Ośrodek Przetwarzania Informacji udostępnił sześć modeli PolDense przeznaczonych do wyszukiwania informacji w języku polskim, a największy z nich prowadzi w rankingu Polish Information Retrieval Benchmark. Wynik 64,11 punktu oznacza, że model o miliardzie parametrów wyprzedził wielojęzyczne rozwiązania liczące blisko dziesięć miliardów.
Kluczowe fakty:
- Ośrodek Przetwarzania Informacji udostępnił sześć modeli PolDense do wyszukiwania informacji w języku polskim. Największy z nich, liczący miliard parametrów, osiągnął wynik 64,11 punktu w rankingu Polish Information Retrieval Benchmark, wyprzedzając wielojęzyczne modele o blisko dziesięciu miliardach parametrów.
- PolDense to modele osadzeniowe (dense retrievery), które zamieniają pytania i dokumenty na wektory liczbowe – nie są to modele generatywne i nie prowadzą rozmów ani nie odpowiadają na pytania w sposób znany z ChatGPT czy Claude.
- Rodzina PolDense obejmuje sześć wariantów opartych na architekturze ModernBERT, o wielkości od 17 milionów do miliarda parametrów, przy czym wszystkie przetwarzają teksty do 8192 tokenów.
Komunikat OPI ukazał się 15 lipca 2026 roku, ale temat zaczął krążyć po polskich mediach dopiero teraz, przy okazji rozmowy kierownika AI Lab z agencją Newseria. Szkoda, bo to jedna z niewielu polskich premier w obszarze AI, którą da się zweryfikować liczbami, a nie deklaracjami.
Chcesz czytać więcej treści związanych z AI?
Dodaj AIPORT.pl do preferowanych źródeł Google
To nie jest konkurencja dla ChatGPT i nikt tego nie ukrywa
Pierwsze nieporozumienie trzeba rozbroić od razu. PolDense nie generuje tekstu, nie prowadzi rozmowy i nie odpowiada na pytania. To rodzina modeli osadzeniowych, tak zwanych dense retrieverów, których zadaniem jest zamiana pytania i dokumentu na wektor liczb w taki sposób, żeby teksty o zbliżonym znaczeniu lądowały blisko siebie. Dzięki temu system znajduje właściwy fragment umowy czy raportu nawet wtedy, gdy nie zawiera on ani jednego słowa z zapytania.
Sam autor projektu stawia sprawę jasno.
„Są to specjalistyczne modele językowe, których celem jest wsparcie wyszukiwania informacji. Trzeba być świadomym, że nie są one porównywalne z modelami typu ChatGPT, Claude czy chińskie Qwen i DeepSeek, ponieważ nie są to modele generatywne”, mówi dr inż. Marek Kozłowski, kierownik AI Lab w OPI, cytowany przez agencję Newseria.
Brzmi to skromniej niż premiera kolejnego chatbota, tyle że w praktyce właśnie ta warstwa decyduje o jakości wdrożeń RAG. Model generatywny może być doskonały, a i tak odpowie bzdurą, jeśli mechanizm wyszukiwania poda mu nie ten akapit, co trzeba.
Sześć rozmiarów, od telefonu po serwerownię
Rodzina obejmuje sześć wariantów opartych na architekturze ModernBERT i encoderach ettin, o wielkości od 17 milionów do miliarda parametrów. Wszystkie przetwarzają teksty do 8192 tokenów, co pozwala im ogarnąć całą stronę umowy bez cięcia jej na kawałki.
- PolDense 1B, wynik 64,11 punktu w PIRB, pierwsze miejsce w rankingu. Wyprzedza Llama-Embed-Nemotron-8B (63,73) i BGE-Multilingual-Gemma2-9B (63,26)
- PolDense 400M, poziom porównywalny z modelami liczącymi kilka miliardów parametrów
- PolDense 150M, według karty modelu wypada blisko Qwen3-Embedding-8B
- PolDense 68M i 32M, wyniki zbliżone do Jina Embeddings V5, BGE-M3 oraz Snowflake Arctic Embed 2.0
- PolDense 17M, wariant pod procesory CPU, urządzenia mobilne i przetwarzanie brzegowe
Ta rozpiętość jest tu ciekawsza niż samo pierwsze miejsce. Firma, która chce przeszukiwać własną bazę dokumentów, nie musi kupować karty graficznej za kilkadziesiąt tysięcy złotych. Najmniejsze warianty ruszą na zwykłym serwerze.
Kozłowski ujmuje to praktycznie: „Teraz możemy wziąć model polski, który jest lepszy, skuteczniejszy od modeli zagranicznych i do tego jest dziesięciokrotnie mniejszy”.
Opisz krótko, czego potrzebujesz. Jesteśmy największym HUB-em AI w Polsce — w naszej bazie znajdziesz blisko 500 zweryfikowanych firm specjalizujących się w AI. W Twoim imieniu poprosimy 3-5 dopasowanych wykonawców o kontakt w ciągu 48 godzin.
Nauczycielem polskiego modelu był model chiński
Tu robi się pikantnie, a informacja pochodzi wprost z dokumentacji technicznej na Hugging Face. PolDense powstał w trzyetapowym procesie, w którym dwa pierwsze etapy to destylacja wiedzy z modelu nauczyciela. Tym nauczycielem był BGE-Multilingual-Gemma2, opracowany przez pekińskie BAAI na bazie google’owskiej Gemmy. Ostatni etap dostrajania korzystał z ocen trafności generowanych przez reranker z tej samej rodziny.
Pierwszy etap wykorzystał około 20 milionów polsko-angielskich par tekstów. Drugi objął od 33 do 70 milionów polskich tekstów, zależnie od wielkości modelu. Trzeci to trening kontrastywny na trzynastu zbiorach wyszukiwawczych, ponad 4,5 miliona zapytań i ponad 15 milionów fragmentów, bez ręcznych etykiet. Obliczenia poszły na superkomputerze Centrum Informatycznego TASK na Politechnice Gdańskiej.
Czy to podważa narrację o suwerenności technologicznej? Nie do końca, bo produkt końcowy działa lokalnie i nikt nie może go wyłączyć z Pekinu ani z Kalifornii. Ale opowieść o modelu zbudowanym od zera trzeba odłożyć na bok. To inżynieria oparta na cudzych fundamentach, wykonana solidnie i tanio.
Lubię takie premiery, bo są sprawdzalne. Ranking PIRB jest publiczny, karty modeli są publiczne, kod przykładowy działa, a wagi można pobrać i przetestować na własnych danych w godzinę. To zupełnie inna liga niż komunikaty o przełomach, które kończą się na slajdzie z konferencji.
Mam jednak dwie wątpliwości. Pierwsza dotyczy słowa open source, którym OPI posługuje się w komunikacie. Na Hugging Face przy modelach PolDense widnieje licencja Gemma, a ta nakłada ograniczenia użycia i nie jest licencją otwartą w rozumieniu OSI. Dla naukowca to bez znaczenia, dla firmy budującej komercyjny produkt już nie. Warto to sprawdzić przed wdrożeniem, a nie po.
Druga wątpliwość dotyczy skali odbioru. Największy model pobrano w ostatnim miesiącu około 2,6 tysiąca razy. Jak na polski rynek to przyzwoicie, jak na rozwiązanie, które ma napędzać rewolucję agentową w administracji i przemyśle, to wciąż nisza. Pytanie, czy ktokolwiek z sektora publicznego, który współfinansował te badania, faktycznie po nie sięgnie.
Piotr Wolniewicz, Redaktor Naczelny AIPORT.pl
Co to zmienia dla polskich firm i urzędów
Kontekst rynkowy jest tu bardziej wymowny niż sam benchmark. Według Eurostatu w 2025 roku ze sztucznej inteligencji korzystało 8,4 procent polskich przedsiębiorstw zatrudniających co najmniej dziesięć osób, przy średniej unijnej wynoszącej 20 procent. Gorzej w Unii wypadła tylko Rumunia z wynikiem 5,2 procent, a liderem była Dania z 42 procentami. Rok wcześniej było u nas 5,9 procent, więc ruch jest, tylko powolny.
Jednocześnie w dużych firmach dzieje się coś zupełnie innego. Badanie PMR przeprowadzone na zlecenie PwC Polska wśród 187 przedsiębiorstw z siedemnastu branż, zatrudniających minimum 250 pracowników, pokazało, że 44 procent z nich korzysta już z agentów AI, a kolejne 14 procent planuje ich wdrożenie.
I właśnie w tej szczelinie PolDense ma sens. Agent, który ma przeszukać firmowy repozytorium umów, potrzebuje retrievera rozumiejącego polską odmianę, a nie modelu trenowanego głównie na angielszczyźnie. Do tego dochodzi argument, o którym rzadko się mówi na konferencjach, czyli miejsce przetwarzania danych. Model o 68 milionach parametrów uruchomiony na własnym serwerze nie wysyła treści umów do żadnej chmury.
Pisałem już o tym, jak wygląda polska mapa modeli fundamentowych i firm wokół nich w indeksie 125 firm, ludzi i projektów polskiego AI. PolDense wchodzi do tej układanki jako element infrastruktury, nie jako produkt dla użytkownika końcowego. Bielik i PLLuM generują tekst, PolDense znajduje ten tekst, który ma trafić do modelu generatywnego.
Za każdą polską firmą AI stoi konkretny człowiek z imieniem i nazwiskiem, często ten sam w kilku miejscach naraz, i to właśnie ludzie, nie tabelki finansowania, są prawdziwym bohaterem tego artykułu.
Skąd pieniądze i co dalej
Modele powstały w projekcie Large Language Models for the European Union, prowadzonym przez konsorcjum ALT-EDIC i współfinansowanym z programu Digital Europe oraz przez Ministerstwo Cyfryzacji. Program obejmuje pięć sektorów: naukę, usługi publiczne, turystykę, telekomunikację i energetykę.
Kolejny krok zespół zapowiedział wprost. „W kolejnych miesiącach AI Lab OPI planuje udostępnienie modelu EuroDense, który wspiera wyszukiwanie informacji w dziewięciu językach europejskich”, mówi Kozłowski.
Jeśli EuroDense powtórzy wynik PolDense w skali dziewięciu języków, będzie to znacznie mocniejsza karta niż pierwsze miejsce w rankingu, który poza Polską interesuje niewielu. Na razie mamy dobry, mały, darmowy model do zadania, które w większości polskich wdrożeń RAG rozwiązywano dotąd narzędziem z importu. To konkret.
Źródła i metodologia
Artykuł powstał na podstawie analizy redakcji AIPORT.pl oraz materiałów źródłowych, w tym komunikatu Ośrodka Przetwarzania Informacji z dnia 15.07.2026, dokumentacji technicznej modelu na Hugging Face oraz publicznego rankingu PIRB. Wypowiedzi dr. inż. Marka Kozłowskiego pochodzą z komunikatu OPI oraz z rozmowy z agencją Newseria, przytoczonej przez Bankier.pl. Dane rynkowe: Eurostat (2025) oraz badanie PMR na zlecenie PwC Polska „Polskie firmy nie wykorzystują w pełni potencjału AI”. Komentarz redakcyjny i ocena kontekstu branżowego: Piotr Wolniewicz, Redaktor Naczelny AIPORT.pl. Artykuł będzie aktualizowany w miarę pojawiania się nowych informacji o rodzinie PolDense i zapowiadanym modelu EuroDense.
