Katalog · 12 rodzin modeli
Otwarte modele językowe, które pobierzesz i uruchomisz na własnym komputerze przez Ollamę, LM Studio lub llama.cpp. Filtruj, porównuj i kopiuj gotowe komendy.
Bielik v3.0: 11B i Minitron 7B
Najmocniejszy polski otwarty model w rozmiarze na domowy komputer. Licencja Apache 2.0, warianty od 1,5 do 11 mld parametrów.
PLLuM 2512: 11 modeli (4B, 8B, 12B, 70B)
Rządowa rodzina polskich modeli do zadań urzędowych i odpowiedzi na podstawie dokumentów. 4B i 12B na licencji Apache 2.0.
Gemma 4 (E2B, E4B, 12B, 26B A4B, 31B)
Rodzina Google od telefonu po stację roboczą: obraz na wejściu, tryb myślenia, 256K kontekstu i po raz pierwszy licencja Apache 2.0.
Qwen3.8 27B
Najszersza drabinka rozmiarów (od 0,8B do setek miliardów), tryb myślenia, obraz na wejściu i mocne wyniki w kodzie. Apache 2.0.
Muse Glimmer 30B
Nowa otwarta linia Meta po Llamie: gęsty model 30B do agentów i narzędzi, z obrazem na wejściu i licencją Apache 2.0.
Qwen3-Coder-Next 80B-A3B
Modele Qwen wyspecjalizowane w programowaniu: MoE z 3 mld aktywnych parametrów, 256K kontekstu na całe repozytoria, Apache 2.0.
Ministral 3 (3B, 8B, 14B) · Devstral Small 2
Francuskie modele na Apache 2.0: małe Ministral 3 z obrazem na wejściu, Mistral Small 3.2 i Devstral Small 2 do programowania.
Phi-4, Phi-4-mini, Phi-4-reasoning
Małe, sprawne modele Microsoftu na licencji MIT. Phi-4-mini oficjalnie obsługuje polski i mieści się w 4 GB pamięci.
gpt-oss-20b i gpt-oss-120b
Otwarte modele OpenAI z regulowanym poziomem rozumowania. 20b działa na karcie z 16 GB pamięci. Apache 2.0, ale polski słabszy.
V4.1-Flash-1017 (serwerowy) · lokalnie: R1-0528-Qwen3-8B
Modele rozumujące na licencji MIT. W domu uruchomisz destylaty R1 (1,5–70B); najnowsze V4 to już sprzęt serwerowy.
Llama 4 Scout i Maverick
Najpopularniejsze otwarte modele lat 2024–2025 i baza wielu innych (m.in. części PLLuM). Licencja z warunkami, polski nieoficjalny.
Granite 4.2 (3B, 8B, 30B)
Firmowe modele IBM na Apache 2.0, z rozumowaniem i wywoływaniem narzędzi. Polskiego oficjalnie nie obsługują.
Żaden model nie spełnia wszystkich warunków.
* RAM od: szacunek dla najmniejszego wariantu w kwantyzacji Q4_K_M (albo Q8_0, jeśli twórca nie wydał Q4): parametry (mld) × 4,9 / 8 + 1 GB zapasu na kontekst i program. „Na słaby komputer” = wariant, któremu wystarczy ≤ 6 GB, czyli zmieści się obok systemu w komputerze z 8 GB RAM. Jak liczymy i oceniamy
Na telefonie przewiń tabelę w bok.
| Model | Najnowsza wersja | Rozmiary | Kontekst | RAM od* | Licencja / komercyjnie | Polski | Ollama |
|---|---|---|---|---|---|---|---|
| BielikSpeakLeash i ACK Cyfronet AGH | Bielik v3.0: 11B i Minitron 7B | 1.5B, 4.5B, Minitron 7B, 11B | 32k | ≈2,6 GB | Apache 2.0 Tak | bardzo dobry | twórcy |
| PLLuMHIVE AI (lider: NASK PIB), Ministerstwo Cyfryzacji | PLLuM 2512: 11 modeli (4B, 8B, 12B, 70B) | 4B, 8B, 12B, 70B | 128k | ≈3,6 GB | Apache 2.0 (4B, 12B) / Llama 3.1 (8B, 70B) Tak | dobry | hf.co |
| GemmaGoogle DeepMind | Gemma 4 (E2B, E4B, 12B, 26B A4B, 31B) | E2B, E4B, 12B, 26B A4B, 31B | 256k | ≈4,1 GB | Apache 2.0 Tak | dobry | biblioteka |
| QwenAlibaba (zespół Qwen) | Qwen3.8 27B | Qwen3.5 2B, Qwen3.5 4B, Qwen3.5 9B, Qwen3.8 27B, Qwen3.6 35B-A3B | 256k | ≈2,2 GB | Apache 2.0 Tak | dobry | biblioteka |
| Muse GlimmerMeta Superintelligence Labs | Muse Glimmer 30B | 30B | 128k | ≈19,1 GB | Apache 2.0 Tak | bardzo dobry | biblioteka |
| Qwen3-CoderAlibaba (zespół Qwen) | Qwen3-Coder-Next 80B-A3B | 30B-A3B, Next 80B-A3B | 256k | ≈19,7 GB | Apache 2.0 Tak | przeciętny | biblioteka |
| MistralMistral AI | Ministral 3 (3B, 8B, 14B) · Devstral Small 2 | Ministral 3 3B, Ministral 3 8B, Ministral 3 14B, Small 3.2 24B, Devstral Small 2 24B | 256k | ≈2,8 GB | Apache 2.0 Tak | dobry | biblioteka |
| PhiMicrosoft | Phi-4, Phi-4-mini, Phi-4-reasoning | mini 3.8B, 14B, reasoning 14B | 128k | ≈3,3 GB | MIT Tak | przeciętny | biblioteka |
| gpt-ossOpenAI | gpt-oss-20b i gpt-oss-120b | 20b, 120b | 128k | ≈13,9 GB | Apache 2.0 Tak | przeciętny | biblioteka |
| DeepSeekDeepSeek | V4.1-Flash-1017 (serwerowy) · lokalnie: R1-0528-Qwen3-8B | R1 1.5B, R1 8B, R1 14B, R1 32B, V4-Flash 284B | 128k | ≈2,1 GB | MIT Tak | przeciętny | biblioteka |
| LlamaMeta | Llama 4 Scout i Maverick | 3.2 3B, 3.1 8B, 3.3 70B, 4 Scout 109B | 128k | ≈3 GB | Llama Community License Tak, z warunkami | przeciętny | biblioteka |
| GraniteIBM | Granite 4.2 (3B, 8B, 30B) | 3B, 8B, 30B | 128k | ≈2,8 GB | Apache 2.0 Tak | przeciętny | biblioteka |
Pamięć. Podajemy szacunek, nie pomiar. Model w popularnej kwantyzacji Q4_K_M (wagi zapisane średnio na ok. 4,9 bita zamiast 16; wartość z tabeli w dokumentacji llama.cpp) zajmuje mniej więcej parametry (mld) × 4,9 / 8 GB. Do tego doliczamy 1 GB zapasu na kontekst rozmowy i sam program. Model 8B to więc około 8 × 0,61 + 1 ≈ 5,9 GB. Gdy twórca wydaje tylko Q8_0, liczymy 8,5 bita na wagę. Na karcie graficznej liczy się VRAM, a bez niej zwykły RAM (wtedy model działa wolniej). Dłuższy kontekst potrafi zająć kolejne gigabajty. Czym są parametry modelu, wyjaśnia Słownik AI.
Polszczyzna. Stosujemy trzy poziomy: bardzo dobry (wysoko w niezależnych polskich testach, takich jak PLCC czy CPTU-Bench, na tle modeli podobnej wielkości), dobry (twórca deklaruje polski albo trenował model na polskich danych, ale niezależne wyniki są umiarkowane lub dobre tylko w części wariantów), przeciętny (polski nie jest oficjalnie wspierany, wyniki są słabe albo ich brak). Przy każdym modelu piszemy, skąd jest ocena. Nie publikujemy własnych wyników testów, bo ich nie prowadziliśmy.
Licencja. „Tak” oznacza licencję typu Apache 2.0 lub MIT. „Tak, z warunkami” to licencje własne twórcy (np. Llama Community License), które pozwalają na użytek komercyjny, ale stawiają warunki. „Nie” to licencje niekomercyjne. Przed wdrożeniem w firmie przeczytaj pełny tekst licencji.