W poprzednich wpisach opisaliśmy metody treningu. Teraz pokażemy, dlaczego w ogóle potrzebujemy polskiego fine-tuningu. Base Qwen3.5-27B jest potężny, ale po polsku popełnia rażące błędy.
Przeczytałem odpowiedzi base Qwen3.5-27B i zaznaczyłem błędy ręcznie, nie regexem. Nie chodzi tylko o szablon.
Co zauważyłem
Rażące błędy gramatyczne i ortograficzne
„Hipoza" zamiast „Hipoteza"
„Bezpośrednie sprzedaż" zamiast „Bezpośrednia sprzedaż"
„samodzielną rozwiązywanie" zamiast „samodzielne rozwiązywanie"
Kalki z angielskiego
Zwroty i struktury zdań dosłownie przetłumaczone z EN
Niezręczna składnia charakterystyczna dla tłumaczeń maszynowych
Kontekstowe błędy
Liczenie w dolarach przy polskim poleceniu
Ignorowanie polskiego kontekstu kulturowego
Porównanie: base vs fine-tuned v1
Po lewej base Qwen z zaznaczonymi błędami, po prawej nasz fine-tuned v1. Uczciwie zaznaczam też potknięcia v1 — nie ukrywamy, że fine-tuning nie jest idealny.
Dlaczego to ważne
Ponieważ użytkownik polski nie będzie korzystał z modelu, który:
Pisze z błędami podstawowymi
Mówi jak tłumacz Google z 2015 roku
Nie rozumie polskiego kontekstu
Nawet jeśli model jest świetny w rozumowaniu, to brak podstawowej poprawności językowej dyskwalifikuje go w zastosowaniach profesjonalnych.
Jak to naprawiamy
Czyste dane treningowe — polskie teksty wysokiej jakości
Specjalizacja — koncentracja na polskich domenach
Walidacja — ręczna kontrola jakości odpowiedzi
Iteracje — ciągłe poprawianie na podstawie feedbacku
Efekt
Nasz fine-tuned v1 nie jest idealny, ale:
Pisze poprawną polszczyzną
Rozumie polski kontekst
Nie robi podstawowych błędów
Utrzymuje moc rozumowania z bazy
To jest różnica między „model, który zna polski" a „model, który dobrze mówi po polsku".
Nawigacja
Poprzedni: Trening: metody fine-tuningu (SOTA 2026)
Więcej: Pełna analiza stylu · Leaderboard · GitHub