MODELE LLM

Otwarte modele językowe gotowe do lokalnego wdrożenia na sprzęcie NVIDIA DGX Spark i ASUS GX10 Ascent — 128 GB zunifikowanej pamięci, ~1 PFLOP mocy obliczeniowej.

MoE ALIBABA

Qwen3.8-Flash-Next

Zapowiedź architektury Qwen4: 125B MoE, tylko 6B aktywnych i 51B w tablicy n-gramów. Najszybszy na naszym klastrze: 150,7 tok/s łącznie przy 6 rozmowach, czysty vLLM bez łatek. Uwaga na licencję przy udostępnianiu klientom.

125B / 6B aktywnych qwen-community Klaster 2× Spark

MoE ZHIPU AI

GLM 5.3 Flash

320B MoE od Zhipu AI, multimodalny, okno do 1 mln tokenów. Ten sam model na dwóch silnikach: vLLM z NVFP4 (24–32 tok/s, całość na MIT) i TensorFold z EXL3 (36–71 tok/s, niekomercyjnie). Polskie znaki, obrazy i ciche pułapki.

320B / 18B aktywnych MIT Klaster 2× Spark

MoE DEEPSEEK

DeepSeek V4 Flash

284B MoE z modułem spekulacyjnym DSpark, uruchomiony i zmierzony na naszym klastrze 2× DGX Spark: 44–53 tok/s w codziennej pracy, 153,5 tok/s łącznie przy 6 rozmowach, wczytywanie ok. 2 300 tok/s. Testy na AI Act i w roli agenta.

284B / 13B aktywnych MIT Klaster 2× Spark

MoE MINIMAX

MiniMax M2.7

Największy model, jaki uruchomiliśmy lokalnie: 230B MoE (10B aktywnych), „samodoskonalący się" agent z natywnym tool-callingiem. Na SWE-bench Verified wyprzedza Claude Opus. Serwowany z naszego klastra 2× DGX Spark: 33–36 tok/s, kontekst 131K tokenów.

230B / 10B aktywnych 131K kontekst Klaster 2× Spark

MoE OPENAI

GPT-OSS 120B

Pierwszy otwarty model OpenAI od czasów GPT-2. Architektura Mixture-of-Experts: 117B parametrów, z czego tylko 5,1B aktywnych na token. Dorównuje o4-mini w benchmarkach rozumowania. Licencja Apache 2.0, natywne chain-of-thought i obsługa narzędzi. Mieści się na pojedynczym GPU 80 GB.

117B / 5.1B aktywnych 128K kontekst Apache 2.0

MoE META AI

Llama 4 Scout

Flagowy model open-source od Meta. Wersja „Scout" zoptymalizowana pod agentów autonomicznych i złożone zadania wieloetapowe. Architektura MoE z potężnym oknem kontekstowym, doskonała obsługa polskiego i wielu języków.

109B / 17B aktywnych 10M kontekst Llama License

MoE ZHIPU AI

GLM 4.7 Flash

Model typu Mixture-of-Experts od Zhipu AI (30B MoE). Gigantyczne okno kontekstowe 1M tokenów pozwala analizować całe regulaminy i akty prawne jednorazowo. Testowany lokalnie na ASUS GX10 — bezbłędna analiza Ustawy o rynku kryptoaktywów.

30B MoE 1M kontekst Apache 2.0

Dense GOOGLE

Gemma 4 31B

Najnowszy model od Google DeepMind (kwiecień 2026), zbudowany na bazie badań Gemini 3. Pozycja #3 wśród otwartych modeli na arenie Arena AI. Multimodalny — przetwarza tekst i obrazy, wbudowany tryb reasoning (thinking mode). Pokonuje Llama 4 w matematyce, kodowaniu i zadaniach agentowych.

31B dense 256K kontekst Apache 2.0

Dense + MoE ALIBABA

Qwen 3.6

Dwa warianty od Alibaba: 27B (dense) — flagowy coding, przewyższa modele 15× większe w benchmarkach agentowych; 35B-A3B (MoE, 3B aktywnych) — 3-4× szybszy, idealny do RAG i narzędzi. Oba z kontekstem 256K i obsługą multimodalną.

27B + 35B/3B 256K kontekst Apache 2.0

Grafika IDEOGRAM AI

Ideogram 4

Otwarty model graficzny (9.3B DiT) sterowany ustrukturyzowanym JSON-em: osobna kontrola każdego obiektu, kompozycji i typografii, edycja pojedynczego elementu bez ruszania reszty kadru. Uruchomiony lokalnie na ASUS GX10 (fp8, ~19 GB). Na stronie: demo + konkurs z bonem 2000 zł.

9.3B DiT Prompt JSON Natywne 2K

TYPESAFE · CLOUDFLARE · AWS · PERPLEXITY

Modele decyzyjne AI

Schemat: zwykły model językowy pisze odpowiedź słowo po słowie, model decyzyjny w jednym przebiegu zwraca prawdopodobieństwa

Nowa kategoria: model nie pisze, tylko wybiera odpowiedź i podaje prawdopodobieństwo — w dziesiątki milisekund. Jev, Clef, Strands Decider, pplx-decider, Nimble, Kev. Na końcu: Bonsai 2 na zwykłym pececie.

Liczby, nie tekst Otwarte wagi Bonsai 2 27B

Baza Wiedzy: Modele

Polski test modeli decyzyjnych — 10 modeli, 2198 dokumentów

pplx-decider kieruje 87,2% maili automatycznie, Clef 27B najdokładniejszy, prompt injection największą słabością.

Czytaj wpis ->

DeepSeek V4 Flash, GLM 5.3 Flash czy Qwen3.8-Flash-Next? Trzy modele na klastrze 2× DGX Spark

Porównanie prędkości, pamięci, obrazów i licencji z naszych pomiarów — i siedem lekcji z uruchamiania.

Czytaj wpis ->

Qwen3.8-Flash-Next lokalnie — najszybszy model na naszym klastrze 2× DGX Spark

Tablica n-gramów, NVFP4 na czystym vLLM, 150,7 tok/s łącznie, licencja qwen-community i dlaczego vLLM 0.31 zwolnił o 30%.

Czytaj wpis ->

GLM 5.3 Flash lokalnie — dwa silniki, dwa wyniki na klastrze 2× DGX Spark

NVFP4 na vLLM kontra EXL3 na TensorFold, GGUF, polskie znaki, obrazy i ustawienia, które psują model bez błędu.

Czytaj wpis ->

DeepSeek V4 Flash lokalnie — uruchomiony i zmierzony na klastrze 2× DGX Spark

Wymagania i GGUF, vLLM z DSpark (5 tokenów zamiast 7), 44–53 tok/s w pracy, testy na dokumentach i ciche pułapki.

Czytaj wpis ->

Małe modele decyzyjne AI — Jev, Clef, Nimble, Kev i Bonsai 2

Modele, które zamiast pisać, wybierają. Co umieją, które działają lokalnie, gdzie są ograniczenia.

Czytaj wpis ->

MiniMax M2.7 — 230B agentowy MoE na klastrze DGX Spark

Self-evolving agent, 94.2 AIME, 78 SWE-bench Verified. Zmierzone in vivo: 33–36 tok/s.

Czytaj wpis ->

Ideogram 4 — grafika sterowana JSON-em + konkurs (bon 2000 zł)

Kontrola każdego obiektu w kadrze, bezbłędna typografia. Lokalnie na ASUS GX10.

Czytaj wpis ->

GPT-OSS 120B — Pierwszy otwarty model OpenAI

MoE z reasoning i tool-use. Apache 2.0, mieści się na jednym GPU 80 GB.

Czytaj wpis ->

Llama 4 Scout — Agentowy model od Meta

Meta AI podnosi poprzeczkę dla modeli open-source.

Czytaj wpis ->

GLM 4.7 Flash — Ekspert prawny z oknem 1M tokenów

Testujemy model Zhipu AI na analizie aktów prawnych.

Czytaj wpis ->

Gemma 4 31B — Najnowszy otwarty model Google DeepMind

Dense 31B z reasoning i multimodalnością. #3 na arenie open-source, Apache 2.0.

Czytaj wpis ->

Qwen 3.6 — Flagowy coding od Alibaba

Dwa warianty: 27B dense i 35B-A3B MoE. Kontekst 256K, Apache 2.0.

Czytaj wpis ->