Zespół AI Lab z Ośrodka Przetwarzania Informacji opublikował rodzinę sześciu modeli językowych PolDense, zaprojektowanych specjalnie do wyszukiwania informacji w języku polskim. Największy z nich pokonał w rankingu PIRB modele kilkukrotnie większe od siebie, w tym rozwiązania Nvidii i BGE.
Kluczowe fakty:
- Zespół AI Lab z Ośrodka Przetwarzania Informacji opublikował rodzinę sześciu modeli embeddingowych PolDense, zaprojektowanych do wyszukiwania semantycznego w języku polskim – od wariantu z 17 milionami parametrów po flagowy model PolDense 1B.
- Największy model z rodziny PolDense pokonał w rankingu PIRB modele wielokrotnie większe od siebie, w tym rozwiązania firm Nvidia i BGE.
- Modele powstały na bazie architektury ModernBERT i obsługują teksty do 8192 tokenów, co pozwala na przetwarzanie długich dokumentów bez utraty kontekstu – z myślą o systemach RAG, wyszukiwarkach oraz środowiskach o ograniczonych zasobach obliczeniowych.
Polska ma stosunkowo niewielki, ale konsekwentnie rozwijający się ekosystem badawczy zajmujący się modelami językowymi dla własnego języka. OPI PIB, znany wcześniej z serii generatywnych modeli Qra tworzonych z Politechniką Gdańską, tym razem poszedł w innym kierunku. Zamiast kolejnego dużego modelu do generowania tekstu, zespół dr. inż. Marka Kozłowskiego skupił się na czymś bardziej niszowym, ale praktycznie ważniejszym dla firm wdrażających AI: na modelach embeddingowych, czyli takich, które zamieniają tekst na wektory liczbowe umożliwiające wyszukiwanie semantyczne.
Znajdź dostawcę, partnera lub narzędzie dla swojego biznesu, a jeśli prowadzisz firmę, która w swoim DNA ma AI, skorzystaj z możliwości bezpłatnego dodania swojej firmy.
Sześć modeli, jeden problem do rozwiązania
PolDense to nie pojedynczy model, tylko cała rodzina, od maleńkiego wariantu z 17 milionami parametrów po flagowy PolDense 1B. Taki rozstaw wielkości nie jest przypadkowy. Zespół OPI postawił sobie za cel pokrycie całego spektrum zastosowań, od dużych wdrożeń korporacyjnych po urządzenia mobilne i edge computing, gdzie liczy się każdy megabajt pamięci.
Modele powstały na bazie architektury ModernBERT i technologii ettin-encoders, a więc rozwiązań stosunkowo świeżych w świecie NLP. Potrafią przetwarzać teksty do 8192 tokenów, co w praktyce oznacza, że radzą sobie z długimi dokumentami bez utraty kontekstu. To istotne, bo klasyczne modele embeddingowe często gubiły sens tekstu przy dłuższych fragmentach i wymuszały dzielenie dokumentów na małe kawałki.
Zastosowania są dość precyzyjnie zaadresowane:
- wyszukiwarki i systemy RAG (Retrieval Augmented Generation), czyli architektura, na której opiera się dziś większość firmowych chatbotów AI
- asystenty AI pracujące na dużych bazach dokumentów
- środowiska o ograniczonych zasobach obliczeniowych, gdzie duże modele wielojęzyczne po prostu się nie mieszczą
Chcesz czytać więcej treści związanych z AI?
Dodaj AIPORT.pl do preferowanych źródeł Google
Wynik w benchmarku, który robi wrażenie
Najważniejsza liczba w całej historii to wynik PolDense 1B w Polish Information Retrieval Benchmark (PIRB). Model uzyskał 64,11 punktu, zajmując pierwsze miejsce i wyprzedzając Llama-Embed-Nemotron-8B od Nvidii (63,73 punktu) oraz BGE-Multilingual-Gemma2-9B (63,26 punktu). Warto zestawić te liczby z rozmiarem modeli: PolDense 1B ma miliard parametrów, podczas gdy konkurenci mają odpowiednio osiem i dziewięć miliardów. Mówimy więc o modelu ośmiokrotnie mniejszym, który mimo to notuje lepszy wynik w polskim benchmarku.
Ten wynik pokazuje coś, co w branży AI często się pomija w pogoni za coraz większymi modelami: specjalizacja językowa potrafi wygrać z samą skalą. Osiem razy mniejszy model bijący gigantów Nvidii w konkretnym zadaniu to argument dla każdego CTO, który rozważa, czy budować własną infrastrukturę pod polski rynek, czy płacić za amerykańskie API. Zostaje jednak pytanie o trwałość tej przewagi. Duże modele wielojęzyczne szybko nadrabiają zaległości w kolejnych wersjach, a PIRB mierzy konkretne zadania, niekoniecznie całą złożoność rzeczywistych wdrożeń firmowych. Zanim ktoś zamieni komercyjne API na PolDense, warto przetestować go na własnych danych, nie tylko na papierowym wyniku benchmarku.
Piotr Wolniewicz, Redaktor Naczelny AIPORT.pl
Mniejsze warianty, 400 mln i 150 mln parametrów, również wypadają konkurencyjnie względem rozwiązań liczących kilka miliardów parametrów. Najmniejsze modele (68, 32 i 17 mln parametrów) zaprojektowano z myślą o CPU i urządzeniach mobilnych, gdzie o użyteczności decyduje nie maksymalna jakość, tylko stosunek jakości do zużytych zasobów.
Otwarty dostęp jako strategia, nie dodatek
Wszystkie modele trafiły na Hugging Face na licencji open source, co oznacza, że każdy programista czy firma może je pobrać i użyć bez opłat licencyjnych. Dyrektor OPI, dr hab. inż. Jarosław Protasiewicz, podkreśla, że to element szerszej strategii budowania polskich kompetencji w AI, dostępnych dla nauki, administracji i biznesu jednocześnie.
Kozłowski z kolei zwraca uwagę na coś, co dla praktyków ma większe znaczenie niż sam wynik benchmarku: modele wyspecjalizowane językowo potrafią w konkretnych zadaniach bić rozwiązania uniwersalne, mimo mniejszej skali. To zresztą powtarzający się wątek w dyskusji o embeddingach lokalnych versus wielojęzycznych. Analizy rynkowe z ostatnich miesięcy pokazują podobny wzorzec: polskie modele mają przewagę w zadaniach ściśle językowych, takich jak klasyfikacja czy podobieństwo semantyczne, podczas gdy w samym retrievalu modele wielojęzyczne czasem nadrabiają dzięki skali danych treningowych. Wynik PolDense w PIRB sugeruje, że tę lukę udało się przynajmniej częściowo zamknąć.
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.
Co to oznacza dla polskich firm?
Dla firm wdrażających systemy RAG w Polsce PolDense oznacza konkretną alternatywę wobec płatnych API takich jak OpenAI Embeddings czy Cohere Embed. To ma znaczenie zwłaszcza tam, gdzie przetwarzane dane są wrażliwe i firma nie chce wysyłać tekstów na zewnętrzne serwery zagranicznych dostawców.
Koszt wdrożenia RAG w polskiej firmie waha się dziś od kilkudziesięciu do kilkuset tysięcy złotych, w zależności od skali i złożoności systemu, a do tego dochodzą stałe koszty miesięczne za embeddingi i hosting. Model, który można uruchomić lokalnie i za darmo, bez opłat licencyjnych, realnie obniża tę barierę wejścia, szczególnie dla mniejszych firm i instytucji publicznych, które i tak muszą liczyć się z ograniczonym budżetem na infrastrukturę AI.
Zapowiedź modelu EuroDense, wspierającego dziewięć języków europejskich, sugeruje też, że OPI mierzy wyżej niż tylko polski rynek. Projekt LLMs4EU, w ramach którego powstał PolDense, jest częścią unijnego konsorcjum ALT-EDIC i ma zachęcać administrację publiczną oraz małe i średnie firmy w całej Europie do korzystania z europejskich, a nie amerykańskich czy chińskich technologii AI.
Źródła i metodologia
Artykuł powstał na podstawie analizy redakcji AIPORT.pl oraz materiału Wszystko co Najważniejsze z dnia 17.07.2026 oraz oficjalnego profilu OPI-PIB na Hugging Face, gdzie opublikowano modele rodziny PolDense wraz z ich parametrami technicznymi. Wykorzystano również ogólnodostępne analizy rynku embeddingów i wdrożeń RAG w Polsce. Cytaty dr. hab. inż. Jarosława Protasiewicza oraz dr. inż. Marka Kozłowskiego pochodzą z materiału źródłowego i nie wymagały tłumaczenia. Komentarz redakcyjny i ocena kontekstu branżowego: Piotr Wolniewicz, Redaktor Naczelny AIPORT.pl. Artykuł będzie aktualizowany w miarę pojawiania się nowych informacji o rodzinie modeli PolDense i zapowiadanym modelu EuroDense.
