Najlepszy lokalny model AI po polsku (październik 2026)

Najkrócej: przy zwykłym komputerze z 16 GB RAM najlepiej udokumentowanym polskim modelem jest Bielik 11B v3.0. Z kartą graficzną 24–32 GB VRAM masz kilku mocnych kandydatów i żaden nie wygrywa wszystkich testów. Poniżej wyjaśniamy, co mierzy każdy polski ranking, gdzie są jego granice i który model wybrać do konkretnego sprzętu.

Jak mierzy się, czy model AI dobrze zna polski?

Służą do tego benchmarki, czyli stałe zestawy zadań z punktacją (definicja w Słowniku AI). Dla polszczyzny liczy się dziś pięć tabel wyników. Każda sprawdza coś innego.

PLCC (OPI PIB): wiedza o polskim języku i kulturze

PLCC przygotował zespół Ośrodka Przetwarzania Informacji – PIB (Sławomir Dadas i współautorzy). To 600 ręcznie napisanych pytań w sześciu kategoriach po 100: historia, geografia, kultura i tradycja, sztuka i rozrywka, gramatyka oraz słownictwo. Wśród pytań są np. takie o powojenne subkultury czy polskie memy. Używamy danych z 17 października 2026 (242 modele).

CPTU-Bench (SpeakLeash): rozumienie trudnych polskich tekstów

CPTU-Bench (Complex Polish Text Understanding) ocenia w skali do 5 punktów cztery umiejętności: wyczucie wydźwięku tekstu, rozumienie języka, frazeologię i podchwytliwe pytania. Mniej tu wiedzy encyklopedycznej, więcej czytania ze zrozumieniem. Dane: 11 sierpnia 2026, 102 modele.

Open PL LLM Leaderboard (SpeakLeash): klasyczne zadania po polsku

Zestaw polskich zadań językowych, m.in. rozumienie czytanego tekstu (Belebele). Podajemy wynik „5-shot”, czyli z pięcioma przykładami rozwiązań w poleceniu. Ostatnia zmiana tabeli: 27 lutego 2026, więc brakuje w niej Gemmy 4, Muse Glimmer i Qwena 3.5 i nowszych. Ranking z założenia nie obejmuje PLLuM: twórcy tabeli piszą, że modele PLLuM trenowano na treningowych częściach użytych tam zadań.

EQ-Bench PL i MT-Bench PL: emocje i rozmowa

Polish EQ-Bench sprawdza, jak model odczytuje emocje postaci w dialogach (dane z 26 marca 2026). MT-Bench PL ocenia wieloetapowe rozmowy w skali 0–10, a oceny wystawia GPT-4. Obie strony z wynikami są obecnie wstrzymane, a w MT-Bench PL nie ma ani Bielika v3, ani PLLuM 2512, dlatego traktujemy go jako dane historyczne.

Dlaczego polskich rankingów nie da się zsumować?

• Inne metody. PLCC sprawdza, czy model zna fakt, a CPTU-Bench, czy rozumie trudny tekst. Qwen3.6 27B w trybie rozumowania jest drugi w CPTU-Bench (4,412), a w PLCC ma tylko 52,17 pkt.
• Inne daty. Daty danych dzieli prawie osiem miesięcy, a modele z ostatnich miesięcy są tylko w części tabel.
• Nasze średnie. PLCC i CPTU-Bench publikują wyniki w poszczególnych kategoriach. Podane tu liczby to średnie bez wag, policzone przez nas z tych wyników, a miejsca w rankingu to nasze sortowanie. Własna średnia aplikacji CPTU-Bench może być liczona inaczej.
• Tryb rozumowania. Część modeli może przed odpowiedzią „pomyśleć” na głos, co trwa dłużej, ale bywa dokładniejsze. Gemma 4 31B ma w PLCC 69,33 pkt z rozumowaniem i 59,17 bez niego.
• Inna precyzja. Wiele wpisów w CPTU-Bench ma dopisek „API, FP8”. Ty w Ollamie pobierzesz zwykle kwantyzację Q4_K_M, czyli wagi zapisane w ok. 4–5 bitach, żeby model zmieścił się w pamięci.

Uwaga: „Szacowany RAM” w tym artykule to wzór serwisu: parametry (mld) × 4,9 / 8 + 1 GB dla Q4_K_M, a dla Q8_0 8,5 bita zamiast 4,9. Parametry to liczby, których model nauczył się w treningu (więcej w Słowniku AI). To szacunek dla samego modelu: system i inne programy też potrzebują pamięci, a dłuższy kontekst zwiększa zużycie. Zasady opisujemy w metodologii katalogu.

Najlepszy model po polsku na 8 GB RAM

Wybór: Bielik Minitron 7B v3.0. Powstał z Bielika 11B v3.0 przez przycięcie i destylację (mniejszy model uczy się od większego) we współpracy z NVIDIA. Według publikacji twórców zachowuje ok. 90% jakości 11B i bywa do 50% szybszy. W PLCC ma 53,0 pkt, w CPTU-Bench 3,378. Szacunek RAM: ok. 5,5 GB, plik ma 4,5 GB według ollama.com.

ollama run SpeakLeash/bielik-minitron-7B-v3.0-instruct:Q4_K_M

Bielik 4.5B v3.0 ma w CPTU-Bench praktycznie ten sam wynik (3,376), ale w PLCC wyraźnie mniej (42,33). Jest dostępny tylko jako Q8_0 (szacunek ok. 5,9 GB), a Ollama pokazuje dla niego kontekst 8K tokenów.

Gemma 4 E4B (ollama run gemma4) mieści się w podobnej pamięci i rozumie obraz oraz dźwięk, ale w PLCC ma 32,67 pkt z rozumowaniem i 29,33 bez. W CPTU-Bench jej nie ma. Plik ma 6,6 GB według ollama.com, więcej niż nasz szacunek (5,9 GB).

Phi-4-mini Microsoftu oficjalnie wymienia polski wśród 23 języków i zmieści się nawet w 4 GB (szacunek ok. 3,3 GB). W polskich testach wypada jednak słabo: 2,168 w CPTU-Bench (91. miejsce na 102), 43,30 w Open PL LLM i 50,82 w EQ-Bench PL. To opcja na naprawdę słaby sprzęt.

Najlepszy model po polsku na 16 GB RAM

Wybór: Bielik 11B v3.0 od SpeakLeash i ACK Cyfronet AGH. To model z najmocniejszymi dowodami w swojej klasie wielkości:

• PLCC: 70,67 pkt, tyle samo co Mistral Large 3 z 675 mld parametrów;
• CPTU-Bench: 3,735 (34. miejsce na 102);
• Open PL LLM Leaderboard: 65,93 (11. miejsce na 335 wierszy);
• EQ-Bench PL: 71,20.

Modele podobnej wielkości wypadają w PLCC wyraźnie słabiej: Gemma 4 12B 49,0 (z rozumowaniem), PLLuM-12B-chat-2512 41,17, Qwen3.5 9B 40,33, Phi-4 29,17. Szacunek RAM dla Bielika: ok. 7,8 GB, plik ma 6,7 GB według ollama.com.

ollama run SpeakLeash/bielik-11b-v3.0-instruct:Q4_K_M

Ograniczenia: tylko tekst (bez obrazów), kontekst 32K tokenów, a karta modelu zaznacza brak mechanizmów moderacji. Bielik nie jest w oficjalnej bibliotece Ollamy, tylko w przestrzeni SpeakLeash prowadzonej przez twórców. Jeśli potrzebujesz analizy zdjęć, rozsądną alternatywą jest Gemma 4 12B (ollama run gemma4:12b, szacunek ok. 8,3 GB), choć w PLCC wypada słabiej.

Najlepszy model po polsku na karcie 24–32 GB VRAM

VRAM to pamięć karty graficznej. Na tej półce są cztery mocne opcje i każda wygrywa w czymś innym.

Muse Glimmer 30B: najlepszy wynik w CPTU-Bench

Muse Glimmer to nowy otwarty model Meta z sierpnia 2026 (więcej w newsie). W trybie rozumowania prowadzi w CPTU-Bench (4,417), a w PLCC ma 70,5 pkt, prawie tyle co Bielik 11B v3.0. Meta nie wymienia polskiego z nazwy, pisze tylko o danych z ponad 100 języków. Model jest gęsty (pracują wszystkie parametry naraz), więc działa wolniej niż modele MoE. Szacunek: ok. 19,1 GB, plik 18 GB według ollama.com.

ollama run muse-glimmer

Gemma 4 31B i 26B A4B: równo w obu testach

Gemma 4 31B ma 4,325 w CPTU-Bench (bez rozumowania) i 69,33 w PLCC (z rozumowaniem). Wariant 26B A4B to MoE (mixture of experts): przy każdym tokenie pracuje ok. 3,8 mld z 25,2 mld parametrów, więc odpowiada szybciej. Wyniki: 4,227 w CPTU-Bench (bez rozumowania) i 68,5 w PLCC (z rozumowaniem). Szacunki: 31B ok. 19,8 GB, 26B ok. 16,4 GB; pliki w Ollamie mają 20 i 18 GB. W PLCC obie Gemmy tracą bez rozumowania 10–11 pkt, więc przy pytaniach o polskie realia lepiej mieć je włączone.

ollama run gemma4:31b

Qwen3.6 27B i Qwen3.8 27B: świetne rozumienie, słabsza wiedza o Polsce

Qwen3.6 27B z rozumowaniem jest drugi w CPTU-Bench (4,412, tuż za Muse), ale w PLCC ma 52,17 pkt. Nowszy Qwen3.8 27B ma w PLCC 53,17, a w CPTU-Bench jeszcze go nie ma. Szacunek dla obu: ok. 17,5 GB. Wyniki sugerują, że to dobry wybór do analizy polskich tekstów, a słabszy do pytań o historię czy kulturę.

ollama run qwen3.8:27b

Najlepszy model po polsku na licencji Apache 2.0

Apache 2.0 pozwala na użytek komercyjny bez opłat i limitów użytkowników. Dobra wiadomość: wszystkie główne modele z tego zestawienia ją mają. Bielik (cała linia v2 i v3), Gemma 4 (pierwsza Gemma na tej licencji; Gemma 3 nadal podlega Gemma Terms of Use), Muse Glimmer (plus osobna polityka użycia), Qwen3.5, Qwen3.6 i Qwen3.8 27B oraz PLLuM 4B i 12B. Wybór: Bielik 11B v3.0 na 16 GB, a na mocnej karcie Muse Glimmer 30B lub Gemma 4 31B.

Uważaj na wyjątki. PLLuM 8B i 70B są zbudowane na Llamie 3.1 i dziedziczą jej licencję. Starsze modele PLLuM z dopiskiem „nc” są niekomercyjne. Dotyczy to też PLLuM-12B-nc-chat-250715, który ma bardzo dobry wynik w PLCC (69,67). Repozytoria Bielika w formacie safetensors wymagają zaakceptowania warunków na Hugging Face, ale pliki GGUF (format dla Ollamy i llama.cpp) już nie.

Jaki model do dokumentów urzędowych?

PLLuM 2512 to rządowa rodzina modeli rozwijana przez konsorcjum HIVE AI pod kierunkiem NASK PIB. Według Ministerstwa Cyfryzacji generuje ponad 20 rodzajów tekstów administracyjnych i lepiej radzi sobie w RAG, czyli odpowiadaniu na podstawie dostarczonych dokumentów. Karta modelu zawiera gotowy polski szablon RAG z przypisami do źródeł. PLLuM działa w asystencie mObywatela.

ollama run hf.co/mradermacher/PLLuM-12B-instruct-2512-GGUF:Q4_K_M

Zastrzeżenia są poważne:

• W PLCC PLLuM-12B-chat-2512 ma 41,17 pkt.
• Modeli 2512 nie ma w CPTU-Bench ani w EQ-Bench PL, a Open PL LLM ich nie obejmuje.
• W porównaniu RAG z FedCSIS 2026 (146 pytań do dokumentacji technicznej, nie urzędowej) Bielik 11B v3.0 dostał 4,591 pkt, a PLLuM-12B-nc-chat-250715 4,192.
• Komenda pobiera kwantyzację społeczności (mradermacher), nie pliki od twórców. W PLCC oceniano wariant chat (hf.co/mradermacher/PLLuM-12B-chat-2512-GGUF:Q4_K_M), a powyższa komenda pobiera instruct.

Jeśli piszesz pisma urzędowe, porównaj PLLuM 12B z Bielikiem 11B v3.0 na własnych dokumentach. Więcej w zestawieniu Bielik czy PLLuM.

Polskie wyniki i wymagania sprzętowe: tabela zbiorcza

Średnie PLCC (0–100) i CPTU-Bench (do 5) policzyliśmy z wyników w kategoriach. „R” oznacza tryb rozumowania. Kreska oznacza, że model nie ma wyniku w danym teście.

Dlaczego nie ma jednego zwycięzcy?

Bo każdy test nagradza co innego, a modele mają różne mocne strony. Bielik i Muse Glimmer dobrze znają polskie realia, Qwen świetnie rozumie trudny tekst, ale gorzej zna fakty o Polsce. Nawet w obrębie jednej rodziny wyniki się rozjeżdżają: w EQ-Bench PL starszy Bielik 11B v2.6 (74,13) wyprzedza v3.0 (71,20). Do tego dochodzi sprzęt: model, który nie mieści się w twojej pamięci, nie jest dla ciebie „najlepszy”, nawet jeśli prowadzi w tabeli.

Benchmarki mierzą też zadania inne niż twoje: test wiedzy o Polsce nie powie, jak model streści umowę albo napisze mail do klienta. Dlatego ostatnie słowo należy do twoich własnych prób.

Jak samodzielnie wybrać model do swoich zadań?

1. Wybierz półkę sprzętową. Z tabeli weź 2–3 modele, których szacunek RAM mieści się w twojej pamięci z zapasem.
2. Przygotuj 10–20 prawdziwych zadań. Mail do klienta, streszczenie umowy, korekta tekstu, pytanie z twojej branży. Unikaj zagadek z internetu, bo modele mogły je widzieć w treningu.
3. Uruchom każdy model z tym samym poleceniem. Zapisz odpowiedzi obok siebie i oceń je, zanim sprawdzisz, który model co napisał.
4. Sprawdź fakty i polszczyznę. Zwróć uwagę na odmianę, związki frazeologiczne i zmyślone informacje.
5. Oceń wygodę. Liczy się też szybkość na twoim sprzęcie i to, czy potrzebujesz obrazu albo długiego kontekstu.

Pełne karty modeli z wariantami i komendami znajdziesz w katalogu.

Najczęstsze pytania

Jaki jest najlepszy polski model AI do uruchomienia na własnym komputerze?

Wśród modeli, które mieszczą się w 16 GB RAM, najmocniejsze wyniki w polskich testach ma Bielik 11B v3.0 (PLCC 70,67, CPTU-Bench 3,735, Open PL LLM 65,93). Uruchomisz go komendą ollama run SpeakLeash/bielik-11b-v3.0-instruct:Q4_K_M. Z mocniejszą kartą graficzną podobny lub lepszy wynik dają Muse Glimmer 30B i Gemma 4 31B.

Czy lokalny Bielik dorównuje ChatGPT czy Gemini po polsku?

Nie. W PLCC (stan z 17 października 2026) najlepsze zamknięte modele mają ok. 97 pkt na 100 (Gemini-4-Argon 97,33), a Bielik 11B v3.0 70,67. Za to Bielik działa w całości na twoim komputerze i nic nie wysyła do chmury.

Jaki model po polsku wybrać na laptop z 8 GB RAM?

Najlepiej wypada Bielik Minitron 7B (PLCC 53,0, szacunek RAM ok. 5,5 GB). Bielik 4.5B ma podobny wynik w CPTU-Bench, ale niższy w PLCC. Gemma 4 E4B i Phi-4-mini zmieszczą się w pamięci, ale w polskich testach wypadają słabo.

Czy PLLuM jest lepszy od Bielika?

W dostępnych niezależnych testach nie. Nowy PLLuM-12B-chat-2512 ma 41,17 pkt w PLCC wobec 70,67 Bielika 11B v3.0, a w teście RAG opisanym na konferencji FedCSIS 2026 Bielik 11B v3.0 też wypadł lepiej. PLLuM jest za to projektowany pod język urzędowy. Szczegóły w porównaniu Bielik czy PLLuM.

Czy wyniki z rankingów dotyczą wersji, którą pobieram w Ollamie?

Nie zawsze. Wiele wpisów w CPTU-Bench ma dopisek FP8, czyli ocenę w wyższej precyzji, a Ollama domyślnie pobiera kwantyzację Q4_K_M. Bezpośrednie porównanie daje Open PL LLM Leaderboard: Bielik 11B v3.0 ma tam 65,93 pkt, a jego wersja Q4_K_M GGUF 65,91.

Źródła

10 pozycji

1. PLCC – Polish linguistic and cultural competency benchmark, tabela wyników (OPI PIB, Hugging Face) huggingface.co
2. Dadas i in., Evaluating Polish linguistic and cultural competency in large language models (arXiv) arxiv.org
3. CPTU-Bench – Complex Polish Text Understanding Benchmark (SpeakLeash, Hugging Face) huggingface.co
4. Open PL LLM Leaderboard (SpeakLeash, Hugging Face) huggingface.co
5. Polish EQ-Bench (SpeakLeash, Hugging Face) huggingface.co
6. Karta modelu Bielik-11B-v3.0-Instruct (SpeakLeash) huggingface.co
7. Karta modelu PLLuM-12B-instruct-2512 (CYFRAGOVPL) huggingface.co
8. Karta modelu Muse-Glimmer-30B (Meta) huggingface.co
9. Karta modelu Gemma 4 (Google) ai.google.dev
10. Szewczyk i in., Re-evaluating Polish LLMs in RAG, FedCSIS 2026 (ACSIS vol. 48) annals-csis.org