Niezależne testy AI po polsku: Laboratorium Promptowe

👁 282 przeczytań

Laboratorium Promptowe to zbiór moich niezależnych testów AI po polsku: modele językowe, tłumacze, generatory obrazów, wideo, głosu i muzyki oraz lokalne modele na karcie RTX 4090. Każdy test ma datę, liczbę próbek, opisaną metodę i koszt z rachunku, a tam, gdzie się da, także surowe dane do pobrania.

Jak testuję

Zasady są te same w każdej kategorii. Szczegóły, wersje programów i ustawienia są w sekcji „źródła” każdego testu.

• Te same polecenia i ustawienia. Wszystkie modele w danym teście dostają identyczne polecenie i te same parametry, np. w Laboratorium pisania ten sam poziom rozumowania (effort=low). Obrazy i klipy generuję w jednym podejściu, bez losowania od nowa i bez wybierania ładniejszych wersji.
• Ślepe oceny tam, gdzie nie ma jednej dobrej odpowiedzi. W teście pisania odpowiedzi oceniają trzej sędziowie z różnych firm, pod losowymi kodami i w innej kolejności, a ocenę sędziego z tej samej firmy co oceniany model odrzucam. Tłumaczenia oceniali dwaj sędziowie w ciemno, a 10 najtrudniejszych zdań sprawdziłem ręcznie. Lektorów możesz porównać sam w ślepym odsłuchu.
• Pomiar zamiast wrażenia. Mowę i śpiew sprawdzam rozpoznawaniem mowy Whisper large-v3 (odsetek błędnych słów), napisy na obrazach odczytem znak po znaku, układ i edycje miarami IoU i SSIM, korektę, quiz i maturę kluczem odpowiedzi. Tokeny, czas i koszt biorę z pól zwracanych przez API.
• Sprzęt i dostęp. Testy lokalne: RTX 4090 24 GB, i9-14900KF, 64 GB RAM, Windows 11, programy llama.cpp, Ollama i ComfyUI (wersja podana przy każdym teście). Testy w chmurze: OpenRouter, fal.ai i oficjalne API producentów, czyli te same drogi, z których może skorzystać każdy.
• Daty. Modele zmieniają się z tygodnia na tydzień, więc każdy wynik to stan na dzień testu. Data jest w tabeli niżej i w każdym tekście.
• Koszty z rachunków. Podaję, ile kosztował test: pierwsza edycja Laboratorium pisania 6,12 USD, Arena wideo 8,54 USD, test polskiej mowy w 10 modelach wideo 14,78 USD, test tłumaczy 1,42 USD. Przy lokalnych modelach liczę prąd z poboru mocy karty.
• Co publikuję. Odpowiedzi modeli, obrazy, klipy i nagrania pokazuję w tekstach bez poprawek. Surowe dane: paczka 2026-09-pisanie-po-polsku.zip (odpowiedzi, oceny sędziów z uwagami, klucze i skrypty) oraz skrypty testów lokalnych.
• Jawne poprawki. Gdy pomylę się w kluczu albo w skrypcie, poprawiam, przeliczam i piszę o tym w tekście. Przykłady: po pierwszej edycji klucz zmienił się w 3 miejscach (najniższy punkt Polski według GUS i dwa zapisy według Poradni Językowej PWN), a w teście Gemini 4 Argon jedyny odjęty punkt okazał się błędem mojego skryptu oceniającego.
• Granice. Jedna próba na zadanie to wynik konkretnego testu, nie pomiar statystyczny. Przed wyborem modelu do pracy sprawdź go na własnych tekstach.

Wszystkie testy

Tylko testy, które zrobiłem sam i opublikowałem. Kolumna „Próbki” mówi, ile modeli, zadań albo plików wchodziło do testu.

Pisanie, korekta i wiedza po polsku

Tłumaczenia

Lokalne AI na RTX 4090

Wideo

Obrazy

Głos, transkrypcja i muzyka

Detektory AI, agenci i koszty

Pisanie po polsku: wyniki w jednej skali

Nowe modele sprawdzam w dniu premiery na tych samych 13 zadaniach co pierwszą edycję z 26 września i kalibruję wynik modelami-kotwicami, więc da się go porównać z tabelą pierwszej edycji.

Pierwsza edycja w liczbach: 16 modeli od 9 firm, 13 zadań (9 pisarskich, 2 korekty, 2 quizy), 351 ocen ślepych sędziów, koszt 6,12 USD (3,19 USD odpowiedzi modeli, 2,75 USD oceny sędziów, 0,18 USD nieudane próby). Najlepszy stosunek wyniku do ceny miał GPT-6 Luna: 82,8 pkt za 0,002 USD za 9 zadań pisarskich.

Korekta z 26.09.2026. Przy ponownej analizie danych wyszło, że cztery powtórki po pustej pierwszej odpowiedzi dostały wyższy limit tokenów (do 30 000 zamiast 6000): Mistral Medium 3.5 w zadaniach T2, T3 i T7 oraz Qwen 3.8 Max w T2. Dwie odpowiedzi ucięło na limicie 6000 bez powtórki: DeepSeek V4.1 Flash w T2 i Mistral Medium 3.5 w T4. Dotyczy to środka i dołu tabeli. Pierwsza piątka nie miała ani jednej powtórki ani ucięcia, więc jej kolejność się nie zmienia. W następnej edycji limit będzie jeden dla wszystkich modeli. Analizę opisuję w tekście analiza danych z Opusem 5.5.

Huby z wynikami według tematu

Wcześniejsze testy

Zanim powstała seria, testowałem modele pojedynczo, zwykle w dniu premiery i na mniejszej liczbie zadań. Te teksty zostają jako punkt odniesienia:

01Który model AI pisze najlepiej po polsku? Zmierzyłem dziesięć. Zwycięzca kosztuje 32 razy mniej niż drugi zwycięzcaNowszy test (26 września 2026): 16 modeli, 9 zadań pisarskich i ślepa ocena trzech sędziów z różnych firm. Wygrał Claude Opus 5.5,…Czytaj →02Test polszczyzny modeli AI - czerwiec 2026. Autorski benchmarkBenchmarki mierzą matematykę i kod - nikt nie mierzy polszczyzny. Autorski test: 10 identycznych zadań po polsku, te same kryteria, ocena redakcyjna. Pierwsza edycja.Czytaj →03Chińskie modele AI po polsku: test 5 modeli, trzy nie oddały ani słowaPięć nowych modeli z Chin, jedno polecenie po polsku. Trzy myślały, aż skończył się limit - Qwen liczył w myślach każde słowo po kolei.Czytaj →04GPT-6 Sol po polsku: 60 zdań od „Sądzę, że”. Test 4 modeli na jednym poleceniuFormalnie nie złamał żadnej reguły. Praktycznie napisał tekst, którego nikt nie doczyta. Najlepsza lekcja o pisaniu poleceń w tym roku.Czytaj →05Claude Opus 5.5 po polsku: test na tym samym poleceniu co Opus 5Oba modele zdały twarde reguły. Różnica wyszła gdzie indziej: w czasie, koszcie i tym, jak często model przyznaje się do niewiedzy.Czytaj →06GPT-6 Sol czy Claude Opus 5.5? Premiery z 22 września na tych samych zadaniachWyszły tego samego dnia. Różnica w cenie okazała się większa niż różnica w jakości - ale nie we wszystkim.Czytaj →07Test modeli AI 16.09.2026: 7 modeli, 4 zadania, pełne wynikiPrzebieg z 16.09.2026: 7 modeli, te same 3 zadania (redakcja bez zmiany liczb, tabela z PDF, kod PESEL w piaskownicy) plus test kontekstu. Komplet zaliczyło 5 z 7. Pełne prompty i surowe odpowiedzi do wglądu.Czytaj →08Który model AI pisze najlepiej po polsku? Benchmark: 5 generatorów kontra „Zażółć gęślą jaźń”Pięć generatorów obrazów, trzy polskie zadania i pangram „Zażółć gęślą jaźń". GPT Image 2 i Nano Banana 2 bez błędu, chińskie modele wpadają w hiperkorekcję ogonków.Czytaj →09Zapytałem cztery modele o pisarza, który nie istnieje. Rok temu dostałby biografięCztery zmyślone polskie rzeczy, cztery fakty z pułapką i faktura do policzenia co do grosza. GPT-6 Astra, Fable 5.1 i Opus 5 nie zmyśliły nic, a różnice sprowadziły się do zerwanych połączeń. Gemini wypadł z testu z powodu, który warto znać.Czytaj →10Co chatboty wiedzą o AI Act? Test 9 modeli: 8 podaje nieaktualne terminyZ 72 odpowiedzi o AI Act poprawnych było 30. Komplet dał tylko model z wyszukiwarką, reszta podaje terminy sprzed lipca 2026.Czytaj →11Modele obiecują milion tokenów kontekstu. Sprawdziłem na trzech procentach i dwa poległyKażdy producent chwali się dziś oknem kontekstu na milion tokenów. Brzmi to jak obietnica, że można wrzucić modelowi całą książkę i pytać…Czytaj →12GPT-6 Astra: Wysoki vs Ultra. Ten sam wynik, ponad 3 razy więcej tokenów24 uruchomienia, sześć własnych łamigłówek i pełny audyt tokenów. Wysoki i Ultra osiągnęły ten sam wynik, ale różniły się czasem i zużyciem.Czytaj →13Jedenaście poprawek, jedenaście razy zmieniło się coś jeszczeZastrzeżenie na wstępie, bo zmienia sens całego tekstu: wbudowane narzędzie graficzne OpenAI nie ujawnia identyfikatora modelu. Dokumentacja opisuje je jako GPT Image…Czytaj →14Zbudowałem test dla jedenastu modeli AI. Na jednym zadaniu test się pomylił, a modele miały racjęZbudowałem test dla jedenastu modeli: dziewięć zadań z kodu, tłumaczenia i trzymania się instrukcji, każde sprawdzane automatycznie, żeby nie oceniać gustem. Po…Czytaj →

Zasady niezależności

• Bez płatnych miejsc. Nikt nie płaci za udział w teście ani za miejsce w rankingu. Koszt zapytań do modeli pokrywam sam i podaję go przy każdym teście.
• Kolejność wynika z pomiaru. Ranking układa wynik testu, a nie to, czy narzędzie ma program partnerski.
• Linki partnerskie są oznaczone. Część linków do narzędzi to linki partnerskie. Mają atrybut rel=”sponsored”, a pod tekstem jest nota, który link jest partnerski. Nie zmieniają ocen, także tam, gdzie piszę krytycznie.
• Własne serwisy są oznaczone jako własne. Prowadzę też własne narzędzia: ZWID (generator filmów AI), AUTHORRA (detektor tekstu AI) i Hangar (instalator lokalnych modeli). Gdy pojawiają się w teście albo w porównaniu, oznaczam je jako własne. W teście detektorów na powieści Oréliena jednym z trzech narzędzi, obok Pangrama i ZeroGPT, była AUTHORRA - to mój projekt.
• Błędy poprawiam jawnie. Zasady opisuję w standardach redakcyjnych i polityce sprostowań.

Kto testuje

Wszystkie testy przygotowuję i uruchamiam sam: Piotr Olszewski, twórca i autor promptowy.com. Codziennie śledzę premiery modeli i narzędzi AI, a nowe modele sprawdzam zwykle w dniu udostępnienia, na tym samym zestawie zadań co poprzednie. Więcej o mnie i o serwisie: o mnie.

Kontakt

• Chcesz, żebym sprawdził model albo narzędzie? Napisz na [email protected] i podaj, jak jest dostępny (API, aplikacja, wagi do pobrania).
• Widzisz błąd w kluczu, ocenie albo liczbie? Napisz na ten sam adres. Poprawkę opiszę w tekście testu.
• Potrzebujesz danych z testu? Surowe dane są w paczkach wyżej, resztę wysyłam na prośbę. Pozostałe sposoby kontaktu: kontakt.

Co dalej

Kolejne edycje planuję w tym samym schemacie:

• Streszczenia dokumentów - umowy, raporty i notatki, z liczeniem faktów pominiętych i dopisanych.
• Kod po polsku - zadania programistyczne opisane po polsku, komentarze i dokumentacja w polszczyźnie.
• Dłuższe tłumaczenia - całe teksty zamiast pojedynczych zdań, z terminologią branżową.

To plan, bez ustalonych terminów.

Najczęstsze pytania

Co to jest Laboratorium Promptowe?

To seria niezależnych testów AI po polsku prowadzona na promptowy.com. Modele dostają te same polecenia, wyniki mierzę automatem, kluczem odpowiedzi albo ślepymi ocenami, a każdy test ma datę, liczbę próbek i koszt.

Czy testy są sponsorowane?

Nie. Nikt nie płaci za udział ani za miejsce w rankingu, a koszt zapytań pokrywam sam. Pierwsza edycja testu pisania kosztowała 6,12 USD, Arena wideo 8,54 USD.

Który model AI najlepiej pisze po polsku?

W moim teście 13 zadań prowadzi Claude Opus 5.5 z wynikiem 90,1 na 100. Drugi jest Muse Wonder od Mety (87,0, test z 12 października 2026), trzeci GPT-6 Sol (86,4).

Na jakim sprzęcie testujesz lokalne modele?

Na karcie RTX 4090 z 24 GB pamięci, procesorze i9-14900KF i 64 GB RAM, w Windows 11. Modele tekstowe uruchamiam w llama.cpp i Ollamie, obrazy, wideo i muzykę w ComfyUI.

Czy mogę pobrać surowe dane?

Tak. Paczka 2026-09-pisanie-po-polsku.zip zawiera odpowiedzi modeli, oceny sędziów z uwagami, klucze i skrypty, a osobna paczka zawiera skrypty testów lokalnych. Obrazy, klipy i nagrania są w tekstach testów.

Dlaczego wyniki różnią się od LMArena i Artificial Analysis?

Te rankingi mierzą głównie angielski i opierają się na głosach użytkowników albo na benchmarkach producentów. Laboratorium sprawdza polszczyznę, polskie realia, polskie napisy i polską mowę, więc kolejność bywa inna.

// czytaj dalejSkazany były naukowiec Harvardu odbudował laboratorium w Chinach. Elektronika w mózgu wraca do gryPremiumTesty A/B: Kluczowe narzędzie w optymalizacji AISłowniczekPrompt engineering po polsku: techniki, przykłady i ćwiczeniaArtykuły