóły w tekście o Mistral Large 4.
Najczęstszy problem w firmach nie leży w wyborze modelu, tylko w braku zasad: kto może używać jakiego narzędzia i jakich danych nie wolno wklejać. Takie zasady i praktyczną pracę z modelami ćwiczymy na szkoleniach z AI dla firm.
AI Act a modele ogólnego przeznaczenia (GPAI)
Obowiązki AI Act dla modeli ogólnego przeznaczenia (GPAI) dotyczą przede wszystkim ich twórców, czyli OpenAI, Google, Anthropic, Mistrala czy autorów PLLuM. Firma, która po prostu korzysta z ChatGPT lub Claude, zwykle nie jest dostawcą modelu.
- Od 2 sierpnia 2025 dostawcy nowych modeli GPAI muszą prowadzić dokumentację techniczną, mieć politykę przestrzegania praw autorskich i publikować streszczenie danych użytych do treningu.
- Od 2 sierpnia 2026 Komisja Europejska może te obowiązki egzekwować. Kara sięga 3 proc. światowego rocznego obrotu albo 15 mln euro, zależnie od tego, która kwota jest wyższa.
- Do 2 sierpnia 2027 muszą się dostosować modele wprowadzone na rynek przed 2 sierpnia 2025.
- Ryzyko systemowe: modele trenowane z użyciem ponad 1025 operacji zmiennoprzecinkowych mają dodatkowe obowiązki, m.in. testy, zgłaszanie poważnych incydentów i cyberbezpieczeństwo.
- Modele otwarte są zwolnione z części obowiązków dokumentacyjnych, ale nie wtedy, gdy niosą ryzyko systemowe.
Uwaga dla firm, które dostrajają modele: według Komisji, jeśli modyfikacja wymaga więcej niż jednej trzeciej mocy obliczeniowej użytej do treningu oryginału, firma może stać się dostawcą nowego modelu. Niezależnie od tego firma wdrażająca system AI musi spełniać wymogi AI Act dla systemów AI.
Wszystkie teksty o modelach AI
Ten przewodnik aktualizujemy co kilka miesięcy. Bieżące premiery i incydenty opisujemy w krótszych tekstach, na przykład o Mistral Large 4 i o teście modelu Qwen przeprowadzonym przez Cohere. Pełna lista jest poniżej.
Najczęstsze nieporozumienie w firmach polega na tym, że pierwsze spotkanie, na którym pokazuję, czym jest generatywna AI, co potrafią modele i jak zacząć pracę z modelami agentowymi, bywa traktowane jak wdrożenie całego procesu. Tymczasem prawdziwe wdrożenie to często dziesiątki tysięcy złotych oraz tygodnie albo miesiące pracy, łącznie z mapowaniem procesów.
Co to znaczy dla Ciebie
Nie wybieraj jednego „najlepszego” modelu dla całej firmy. Do trudnych analiz i kodu użyj modelu z najwyższej półki, do masowych zadań małego i taniego, a dane, które nie mogą wyjść poza firmę, przetwarzaj w planie biznesowym albo w modelu otwartym na własnym serwerze. Zanim kupisz, sprawdź 20–30 prawdziwych zadań na dwóch lub trzech modelach i policz koszt. Wyniki każdego modelu traktuj jak szkic do sprawdzenia, nie jak gotowy dokument.
Najczęstsze pytania
Co to jest LLM?
LLM (large language model, duży model językowy) to model sztucznej inteligencji wytrenowany na ogromnych zbiorach tekstu, który przewiduje kolejne fragmenty tekstu. Dzięki temu rozmawia, pisze, streszcza, tłumaczy i programuje. Na LLM-ach działają ChatGPT, Claude i Gemini.
Czym różni się LLM od AI i od ChatGPT?
AI to cała dziedzina, a LLM to jeden rodzaj modelu AI, wyspecjalizowany w języku. ChatGPT to aplikacja, w której pracują modele językowe OpenAI, na przykład GPT-6 Astra albo GPT-6.1 Sol.
Jakie są przykłady LLM?
W październiku 2026 najważniejsze to GPT-6 Astra i GPT-6.1 Sol (OpenAI), Claude Fable 5.1, Opus 5.5 i Sonnet 5.5 (Anthropic), Gemini 4 Argon (Google), Mistral Large 4, DeepSeek V4-Pro, Qwen oraz polskie Bielik i PLLuM.
Czy istnieje polski model językowy?
Tak, nawet dwa. Bielika rozwijają społeczność SpeakLeash i ACK Cyfronet AGH (licencja Apache 2.0), a PLLuM konsorcjum HIVE AI pod kierownictwem NASK na zlecenie Ministerstwa Cyfryzacji. Oba można pobrać i uruchomić na własnym serwerze.
Czy można uruchomić LLM lokalnie i za darmo?
Tak, jeśli wybierzesz model z otwartymi wagami, na przykład Bielika, PLLuM albo Qwen. Same modele są bezpłatne, ale potrzebujesz odpowiedniego sprzętu: małe modele działają na mocniejszym komputerze, największe wymagają serwera.
Dlaczego LLM halucynuje?
Bo przewiduje prawdopodobny tekst, a nie sprawdza faktów. Według pracy „Why Language Models Hallucinate” z 2025 roku trening i testy nagradzają zgadywanie zamiast przyznania się do niewiedzy. Dlatego liczby, cytaty i przepisy z odpowiedzi modelu trzeba sprawdzać.
Zobacz też
AI wyjaśniona prosto dla początkujących
DeepSeek: co to jest i czy jest bezpieczny
Ollama: model AI na własnym komputerze
LM Studio: lokalny model AI bez terminala
Bielik AI: wersje, licencja i wymagania sprzętowe polskiego modelu
Grok AI: co to jest, ile kosztuje i czy działa po polsku
jak działa RAG i jak AI odpowiada na podstawie dokumentów firmy
chińskie modele AI: przegląd DeepSeek, Kimi, GLM i MiniMax
Qwen od Alibaby: czat, modele otwarte i bezpieczeństwo danych
Kimi AI od Moonshot: modele, ceny i bezpieczeństwo danych
MiniMax AI: modele M3, MiniMax Code, API i bezpieczeństwo danych
Mistral AI: Le Chat (Vibe), modele, ceny i dane w UE
Llama od Meta: wersje, licencja i jak ją uruchomić
Hugging Face: jak bezpiecznie wybrać i pobrać otwarty model
rodzaje sztucznej inteligencji
Gemma od Google: wersje, pamięć i licencja
Demis Hassabis, współzałożyciel DeepMind
embedding, czyli jak AI zamienia tekst na liczby
VRAM: ile pamięci karty potrzeba do lokalnego AI
ranking AI: najlepsze modele w 5 kategoriach, odświeżany co tydzień
Źródła i data sprawdzenia
- OpenAI: przegląd modeli API (GPT-6 Astra, 6.1 Sol, 6.1 Terra, 6 Luna)
- OpenAI: model gpt-6.1-terra
- Anthropic: przegląd modeli Claude
- Claude: cennik
- Anthropic: Claude Haiku 5.5
- Anthropic: Claude Fable i Mythos 5.1
- Claude: wykorzystanie danych do trenowania modeli
- Google: Introducing Gemini 4 Argon
- Gemini API: model gemini-4-argon
- Gemini API: cennik
- Gemini API: dziennik zmian
- Pomoc Gemini: limity i okno kontekstu
- Mistral AI: Introducing Mistral Large 4
- DeepSeek API: dziennik zmian
- Hugging Face: Qwen3.8-Flash-Next
- Cohere: Concerning behaviour of a popular open-weight AI model
- Meta AI: Introducing Muse Spark 1.1
- Bloomberg: Meta Debuts First AI Model From New Superintelligence Group
- Hugging Face: Bielik-11B-v3.0-Instruct
- arXiv: Bielik v3 PL z polskim tokenizerem (2604.10799)
- Ministerstwo Cyfryzacji: Więcej, szybciej, po polsku. Rodzina modeli PLLuM się powiększa
- Ministerstwo Cyfryzacji: PLLuM w powiecie płockim
- arXiv: Why Language Models Hallucinate (2509.04664)
- Komisja Europejska: wytyczne dla dostawców modeli GPAI
- Komisja Europejska: modele GPAI w AI Act – pytania i odpowiedzi
- arXiv: Lost in the Middle: How Language Models Use Long Contexts (2307.03172)
- Microsoft: funkcje AI w Notatniku
- Google: plany Google AI w Polsce
- Opera: WebAI, lokalna AI w przeglądarce
- Wharton Human-AI Research i GBK Collective: The Adaptive Advantage. Who’s Winning With AI and How, pełny raport 2026 (PDF)
Sprawdzono 28 października 2026
Czytaj dalej
W tej sprawie
W tej sprawie
W tej sprawie
W tej sprawie
W tej sprawie
W tej sprawie
W tej sprawie
W tej sprawie
Zobacz też
Zobacz też
Zobacz też
Zobacz też
Zobacz też
Zobacz też
Zobacz też
Zobacz też
Zobacz też
Zobacz też
Zobacz też
Zobacz też
Zobacz też
Zobacz też
Zobacz też
- Co to jest sztuczna inteligencja? AI wyjaśniona prosto dla początkujących
- DeepSeek: co to jest, ile kosztuje i czy jest bezpieczny dla Twoich danych
- Ollama: jak uruchomić model AI na własnym komputerze
- LM Studio: jak uruchomić lokalny model AI bez terminala
- Bielik AI: polski model językowy – wersje, licencja, sprzęt i wyniki
- Grok AI: co to jest, ile kosztuje i jak działa po polsku
- RAG po ludzku: jak AI odpowiada na podstawie dokumentów Twojej firmy
- Chińskie AI: DeepSeek, Kimi, GLM, MiniMax – przegląd modeli i co z danymi
- Qwen od Alibaby: co to jest, jak z niego korzystać i czy jest bezpieczny
- Kimi AI od Moonshot: co to jest, jak z niego korzystać i czy jest bezpieczny
- MiniMax AI: modele M3, MiniMax Code, ceny API i bezpieczeństwo danych
- Mistral AI: europejski model, Le Chat i czy warto
- Llama od Meta: otwarty model AI — wersje, licencja i jak go uruchomić
- Rodzaje sztucznej inteligencji: wąska, ogólna, generatywna — wyjaśnienie bez żargonu
- Gemma od Google: otwarty model AI do uruchomienia na własnym komputerze
- Ilya Sutskever: współtwórca OpenAI i Safe Superintelligence
- Wojciech Zaremba: Polak, który współtworzył OpenAI
- Demis Hassabis: współzałożyciel DeepMind i noblista za AlphaFold
- Embedding po polsku: jak AI zamienia tekst na liczby i po co to firmie
- VRAM: co to jest i ile pamięci karty potrzeba do lokalnego AI
- Sam Altman: kim jest szef OpenAI i dlaczego budzi spory
- Ranking AI 2026: który model AI jest najlepszy i do czego go używać
Zobacz też
Zobacz też
Przewodnik po temacie LLM, czyli duże modele językowe: jak działają i który model AI wybrać

