01INPUT
Przekaż kontekst
Wiadomość, dokument, zgłoszenie lub stan aplikacji. Zwykły tekst albo JSON.
state„Nie mogę się zalogować…”
BASAL-1
OTWARTE MODELE DECYZYJNE
Decyzje
w milisekundach.
Mały model. Jasna odpowiedź. basal-1 zamienia kontekst w konkretną decyzję z poziomem pewności. Po polsku. Na Twoich zasadach.
✓ Otwarte wagi · Własna
infrastruktura · PL / EN
8,8 ms
Od kontekstu do decyzji4.5B · NVIDIA B300 · mediana offline¹
88,4%
Trafność decyzji po polsku4.5B · 7 081 przypadków testowych²
Apache 2.0
Swoboda budowaniaOtwarte wagi i silnik inferencji
01 / POZNAJ BASAL
Twoje możliwości.
Jego następny ruch.
Podajesz kontekst, pytanie i możliwe odpowiedzi. basal wybiera jedną z nich i ocenia prawdopodobieństwo każdej opcji — bez generowania tekstu.
02OPTIONS
Zdefiniuj odpowiedzi
Opisz kategorie własnymi słowami. Możesz zmieniać je w każdym zapytaniu, bez ponownego treningu.
03DECISION
Działaj z informacją o pewności
Otrzymaj rozkład prawdopodobieństwa. Zautomatyzuj decyzję lub skieruj ją do człowieka.
choice„Wsparcie”
b.
Inspiracja pochodzi z basal ganglia — jąder podstawy mózgu, które pomagają wybrać działanie spośród wielu możliwości.
02 / ZASTOSOWANIA
Mniej czekania.
Więcej działania.
Jeden model, wiele zadań. Dodaj szybką warstwę decyzyjną tam, gdzie Twój produkt potrzebuje następnego kroku.
KONTEKST
„Od wczoraj nie mogę zalogować się do bankowości internetowej. System pokazuje błąd hasła.”
PYTANIE
Do którego działu skierować zgłoszenie?
NASTĘPNY KROKPrzekaż do zespołu wsparcia
TY DECYDUJESZ O ZASADACH.
Nowe kategorie? Inny proces? Zmień opis opcji w zapytaniu. Model zostaje ten sam.
03 / WYNIKI, KTÓRE MOŻESZ SPRAWDZIĆ
Mały rozmiar.
Polska specjalizacja.
basal-1.0-4.5B osiąga 88,4% trafności na polskich decyzjach testowych. To o 10,5 punktu procentowego więcej od najlepszego z 11 porównanych otwartych modeli decyzyjnych.
Otwórz pełny benchmark
4.5B
parametrów
Wyspecjalizowany. Kompaktowy.
Wyspecjalizowany. Kompaktowy.
basal-1.0 4.5B88,4%
basal-1.0 1.5B84,9%
Jev 1.13.0 · API78,0%
AutoJev 27B77,9%
Cygnet 12B68,8%
Wybrane modele z pełnego porównania. Średnia z dwóch kolejności opcji. basal: silnik w trybie fast; otwarte modele: oficjalne serwery na H100. Jev: komercyjne API.
¹ 8,8 ms: 4.5B, B300 SXM6, bf16, batch 1, obie kolejności opcji; pomiar offline na 500 przykładach. Przez HTTP: 9,7 ms p50. Warunki pomiarów ↗
² Wyniki na odłożonych szablonach, przepisach i domenach; zbiór testowy był konsultowany podczas rozwoju. Jakość w Twoim procesie wymaga osobnej walidacji. Raport techniczny ↗
04 / WYBIERZ SWÓJ MODEL
Dwa rozmiary.
Ten sam prosty interfejs.
Otwarty kod i wagi na licencji Apache 2.0. Uruchom model we własnej infrastrukturze i zachowaj kontrolę nad przepływem danych.
NAJWYŻSZA JAKOŚĆ W RODZINIE
basal-1.0 4.5B
Główny model do klasyfikacji, weryfikacji reguł i decyzji wymagających większej trafności.
- Trafność · decyzje PL
- 88,4%
- Mediana offline · H100, bf16
- 12,5 ms
- Dostępne formaty wag
- BF16 / FP8 / NVFP4
MNIEJSZY I SZYBSZY
basal-1.0 1.5B
Lekki wariant do częstych, powtarzalnych decyzji. Około dwukrotnie niższe opóźnienie na H100.
- Trafność · decyzje PL
- 84,9%
- Mediana offline · H100, bf16
- 6,2 ms
- Dostępne formaty wag
- BF16 / FP8 / NVFP4
Zbudowane na modelach Bielik od SpeakLeash. FP8 i NVFP4 wymagają zgodnego sprzętu; kwantyzacja zmienia jakość. Sprawdź formaty i wymagania
05 / OD POMYSŁU DO PIERWSZEJ DECYZJI
Mały krok w kodzie.
Duży krok w procesie.
Zainstaluj silnik, uruchom model i wyślij pierwsze zapytanie. Korzystaj z klienta Python lub prostego API HTTP.
Klient Python w
pakiecie Trzy typy
decyzji: choice, noul, score Kategorie
definiowane w zapytaniu
Pełna dokumentacja
# 1. Utwórz środowisko (wymaga uv)
uv venv --python 3.12 ~/basal-env
source ~/basal-env/bin/activate
# 2. Zainstaluj PyTorch i silnik
uv pip install torch==2.11.0 \
--index-url https://download.pytorch.org/whl/cu128
uv pip install "basal[fp8] @ https://github.com/rkinas/basal/archive/refs/tags/v1.0.1.tar.gz"
# 3. Uruchom model
basal-serve --model Remek/basal-1.0-4.5B \
--mode fast --port 8000
TERMINAL · LINUX / WSL + NVIDIA GPUv1.0.1
Zainstaluj uv i sterownik obsługujący CUDA 12.8. Pierwszy start kompiluje model przez kilka minut. B300 i DGX Spark: instrukcja sprzętowa.
WARTO WIEDZIEĆ
Kilka dobrych
pytań na początek.
Co basal robi, jak go wdrożyć i gdzie sprawdzi się najlepiej.
Czym basal różni się od chatbota?
basal zwraca decyzję spośród opcji, które podasz, oraz prawdopodobieństwa tych opcji. Nie prowadzi rozmowy ani nie pisze uzasadnień. To dynamiczny klasyfikator: kategorie opisujesz przy każdym zapytaniu, bez treningu osobnego modelu dla każdego procesu.
Czy moje dane muszą opuszczać firmę?
Możesz uruchomić model i silnik inferencji na własnym serwerze. Zapytania trafiają wtedy do Twojego API. Sposób przechowywania danych, uprawnienia i dostęp do serwera pozostają częścią Twojego wdrożenia.
Co oznacza poziom pewności?
To skalibrowane prawdopodobieństwo przypisane wybranej opcji. Pomaga ustawić próg automatyzacji: zaakceptować część odpowiedzi, a pozostałe skierować do weryfikacji. Wysoka pewność nie gwarantuje poprawności. Próg należy dobrać na oznaczonych danych z własnego procesu, zwłaszcza po zmianie formatu opcji lub kwantyzacji.
Jaki sprzęt jest potrzebny?
Zoptymalizowany tryb fast korzysta z GPU NVIDIA zgodnego z CUDA (sm80+). Model 1.5B ma mniejsze wymagania od 4.5B. Tryb eager działa także na CPU, ale podane na stronie czasy dotyczą GPU. FP8 wymaga zgodnej karty, a NVFP4 architektury Blackwell. Zobacz wyniki i instrukcje dla poszczególnych kart ↗
Gdzie potrzebna jest dodatkowa weryfikacja?
Przy dokładnych obliczeniach i progach liczbowych użyj kodu, a wynik przekaż modelowi. Dostarczaj aktualne reguły w kontekście i sprawdzaj jakość na własnych dokumentach. Decyzje o poważnych skutkach dla ludzi wymagają nadzoru człowieka. Karta modelu opisuje także znany błąd dotyczący okresu wypowiedzenia oraz ograniczenia ewaluacji. Przeczytaj ograniczenia modelu ↗
MNIEJ OPÓŹNIEŃ. WIĘCEJ MOŻLIWOŚCI.
Twój następny ruch?
Zbuduj go z basal.
Zacznij budować Otwarte modele. Twój pomysł.