Kopia lustrzana. Repozytorium źródłowe modelu: KateMajzel/GoLLeM-45M-PL. Wagi i tokenizer są identyczne. Aktualizacje karty modelu wprowadzane są najpierw w repozytorium źródłowym.

GoLLeM-45M-PL

Model GPT-2 (42,5 mln parametrów) wytrenowany od zera na 2,96 GB polskiego tekstu, z dedykowanym polskim tokenizerem BPE (32 768 pozycji).

Model jest artefaktem eksperymentu badawczego, nie narzędziem użytkowym. Pytanie: czy dedykowany tokenizer polski daje lepszy model niż tokenizer GPT-2 przy tym samym budżecie treningowym? Odpowiedź: nie daje lepszego — daje porównywalny 2,5× taniej.

Kod, dane i pełna metodologia: https://github.com/KateMajzel/gollem-pl

Użycie

from transformers import pipeline

pipe = pipeline("text-generation", model="KateMajzel/GoLLeM-45M-PL")
print(pipe("W lesie mieszkał mały", max_new_tokens=50)[0]["generated_text"])

Domyślne parametry generacji: do_sample=True, temperature=0.8, top_p=0.9, repetition_penalty=1.15. Dekodowanie zachłanne wpada w pętle powtórzeń — typowe dla modeli tej wielkości. 199 nieużywanych tokenów wypełniających (32 569–32 767) zablokowano przez bad_words_ids.

Wyniki

BPB na prywatnym held-oucie (1 999 dokumentów, identyczne 2 767 440 bajtów dla każdego modelu; średnie z 3 ziaren dla R1 i R2a):

przebieg	tokenizer	budżet	BPB ↓	sd	parametry	czas
R1 (ten model)	polski, 32 768	2,96 GB	1,2114	0,0100	42,5 M	49,7 min
R2a	GPT-2, 50 257	2,96 GB — te same bajty	1,1946	0,0035	51,5 M	122,4 min
R2b	GPT-2, 50 257	2 970 kroków — te same tokeny	1,2756	(n=1)	51,5 M	62,4 min
R3	GPT-2 zero-shot	—	2,9555	(n=1)	124 M	—

Benchmarki zero-shot (log-likelihood z normalizacją PMI domenową):

zadanie	R1	R2a	GPT-2	klasa większościowa	losowo
PolEmo2-IN	47,2%	43,8%	20,8%	40,0%	25,0%
8Tags	31,5%	29,8%	17,8%	16,5%	12,5%

Interpretacja

Cztery niezależne pomiary (BPB, PolEmo2, 8Tags, prywatny held-out) nie wykazują istotnej przewagi żadnego tokenizera przy równym budżecie tekstu, a ich kierunki są niespójne. Rozstrzygająca obserwacja: różnica BPB między dwoma ziarnami tego samego modelu (0,0186) przewyższa różnicę między modelami o odmiennych tokenizerach (0,0124).

Przewaga leży w koszcie. Przy wyrównanym budżecie obliczeniowym (R1 vs R2b) tokenizer polski wygrywa o 5,30% BPB — 6,4 odchylenia. Ten sam wniosek uzyskał niezależnie zespół Bielika v3 PL na skali 11B (arXiv 2604.10799).

Uwaga o perplexity

PPL/token wynosi 30,7 dla R1 i 5,8 dla R2a, co sugerowałoby pięciokrotną przewagę GPT-2. To artefakt: modele o różnych tokenizerach przewidują jednostki różnej trudności. Perplexity jest między nimi nieporównywalna. Jedyną poprawną metryką jest bits-per-byte.

Tokenizer

Byte-level BPE, 32 568 pozycji + 200 specjalnych. 27,9% pozycji z polskimi diakrytykami, round-trip bezstratny, zero tokenów nieosiągalnych przez merge.

	ten tokenizer	GPT-2
bajty/token (korpus)	4,050	2,066
bajty/token (held-out)	4,103	2,134
gęstość	1,96×	1,00×

Dane treningowe

2,96 GB, 803 177 dokumentów, SpeakLeash: 37% encyklopedia i literatura, 22% fora, 27% web, 11% publicystyka i nauka, 3% teksty urzędowe.

Celowo wykluczone: tłumaczenia i napisy (translationese), tekst syntetyczny, teksty piosenek (prawa autorskie), surowy Common Crawl. Licencje zbiorów po stronie SpeakLeash.

Architektura

8 warstw × 8 głowic × 512 wymiarów, kontekst 1 024 tokeny, 42,5 M parametrów (25,7 M niezanurzeniowych), 731 mln tokenów treningowych (17,2 na parametr), AdamW lr 1e-3 → 1e-4, bfloat16, 1 epoka, 1× RTX 5080.

Ograniczenia

• Skala. Model produkuje poprawną polszczyznę na poziomie zdania, ale halucynuje fakty i traci spójność po kilku zdaniach. Przykład z generacji: „wieś znalazła się w powiecie częstochowskim, gminie Łęczna" — obie nazwy istnieją, zestawienie jest fałszywe.
• Model bazowy. Wyłącznie kontynuacja tekstu; bez dostrajania instrukcyjnego i bez filtrowania bezpieczeństwa.
• Dane z forów internetowych. Model może odtwarzać obecne tam uprzedzenia i język. Nie nadaje się do zastosowań z udziałem użytkownika końcowego — w szczególności dzieci — bez nadzoru człowieka.
• Jedna skala i jedna konfiguracja. Wyniki dotyczą 42 M parametrów i 3 GB danych.
• Rejestr zależny od miksu danych. Przy prompcie z bajki dla dzieci model odpowiada językiem forów lub haseł encyklopedycznych.
• Korpus zawiera windowsowe końce linii (\r\n), które model odtwarza.

Odtwarzalność

Kod, konfiguracje, skrypty ewaluacyjne i opis pięciu pułapek metodologicznych: https://github.com/KateMajzel/gollem-pl

Bazuje na nanoGPT (MIT, Andrej Karpathy).

Cytowanie

@misc{gollem45mpl,
  title  = {GoLLeM-45M-PL: ablacja tokenizera dla polskiego modelu językowego},
  author = {Majzel-Pośpiech, Katarzyna},
  year   = {2026},
  url    = {https://huggingface.co/KateMajzel/GoLLeM-45M-PL}
}