REV 2026-09-10
DeepSeek V4.1 Flash
hybrid-think • SFT→RL
Kontrolowany wysiłek: non-think / high / max (dane ilustracyjne; parametry deklarowane, nie pomiar).
01 – TRZY DŹWIGNIE
Co robi prompt, co robi trening, co robi budżet
FIG. 11 – PROMPT (uproszczenie: łańcuch u góry, drzewo i pętla u dołu)
Łańcuch myśli (chain-of-thought) / ToT / ReAct
zero-shot: „Pomyślmy krok po kroku” („Let’s think step by step”, Kojima i in. 2022)
Łańcuch myśli to liniowy zapis kroków bez zmiany wag. Drzewo myśli (tree-of-thoughts, ToT, Yao i in. 2023) rozgałęzia rozumowanie i wraca do lepszej gałęzi, a pętla ReAct (Yao i in. 2022) przeplata myśl (thought) z działaniem (action) i obserwacją (observation), np. z wywołaniem wyszukiwarki. Bez weryfikatora każda z nich snuje dłuższy wywód zamiast lepszego wyniku.
Pułapka: samo dopisanie „rozumuj krok po kroku” pomaga w rachunkach, a w prawie i kodzie zawodzi bez sprawdzenia wyniku.
FIG. 12 – TRENING
PRM kontra ORM
PRM nagradza każdy krok, ORM tylko wynik końcowy. RLVR – trening na zadaniach z weryfikatorem regułowym (m.in. algorytm GRPO); DPO – preferencje offline bez weryfikatora. Weryfikator to osobny mechanizm, który sprawdza odpowiedź (reguły lub sędzia). Bez rzetelnego weryfikatora trening prowadzi do obchodzenia nagrody.
FIG. 13 – BUDŻET
Niski / wysoki cel (low / high) / najlepszy z 8 (best-of-8)
Cel obliczeń na zapytanie (budget) to ten sam model przy innym rachunku. Powyżej progu koszty rosną szybciej niż dokładność – to jest punkt opłacalności.
Samouzgodnienie (self-consistency, Wang i in. 2022) to głosowanie (vote) bez sędziego: wygrywa najczęstsza odpowiedź. Najlepszy z N (best-of-N) to wybór sędziego (judge), czyli weryfikatora (verifier), spośród prób – droższy, lecz działa i tam, gdzie głosować się nie da.
PRZYKŁADY FORMATU (dane ilustracyjne) – REASONING
Przykłady formatu (dane ilustracyjne)
Przykłady formatu (dane ilustracyjne); parametry deklarowane, a nie pomiar harnessu. Szkielet tabeli pokazany poglądowo; przedmiotem sprzedaży jest wyłącznie domena dajwers.pl.
REV 2026-08-18 (Flash: 2026-08-26)
GLM-5.3 / Flash
thinking • 1M • tools
Flash 320B/18B multimodalny; pełny model 5.3 do długich sesji agentowych (dane ilustracyjne; parametry deklarowane, nie pomiar).
REV 2026-08-01
Qwen3.8 Max
thinking + non-thinking • 1M
Wbudowane narzędzia do sesji agentowych (dane ilustracyjne; parametry deklarowane, nie pomiar).
REV 2026-07-16 / wagi 2026-07-27
Kimi K3
agentic • 2.8T/104B • KDA+MLA
Sesje agentowe o długim horyzoncie; licencja Kimi K3 (custom, MaaS powyżej progu wymaga umowy) (dane ilustracyjne; parametry deklarowane, nie pomiar).
| Skrót | Metoda | Opis |
|---|---|---|
| DPO | offline pref | Preferencje offline bez weryfikatora; dane ilustracyjne, nie pomiar. |
| GRPO | grupowy baseline | Wariant RL z baseline grupowym; dane ilustracyjne, nie pomiar. |
| PPO | aktor-krytyk, clipping | Poprzednik GRPO; stabilny, drogi (4 sieci: policy/ref/reward/value); dane ilustracyjne, nie pomiar. |
| RLVR | nagroda weryfikowalna | Trening na zadaniach z weryfikatorem regułowym; dane ilustracyjne, nie pomiar. |
| RAG | kontekst, nie wagi | Doklejony kontekst zamiast zmiany wag; dane ilustracyjne, nie pomiar. |
02 – KRZYWA KOSZT–DOKŁADNOŚĆ
Gdzie dopłata przestaje się opłacać
Wartości ilustracyjne pokazujące format tabeli, a nie pomiar. Harness i paczka PL w arkuszu Warianty (n=40: 95% CI dla pass@1 to około ±15 pkt – różnice +5–8 pkt ilustrują kształt krzywej, nie ranking). Suwak pokazuje mechanikę, nie wynik.
Osobny test sędziego (judge) sprawdza zgodność z człowiekiem oraz odporność na trzy przekształcenia: odwrócenie etykiety (label-flip), rozwlekłość (verbosity) i parafrazę (paraphrase). W przykładzie formatu rozjazd po przekształceniach sięga ok. 16% (dane ilustracyjne, nie pomiar).
Wysiłek ustawiasz drabinką niski → wysoki → pełny cel (low → high → max): budżet w poleceniu (prompt-budget), router trudności albo szkicowanie spekulacyjne (speculative decoding). Wymuszanie budżetu (budget forcing, s1: Muennighoff i in., styczeń 2025) dopisuje „Wait”, gdy model chce kończyć, albo ucina rozmyślanie poleceniem „Final Answer:”. Suwak poniżej ustawia ten sam wysiłek co punkty na wykresie: low ≈1×, high ≈4×, best-of-8 ≈10× (dane ilustracyjne).
01
high • ≈4× tokenów • +6 pkt pass@1 kontra low (dane ilustracyjne) • weryfikator: tak
03 – CZTERY PUŁAPKI
| Znak | Pułapka | Opis |
|---|---|---|
| P1 | długi ≠ mądry | Bez weryfikatora model tworzy dłuższe błędne wywody. Liczy się pass@1, nie długość śladu. |
| P2 | polski sypie pierwszy | Odmiana i ortografia załamują się wcześniej niż w anglojęzycznym benchmarcu. Paczka PL bywa trudniejsza niż MMLU (obserwacja formatu, nie ranking; n=40). |
| P3 | weryfikator to model | Weryfikator modelowy, czyli sędzia (judge), też się myli: woli długie odpowiedzi i potrafi zmienić werdykt po parafrazie. Raportuj zgodność sędziego z człowiekiem oraz próby: odwrócenie etykiety (label-flip), rozwlekłość (verbosity), parafraza (paraphrase) – inaczej ranking jest fikcją (dane ilustracyjne). |
| P4 | pętla bez pamięci | Refleksja (Reflexion, Shinn i in. 2023): aktor (actor) → sędzia (judge) → samorefleksja (self-reflection) → pamięć epizodyczna (episodic memory), bez zmiany wag. Bez zapisanej uwagi agent powtarza ten sam błąd, a bez zewnętrznego sprawdzenia szlifuje wymówkę zamiast wyniku. |