Qwen czy Gemma po polsku: który model wybrać lokalnie?

Qwen od Alibaby i Gemma od Google to dwie zagraniczne rodziny otwartych modeli, które da się uruchomić na domowym komputerze i które w polskich testach należą do czołówki w rozmiarach 26–31B. Obie mają licencję Apache 2.0, rozumieją obraz, mają tryb myślenia i oficjalne paczki w Ollamie. Różnią się tym, co wychodzi im najlepiej. Poniżej zestawiamy dane z kart modeli, dwóch polskich benchmarków i biblioteki Ollamy.

Skąd pochodzą Qwen i Gemma?

Qwen tworzy zespół Qwen z chińskiej Alibaby. W 2026 roku wyszły trzy otwarte linie: Qwen3.5 (luty), Qwen3.6 (kwiecień) i Qwen3.8 27B (repozytorium na Hugging Face z 5 sierpnia). Każda ma inny zestaw rozmiarów, a w Ollamie osobną nazwę. Karta Qwen3.8 opisuje go jako zbudowany na fundamencie architektury Qwen3.5.

Gemma to rodzina Google DeepMind. Według strony wydań Google Gemma 4 pojawiła się 31 marca 2026 roku w rozmiarach E2B, E4B, 26B A4B i 31B, a 3 czerwca doszedł wariant 12B Unified. Google na blogu Open Source podkreśla, że to pierwsze modele z rodziny Gemma na licencji zatwierdzonej przez OSI, czyli Apache 2.0.

Różnią się deklaracje językowe. Blog Qwen3.5 podaje listę 201 języków i dialektów, a w niej polski (i osobno śląski). Google pisze o ponad 35 językach obsługiwanych „od ręki” i treningu na ponad 140, ale listy tych 35 nie publikuje, więc polski nie jest wymieniony z nazwy.

Qwen i Gemma w jednej tabeli

Zapis „A3B” czy „A4B” oznacza model MoE (mixture of experts): na każdy token liczy tylko część parametrów, więc odpowiada szybciej, ale w pamięci musi zmieścić się w całości. Długie okno kontekstu to ilość tekstu, którą model widzi naraz.

Co mówią polskie testy?

Używamy dwóch niezależnych od twórców obu rodzin tabel wyników: PLCC z Ośrodka Przetwarzania Informacji – PIB (dane z 17 października 2026, 242 modele) i CPTU-Bench od SpeakLeash (dane z 11 sierpnia 2026, 102 modele). Średnie z kategorii liczymy sami, bez wag, tak jak w zestawieniu Najlepszy model po polsku. „R” oznacza tryb rozumowania, kreska brak wyniku.

Dla skali: polski Bielik 11B v3.0 ma w PLCC 70,67, a w CPTU-Bench 3,735. Wpisy Qwena w PLCC nie mają oznaczenia trybu rozumowania.

PLCC: Gemma wyraźnie lepiej zna polskie realia

PLCC to 600 ręcznie napisanych pytań o polską historię, geografię, kulturę i tradycję, sztukę i rozrywkę, gramatykę oraz słownictwo. Tu Gemma z włączonym rozumowaniem prowadzi w każdej klasie rozmiarów. Gemma 4 31B z rozumowaniem wyprzedza Qwen3.8 27B we wszystkich sześciu kategoriach, a największa różnica dotyczy sztuki i rozrywki (53 wobec 31 pkt) oraz kultury i tradycji (67 wobec 45). Nawet Gemma 4 12B (49,0) ma więcej niż Qwen3.5 9B (40,33).

Ważne zastrzeżenie: bez rozumowania Gemma traci 10–11 pkt. Gemma 4 31B bez myślenia ma 59,17, czyli tylko o 6 pkt więcej niż Qwen3.8 27B, a w gramatyce i historii Qwen3.8 jest wtedy minimalnie lepszy (67 wobec 63 i 63 wobec 62 pkt). Wśród małych modeli Gemma E4B bez rozumowania (29,33) wypada praktycznie tak samo jak Qwen3.5 4B (29,67).

CPTU-Bench: rozumienie tekstu prawie na remis

CPTU-Bench sprawdza w skali do 5 punktów cztery umiejętności: wyczucie wydźwięku, rozumienie języka, frazeologię i podchwytliwe pytania. Według naszej średniej Qwen3.6 27B z rozumowaniem jest drugi w całej tabeli (4,412), a Gemma 4 31B bez rozumowania piąta (4,325). W kategoriach widać różne profile:

• Rozumienie języka: lepsza Gemma 4 31B (4,46 wobec 4,215 dla Qwen3.6 27B z rozumowaniem).
• Podchwytliwe pytania: lepszy Qwen3.6 27B z rozumowaniem (4,64 wobec 4,191 dla Gemmy bez rozumowania i 4,517 z rozumowaniem).
• Frazeologia: najwyżej Qwen3.6 27B bez rozumowania (4,40), Gemma 4 31B ma 4,065.
• Wydźwięk: remis, po 4,583.

Qwena3.8 27B ani mniejszych Gemm (12B, E4B) w CPTU-Bench jeszcze nie ma. Wiele wpisów ma dopisek „API, FP8”, czyli ocenę w wyższej precyzji niż kwantyzacja Q4_K_M, którą zwykle pobierzesz w Ollamie.

A Open PL LLM Leaderboard?

Ranking SpeakLeash nie pomoże w tym wyborze. Jego ostatnia zmiana jest z 27 lutego 2026, czyli sprzed premiery Gemmy 4 (31 marca) i Qwena3.6 (kwiecień).

Jak tryb rozumowania zmienia wyniki?

Obie rodziny potrafią przed odpowiedzią „pomyśleć”, czyli rozpisać rozumowanie, które potem odrzucają. Działa to jednak inaczej w każdym teście:

• Gemma zyskuje dużo w PLCC (31B: z 59,17 do 69,33; 26B A4B: z 57,17 do 68,5), a w CPTU-Bench minimalnie traci (31B: z 4,325 do 4,311).
• Qwen3.6 27B zyskuje w CPTU-Bench (z 4,293 do 4,412), głównie w podchwytliwych pytaniach.

Sterowanie też się różni. W Gemmie 4 myślenie włącza znacznik <|think|> na początku promptu systemowego, a usunięcie go je wyłącza. Qwen od wersji 3.5 myśli domyślnie. Wyłącza się to parametrem enable_thinking: False, a Qwen3.6 nie obsługuje już przełączników /think i /nothink ze starego Qwen3. Qwen3.8 dodaje parametr reasoning_effort z poziomami xhigh (domyślny), medium i low.

Myślenie kosztuje czas, a w Qwenie także pamięć. Karty Qwen3.5 i Qwen3.6 zalecają kontekst co najmniej 128K tokenów, żeby zachować możliwości myślenia. Kontekst trzeba trzymać w pamięci obok wag, więc model zajmuje wtedy wyraźnie więcej niż sam plik.

W czym Qwen, a w czym Gemma ma przewagę poza polszczyzną?

Twórcy obu rodzin publikują wyniki w części tych samych testów. To ich własne pomiary, w różnych warunkach, więc traktuj je jako orientację, nie bezpośrednie porównanie:

• Kod. W LiveCodeBench v6 Qwen3.8 27B ma według karty 90,3, a Qwen3.6 27B 83,9. Google podaje dla Gemmy 4 31B 80,0%. Karta Qwen3.8 raportuje też 61,7 w SWE-bench Pro, teście naprawiania błędów w prawdziwych repozytoriach.
• Rozumowanie naukowe. W GPQA Diamond Qwen3.8 27B ma 89,2, Qwen3.6 27B 87,8, a Gemma 4 31B 84,3%.
• Agenci. Karta Qwen3.8 kładzie nacisk na długie zadania agentowe i obsługę komputera (84,3 w OSWorld-Verified). Gemma 4 ma natywne wywoływanie funkcji i rolę systemową, ale Google nie podaje wyników w tych samych testach agentowych.
• Dźwięk. Tu wygrywa Gemma: E2B, E4B i 12B przyjmują nagrania, rozpoznają mowę i tłumaczą ją. Opisane tu modele Qwen3.5–3.8 mają koder obrazu i rozumieją wideo, ale dźwięku nie przyjmują. Uwaga: strona gemma4 w Ollamie wymienia jako wejście tylko tekst i obraz, więc do pracy z dźwiękiem może być potrzebne inne narzędzie.
• Mały sprzęt. Gemma E2B i E4B są projektowane pod laptopy i telefony. Qwen ma za to więcej szczebli: od 0,8B do 397B.

Który rozmiar na jaki sprzęt?

Rozmiary plików podajemy według ollama.com dla kwantyzacji Q4_K_M. „Szacowany RAM” to wzór serwisu z metodologii katalogu (parametry w mld × 4,9 / 8 + 1 GB). Do obu liczb dochodzi pamięć na kontekst, więc zostaw kilka GB zapasu i patrz na większą z nich.

Sam gemma4 bez tagu pobiera wariant E4B, a sam qwen3.5 wariant 9B. Obie biblioteki mają też wersje MLX dla Maców (np. qwen3.8:27b-mlx), a o przyspieszeniu Gemmy 4 na Apple Silicon piszemy w newsie o Ollamie 0.31.

Kiedy Qwen, kiedy Gemma?

Wybierz Gemmę 4, gdy:

• pytasz o polską historię, kulturę, geografię czy słownictwo – w PLCC z rozumowaniem wygrywa w każdym rozmiarze,
• możesz zostawić włączony tryb myślenia, bo to on daje Gemmie przewagę w wiedzy o Polsce,
• potrzebujesz rozpoznawania mowy lub pracy z nagraniami (E2B, E4B, 12B),
• masz 32 GB RAM bez mocnej karty: 26B A4B ma mniejszy plik niż Qwen3.6 35B-A3B (18 wobec 24 GB) i wyższy wynik w PLCC.

Wybierz Qwena, gdy:

• programujesz lub budujesz agentów – karty Qwen3.6 i 3.8 raportują w LiveCodeBench v6 wyższe wyniki niż karta Gemmy 4,
• analizujesz trudne polskie teksty, a nie pytasz o fakty – w CPTU-Bench Qwen3.6 27B jest w ścisłej czołówce,
• pracujesz na bardzo długich dokumentach i masz pamięć na duży kontekst,
• chcesz regulować głębokość myślenia (reasoning_effort w Qwen3.8),
• potrzebujesz rozmiaru, którego Gemma nie ma, np. 2B na stary laptop albo 122B na stację roboczą.

Na 16 GB RAM i mniej żadna z rodzin nie jest mocna w polskich testach. Jeśli zależy ci głównie na polszczyźnie, w tej klasie lepszy będzie Bielik 11B v3.0.

Jak uruchomić Qwena i Gemmę lokalnie?

Obie rodziny są w oficjalnej bibliotece Ollamy, więc wystarczy jedna komenda. Na karcie 24 GB VRAM najlepiej sprawdzić oba modele z górnej półki:

ollama run gemma4:31b

ollama run qwen3.8:27b

Jeśli korzystasz z API Ollamy, tryb myślenia ustawisz polem think: true włącza rozumowanie, a false je wyłącza, o ile model na to pozwala. Dostępne wartości dla danego modelu pokazuje /api/show.

curl http://localhost:11434/api/chat -d '{
  "model": "qwen3.8:27b",
  "messages": [{"role": "user", "content": "Streść ten akapit w dwóch zdaniach."}],
  "think": false,
  "stream": false
}'

Przygotuj 10–20 własnych zadań po polsku i daj je obu modelom z tym samym poleceniem, raz z myśleniem, raz bez. Przy pytaniach o fakty zwróć uwagę na zmyślenia, przy tekstach na odmianę i frazeologię. Wszystkie warianty z wymaganiami sprzętowymi znajdziesz na stronach Qwena i Gemmy 4, a o zmianie licencji Gemmy piszemy w newsie Gemma 4 na licencji Apache 2.0.

Najczęstsze pytania

Który model lepiej mówi po polsku: Qwen czy Gemma?

Zależy, co mierzysz. W PLCC, teście wiedzy o polskim języku i kulturze, Gemma 4 z włączonym rozumowaniem wygrywa w każdej klasie rozmiarów, np. 31B ma 69,33 pkt, a Qwen3.8 27B 53,17. W CPTU-Bench, który sprawdza rozumienie trudnych tekstów, różnice są małe: Qwen3.6 27B z rozumowaniem ma 4,412, a Gemma 4 31B 4,325 na 5.

Czy Qwen i Gemmę można używać komercyjnie?

Tak. Gemma 4 jest na licencji Apache 2.0 we wszystkich rozmiarach, a cała linia Qwen3.5 i Qwen3.6 oraz Qwen3.8 27B również. Wyjątkiem jest większy Qwen3.8-Flash-Next na licencji Qwen Community License 1.0: firmy oferujące model jako usługę potrzebują osobnej licencji od Qwen.

Który model wybrać na komputer z 16 GB RAM?

W tej klasie polskie wyniki obu rodzin są słabe. Gemma 4 12B ma w PLCC 49,0 pkt (z rozumowaniem), a Qwen3.5 9B 40,33. Jeśli zależy ci głównie na polszczyźnie, przy 16 GB lepszy jest Bielik 11B v3.0 (70,67 pkt w PLCC).

Jak wyłączyć tryb myślenia w Qwenie i Gemmie?

W Gemmie 4 myślenie włącza znacznik <|think|> na początku promptu systemowego, a jego usunięcie je wyłącza. Qwen od wersji 3.5 myśli domyślnie i wyłącza się go parametrem enable_thinking: False. W API Ollamy służy do tego pole "think": false, o ile model na to pozwala.

Który z nich ma dłuższy kontekst?

Qwen: 262 144 tokeny natywnie, z możliwością rozszerzenia do ok. miliona. Gemma 4 ma 256K w rozmiarach 12B, 26B A4B i 31B oraz 128K w E2B i E4B. Twórcy Qwena zalecają jednak co najmniej 128K kontekstu, żeby zachować jakość myślenia, a to kosztuje pamięć.

Źródła

16 pozycji

1. PLCC – Polish linguistic and cultural competency benchmark, tabela wyników (OPI PIB, Hugging Face) huggingface.co
2. CPTU-Bench – Complex Polish Text Understanding Benchmark (SpeakLeash, Hugging Face) huggingface.co
3. Open PL LLM Leaderboard (SpeakLeash, Hugging Face) huggingface.co
4. Gemma 4 model card (Google AI for Developers) ai.google.dev
5. Gemma releases (Google AI for Developers) ai.google.dev
6. Gemma 4: expanding the Gemmaverse with Apache 2.0 (Google Open Source Blog) opensource.googleblog.com
7. Qwen3.5: Towards Native Multimodal Agents – blog twórców (Qwen) qwen.ai
8. Qwen3.5-9B – karta modelu (Hugging Face) huggingface.co
9. Qwen3.6-27B – karta modelu (Hugging Face) huggingface.co
10. Qwen3.8-27B – karta modelu (Hugging Face) huggingface.co
11. Qwen3.8-Flash-Next – licencja Qwen Community License 1.0 (Hugging Face) huggingface.co
12. gemma4 – tagi w bibliotece Ollama ollama.com
13. qwen3.8 – tagi w bibliotece Ollama ollama.com
14. qwen3.6 – tagi w bibliotece Ollama ollama.com
15. qwen3.5 – tagi w bibliotece Ollama ollama.com
16. Thinking – dokumentacja Ollamy docs.ollama.com