Datasety: ewaluacja i trening
Polski rdzeń evalowy, kontrola regresji, dane prawne i MCQ. Jak budujemy czyste zbiory bez kontaminacji.
czytaj wpis →◆ dziennik laboratorium Wrocław · PL
Notatki z budowy polskiej AI.
Eksperymenty, benchmarki, koszty treningu i decyzje techniczne z otwartego laboratorium Slayer.
Zadania: od początkującego do zaawansowanego
Lista konkretnych zadań, które możesz wykonać w Slayer AI Lab. Kod, dane, ewaluacje, infra — znajdź coś dla siebie.
czytaj wpis →Zbuduj z nami polski model: wejście do zespołu
Kontrybutorzy, naukowcy, fundatorzy i firmy. Zapisz się publicznie, kontakt zostaje prywatny. Zobacz, kto już dołączył.
czytaj wpis →Zespół: ludzie przy warsztacie
Kto buduje Slayer AI Lab. Inżynierowie, fizycy, studenci, doradcy — ludzie, którzy potrafią domykać artefakty.
czytaj wpis →Harmonogram: od pomiaru bazowego do polskiego modelu
Plan i zaproszenie do współpracy. Qwen3.5-9B jako baza, polska specjalizacja w LLMzSzŁ, budżet 15–20k zł, wszystko jawne i odtwarzalne.
czytaj wpis →Zasady projektu: jedna linia, merit, dowód
Kto decyduje w Slayer AI Lab, jak i dlaczego. BDFL, meritocracy, publiczna praca i ścieżka do dojrzałego governance.
czytaj wpis →Drabina: od obserwatora do core teamu
Siedem poziomów, zero gwiazdek. Jak budować publiczną wartość, zdobywać zaufanie i dochodzić do płatnych ról w Slayer AI Lab.
czytaj wpis →Dwie licencje, jedna zasada: dlaczego MIT nie wystarczy
MIT dla kodu, CLA dla wkładu istotnego. Wyjaśniamy, dlaczego otwarty projekt potrzebuje dwóch warstw ochrony — i jak to chroni zarówno twórcę, jak i społeczność.
czytaj wpis →Zasady współpracy: jak działa otwarty wkład w Slayer AI Lab
Otwarty projekt, licencja MIT, zero stosunku pracy. Jak wnosisz wkład, co dostajesz w zamian i dlaczego CLA istnieje tylko dla wkładu istotnego.
czytaj wpis →Kultura labu: od obserwatora do kontrybutora
Jak Slayer AI Lab buduje zespół: compute jako wspólne dobro, mentoring, otwartość i droga od pierwszego clone do wdrożonego modelu.
czytaj wpis →slay-paper: jak formatujemy myślenie, zanim sformatujemy PDF
Uniwersalny workflow papierów Slayer AI Lab: dialektyka, dwie bramki jakości, LaTeX→PDF w CI i reguły dla agentów AI.
czytaj wpis →micro-models: dlaczego mały model wystarczy
Rodzina modeli ~0,8 mln parametrów uczonych na CPU w minuty. Case study music-experts: struktura muzyczna z samej predykcji znaku, bez teorii w kodzie.
czytaj wpis →