01INPUT
Przekaż kontekst
Wiadomość, dokument, zgłoszenie lub stan aplikacji. Zwykły tekst albo JSON.
state„Nie mogę się zalogować…”
BASAL-1.5
RODZINA OTWARTYCH MODELI
DECYZYJNYCH
Premiera 5.10.2026
basal-1.5: trzy modele, benchmark Werdykt, przypadki biznesowe.
Decyzje
w milisekundach.
basal-1.5 to polski model otwarty na licencji Apache-2.0. Czyta kontekst i odpowiada na Twoje pytania wyłącznie w ramach opcji, które podasz, z prawdopodobieństwem dla każdej z nich. Klasyfikator definiujesz dynamicznie przy każdym zapytaniu, bez dodatkowego treningu. Uruchamiasz lokalnie, zachowując dane u siebie.
Specjalizacja językowa:
Używam modelu basal — dodaj swoje zastosowanie
- polski
- angielski
93,1%
Trafność na zamkniętym teście PLbasal-1.5 · 3 000 nowych decyzji · 1.0: 87,4%
3×
Szybciej przy 5 pytaniach o jeden stan
Dzięki mechanizmowi SOAM
4.5B · H100 · 111,7 → 37,8 ms¹
72,1%
Werdykt · polski i angielskibasal-1.5 · ukryty zbiór, 20 komórek²
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: wybór, tak/nie, skala lub wiele etykiet. Zmieniaj je w każdym zapytaniu, bez ponownego treningu.
03DECISION
Działaj z informacją o pewności
Otrzymaj rozkład prawdopodobieństwa, fragment tekstu, który go uzasadnia, albo od razu najtańszą akcję przy Twoich kosztach.
choice„Wsparcie”
Wiele pytań, jeden przebieg: kategoria, pilność, kompletność i dane osobowe w jednym zapytaniu, stan liczony raz. Nazwa pochodzi od 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.
Poznaj 18 scenariuszy w katalogu01 / ZAPYTANIE WEJŚCIOWE
KONTEKST
„Od wczoraj nie mogę zalogować się do bankowości internetowej. System pokazuje błąd hasła.”
PYTANIE
Do którego działu skierować zgłoszenie?
02 / ODPOWIEDŹ MODELU
NASTĘPNY KROKPrzekaż do zespołu wsparcia
Zapytanie wejściowe
POST /v1/systemone
Kontekst w state, pytanie w
instructions i definicje odpowiedzi w
criteria.
Odpowiedź modelu
JSON · model + answers
Wynik, prawdopodobieństwa i poziom pewności. Fragment
odpowiedzi bez statystyk wywołania usage.
TY DECYDUJESZ O ZASADACH.
Nowe kategorie? Inny proces? Zmień opis opcji w zapytaniu. Model zostaje ten sam.
03 / WERDYKT · UKRYTY BENCHMARK PL–EN
Ten sam test.
Te same zasady.
Werdykt to nasz ukryty benchmark decyzji typowanych: 10 kategorii po polsku i po angielsku — reguły, prawdziwe i długie dokumenty, RAG, umowy, routing, skale, ocena odpowiedzi, następny krok agenta i „nie da się ustalić”. Każdy model dostaje ten sam prompt i jedno wywołanie na pytanie; mierzymy trafność, czas i koszt.
Pełna tabela, kategorie i przykłady
PL+EN
zamknięty zbiór
Jawne ilustracje. Ukryte pytania testowe.
Jawne ilustracje. Ukryte pytania testowe.
Czas: mediana. Koszt: USD / 1000 decyzji. Krótszy pasek = lepiej; obie skale od zera do maksimum w zestawieniu.
basal-1.5: 72,12% · max: 77,28% · mini: 60,66%. Otwórz pełne wyniki Werdyktu →
Wybrane systemy z pełnej tabeli. Otwarte modele na jednym H100, modele API przez OpenRouter. basal: własny silnik, obie kolejności opcji.
¹ Wiele pytań: 4.5B, H100, mediana jednego zapytania w porównaniu silników na tym samym serwerze, 5 pytań o ten sam stan, silnik basal-1.0 vs basal-1.5; w fp32 odpowiedzi identyczne jak przy osobnych zapytaniach. SOAM nie przyspiesza pojedynczego pytania; w teście HTTP na H100 jedno pytanie do basal-1.5 to 13,7 ms (mediana). Warunki pomiarów ↗
² Werdykt v1: jedno wywołanie na pytanie, ten sam prompt dla każdego modelu, nieodczytana odpowiedź = błąd. Średnia z 10 kategorii × 2 języki z 95% przedziałem ufności. Pytania nie są publikowane; żadne pytanie, dokument ani fragment Werdyktu nie występuje w danych treningowych basal. Modele lub rodziny modeli, które brały udział w budowie lub sprawdzaniu pytań, oznaczamy †; ich wynik nie jest niezależny. Protokół i przykłady
04 / NOWE FUNKCJE
Klasyfikator, który mówi,
jak bardzo jest pewny — i dlaczego.
Typowane odpowiedzi, kalibracja z progami ryzyka, dowody w tekście, decyzje z kosztami i wiele pytań w jednym przebiegu. Funkcje oznaczone jako eksperymentalne mogą się zmienić w kolejnej wersji.
stabilneTylko basal
Wiele pytań, jeden przebieg
Wszystkie pytania o ten sam stan w jednym przebiegu modelu, z tymi samymi odpowiedziami co osobno.
3,0× szybciej przy 5 pytaniacheksperymentalneTylko basal
Dowody w tekście
"evidence": true zwraca fragment stanu, który wspiera
odpowiedź, z dokładnymi pozycjami znaków — do podświetlenia
i audytu.
eksperymentalneTylko basal
Decyzja z kosztami
Podaj koszt błędu i koszt konsultanta (act);
model wybierze najtańszą akcję albo przekaże sprawę człowiekowi.
stabilneTylko basal
Wiele etykiet
Które kategorie dotyczą sprawy? multi daje niezależne
prawdopodobieństwo dla każdej etykiety i wybrany zestaw.
stabilneTylko basal
Fakty wyliczone
Dni wolne, odstępy między datami, netto/brutto i sumy
dopisane do stanu ("facts": "auto"): model czyta
rachunki zamiast je liczyć.
PL-Workflows
Reklamacje, faktury, kadry, przetargi, alerty SOC: basal decyduje, kod liczy, niska pewność trafia do człowieka.
5 gotowych procesówbasal w RAG
System RAG podejmuje dziesiątki małych decyzji: czy szukać, który fragment jest istotny, czy fragmenty wystarczą, czy źródła są sprzeczne, czy odpowiedź ma pokrycie w tekście. basal odpowiada na każdą w milisekundach, z prawdopodobieństwem i fragmentem-dowodem.
Agenci i narzędzia
Które narzędzie wywołać, czy dopytać użytkownika, czy wywołanie wymaga potwierdzenia, czy wynik kończy zadanie. basal wybiera spośród opcji; argumenty pisze LLM albo kod.
05 / WYBIERZ SWÓJ MODEL
Trzy rozmiary.
Ten sam prosty interfejs.
Otwarty kod i wagi na licencji Apache 2.0, na Hugging Face od 5 października 2026. Uruchom model we własnej infrastrukturze i zachowaj kontrolę nad przepływem danych.
GŁÓWNY MODEL
basal-1.5 4.5B
Najlepszy balans trafności i szybkości: routing, reguły, dokumenty, RAG, agenci.
- Zamknięty test PL · 3 000 decyzji
- 93,1% (basal-1.0: 87,4%)
- Werdykt · PL + EN
- 72,1%
- Jedno pytanie · HTTP · H100
- 13,7 ms
- Formaty wag
- BF16 / MLX 8-bit, 4-bit / GGUF
NAJTRAFNIEJSZY W RODZINIE
basal-1.5 max · 11B
Długie dokumenty, ocena odpowiedzi i trudne decyzje po angielsku, gdy liczy się każdy punkt.
- Zamknięty test PL · 3 000 decyzji
- 93,3% (basal-1.5: 93,1%)
- Werdykt · PL + EN
- 77,3%
- Jedno pytanie · HTTP · H100
- 27,3 ms
- Formaty wag
- BF16 / MLX 8-bit, 4-bit / GGUF
NAJSZYBSZY
basal-1.5 mini · 1.5B
Destylowany z max. Najszybszy i najlżejszy: duże wolumeny, laptopy, małe GPU i CPU. Gdy liczy się każdy punkt trafności, wybierz basal-1.5 lub max.
- Zamknięty test PL · 3 000 decyzji
- 91,0% (basal-1.0-1.5B: 88,9%)
- Werdykt · PL + EN
- 60,7%
- Jedno pytanie · HTTP · H100
- 10,9 ms
- Formaty wag
- BF16 / MLX 8-bit, 4-bit / GGUF
Zbudowane na modelach Bielik od SpeakLeash. MLX 8-bit i 4-bit dla Apple Silicon, GGUF dla Ollama i llama.cpp; kwantyzacja zmienia niewielką część decyzji. Sprawdź formaty i wymagania
06 / SILNIKI
Uruchom basal wszędzie.
Ten sam interfejs decyzji.
Od serwera z GPU NVIDIA po Maca i laptopa z Ollama.
Wagi uruchamia wybrany silnik, a typowane, skalibrowane
odpowiedzi daje zawsze basal-serve — to samo
POST /v1/systemone w każdym trybie.
- CUDA
- vLLM
- SGLang
- Apple MLX
- Ollama
- llama.cpp
| Silnik | Tryb basal-serve |
Sprzęt | Status |
|---|---|---|---|
| Silnik basal (PyTorch) |
fast, fp8;
eager --device mps|cpu
|
GPU NVIDIA; Apple Silicon i CPU w trybie eager | sprawdzony: 13,7 ms na pytanie przez HTTP, 64,4 decyzji/s (H100) |
| vLLM | vllm |
GPU NVIDIA | sprawdzony offline: zgodność 0,994 z referencją fp32, 147 decyzji/s |
| SGLang | sglang |
GPU NVIDIA | sprawdzony offline: zgodność 0,995 z referencją fp32, 104,6 decyzji/s; w Werdykcie ta sama odpowiedź co silnik basal w 98,3% pytań (97,0% powyżej 8 tys. tokenów) |
| MLX |
mlx (-MLX-8bit,
-MLX-fp4)
|
Apple Silicon | sprawdzony na Apple M4 Pro: zgodność z bf16 0,992 (8-bit) i 0,970 (fp4), ok. 0,6 s na pytanie |
| Ollama | ollama (-GGUF) |
CPU, Apple Silicon, GPU konsumenckie | sprawdzony na Apple M4 Pro: zgodność z bf16 0,994 (Q8_0) i 0,980 (Q4_K_M), ok. 0,5 s na pytanie |
| llama.cpp | llamacpp (-GGUF) |
CPU, Apple Silicon, GPU konsumenckie | sprawdzony na Apple M4 Pro: zgodność z bf16 0,994 (Q8_0) i 0,980 (Q4_K_M), ok. 0,43 s na pytanie |
basal-serve jest warstwą decyzji w każdym silniku.
Ollama, llama.cpp i MLX uruchamiają wagi; prawdopodobieństwa dla
Twoich opcji, kalibracja, wspólny stan wielu pytań oraz typy
multi i act pochodzą z basal-serve
uruchomionego przed nimi. Samo ollama run zwraca wolny
tekst. Fragmenty-dowody działają w silniku PyTorch.
Instrukcje dla każdego silnika
07 / OD POMYSŁU DO PIERWSZEJ DECYZJI
Mały krok w kodzie.
Duży krok w procesie.
Zainstaluj silnik, uruchom model i wyślij pierwsze zapytanie: na GPU NVIDIA, na Macu z Apple Silicon albo przez Ollama. Korzystaj z klienta Python lub wywołaj API HTTP z TypeScript.
Klient Python w
pakiecie Pięć typów pytań:
choice, noul, score, multi, act 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/v1.5.0.tar.gz"
# 3. Uruchom model
basal-serve --model Remek/basal-1.5-4.5B \
--mode fast --port 8000
TERMINAL · LINUX / WSL + NVIDIA GPUv1.5.0
Zainstaluj uv i sterownik obsługujący CUDA 12.8 (B300 i HP ZGX Nano (Nvidia DGX Spark): cu130). Pierwszy start kompiluje model przez kilka minut. Wszystkie karty: 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. Progi dla 1% i 5% błędu są w pliku CALIBRATION.json każdego modelu; dla basal-1.5-mini używaj progu 1%, bo przy progu 5% obserwowany błąd na teście odłożonym wyniósł 5,3%. Wysoka pewność nie gwarantuje poprawności. Próg należy dobrać na oznaczonych danych z własnego procesu, zwłaszcza po zmianie formatu opcji, przy portach MLX i GGUF lub kwantyzacji.
Jaki sprzęt jest potrzebny?
Najszybciej działa na GPU NVIDIA (tryb fast, sm80+); FP8 na kartach Hopper i Blackwell. Na Macu z Apple Silicon model działa przez MLX (wersje 8-bit i 4-bit), a na CPU i kartach konsumenckich przez Ollama lub llama.cpp (GGUF). basal-1.5-mini (1,5B) ma najmniejsze wymagania, basal-1.5-max (11B) największe. Zobacz wyniki i instrukcje dla poszczególnych kart ↗
Gdzie potrzebna jest dodatkowa weryfikacja?
Przy dokładnych obliczeniach i progach liczbowych użyj kodu albo opcji "facts": "auto" dla polskich dat i kwot, a wynik przekaż modelowi. Dostarczaj aktualne reguły w kontekście i sprawdzaj jakość na własnych dokumentach. Funkcje eksperymentalne (dowody w tekście, decyzje z kosztami) stosuj z człowiekiem w pętli. Decyzje o poważnych skutkach dla ludzi wymagają nadzoru człowieka. Przeczytaj ograniczenia modelu ↗
Czy mogę użyć modelu w produkcie komercyjnym?
Czym jest Werdykt i dlaczego zbiór jest zamknięty?
Werdykt to nasz ukryty benchmark decyzji po polsku i po angielsku. Zamknięty zbiór chroni wynik przed przeciekiem do danych treningowych; publikujemy protokół, przykłady i wyniki wszystkich modeli. W każdej wersji wymieniamy część pytań. Zobacz Werdykt
Czy basal zastąpi LLM?
Nie w pisaniu tekstu. basal podejmuje decyzje wokół LLM: routing, kontrolę odpowiedzi, wybór narzędzia, ocenę, czy kontekst wystarcza — z krótkim czasem odpowiedzi i rozkładem prawdopodobieństw.
Co znaczy „eksperymentalne”?
API takiej funkcji może się zmienić w kolejnej wersji, a jej zmierzona jakość jest niższa, niż oczekujemy od funkcji produkcyjnej. Używaj jej z człowiekiem w pętli i sprawdź na własnych danych.
BASAL LAB / ZOBACZ W PRAKTYCE
Małe decyzje. Działające aplikacje.
Co mówią o firmie? ↗
Uporządkuj dokumenty PDF ↗
Przygotuj import do ERP ↗
Połącz karty jednego klienta ↗
Sprawdź poufność wiadomości ↗
Zobacz skutki opóźnienia ↗
Nowe: monitoring wzmianek o firmie i pięć procesów biznesowych na MacBooku Pro. Lokalne obliczenia i filmy krok po kroku. W katalogu łącznie 18 zastosowań — także na HP ZGX Nano (Nvidia DGX Spark) i H100.
BLOG / NOWE WYDANIE
Wszystkie wpisy ↗
basal-1.5 — trzy modele, więcej możliwości
Co zmienia nowa generacja? Trzy rozmiary, nowe schematy zapytań, przetwarzanie wielu pytań i wyniki Werdyktu. Najważniejsze informacje w jednym wpisie.
Czytaj o basal-1.5
SPOŁECZNOŚĆ / ZBUDOWANE Z BASAL
Twój projekt może zainspirować innych.
Używasz basal w pracy, produkcie lub eksperymencie? Opowiedz o zastosowaniu i dołącz do księgi społeczności.
MNIEJ OPÓŹNIEŃ. WIĘCEJ MOŻLIWOŚCI.
Twój następny ruch?
Zbuduj go z basal.
Zacznij budować Otwarte modele. Twój pomysł.