BASAL LAB / OD POMYSŁU DO PROCESU

Małe decyzje.
Działające aplikacje.

33 sposobów na wykorzystanie klasyfikatora. Zobacz, jak basal współpracuje z dokumentami, bazą danych, kodem i człowiekiem. Znajdziesz tu demonstracje aplikacji i filmy o silniku 2.5. Przy każdym podajemy wersję, źródło wyników i warunki pomiaru.

tekst · obraz · dźwięk

Nowa seria: silnik basal 2.5. Kaskada i blend, panel na żywo, wizualizacja decyzji, osłona agenta i konfigurator startu. Pięć filmów z polskim lektorem. Nagrania powstały przed premierą; silnik jest już dostępny, a zalecana wersja instalacyjna to 2.8.1. Poznaj nowości 2.5 →

Pięć demonstracji z basal-omni: kontrola kampanii, obrazy dokumentów, polskie rozmowy, trójjęzyczna wiadomość i Arcade. Filmy z lektorem pokazują wejścia, pytania i rzeczywiste odpowiedzi. Nagrania z 8–10 października powstały na H100 i HP ZGX Nano, na wczesnym basal-omni-1.0-max. Arcade łączy omni z modelem tekstowym. Wydane modele mogą odpowiadać inaczej. Poznaj basal-omni

Automatyzacja i agenci: Nowe demo MCP pokazuje Codex, lokalnego basala i Claude Code w trzech panelach Herdr, zmianę planu i kontrolę kosztu. „Poranna skrzynka” pokazuje prawdziwy graf n8n, basala tekstowego i Bielika. „Wyścig z agentem” pokazuje wybór ruchu w przeglądarce oraz zatrzymanie przed płatnością. Wersje modeli podajemy przy nagraniach.

Sześć nowych procesów na MacBooku Pro: monitoring wzmianek o firmie i pięć procesów biznesowych. Apple M4 Pro, 24 GB, basal-1.5 4.5B w MLX 8-bit. Inferencja lokalnie. Nagrania i pomiary z 5 października 2026.

Osiem wcześniejszych aplikacji basal-1.5 działało na HP ZGX Nano (Nvidia DGX Spark), układ GB10. Pomiary z 4 października 2026.

Pierwsze cztery nagrania używają basal-1.0 na H100 (2 października 2026). To demonstracje poprzedniej wersji modelu. Wersję i warunki podajemy przy każdym przypadku.

02 / RAG + WERYFIKACJA

Sprawdź odpowiedź, zanim ją pokażesz.

Odpowiedź brzmi przekonująco. Czy jej twierdzenia mają pokrycie w źródle? basal ocenia je pojedynczo, a kod dodatkowo sprawdza zgodność liczb.

NAGRANIE · BEZ DŹWIĘKUbasal-1.0 · H100
Nagranie zestawia odpowiedź ze źródłem i pokazuje ocenę poszczególnych zdań. Zmiana faktu lub liczby może skierować odpowiedź do sprawdzenia. Pobierz nagranie ↓
86,4%wykrytych niepopartych twierdzeń
3,9%fałszywych alarmów
375zdań w próbie

Jak to działa

02 / SCHEMAT DZIAŁANIA Dwie kontrole przed publikacją jednej odpowiedzi.
  1. 01 Przygotowanie
    WEJŚCIEOdpowiedź LLM + źródła

    Gotowy tekst i dokumenty, na których ma się opierać.

    KODPodział na zdania

    Każde twierdzenie wraz ze źródłem trafia do obu kontroli.

  2. 02 Dwie kontrole
    Niezależne sygnały
    BASAL · CHOICEZgodność ze źródłem
    • Poparte
    • Sprzeczne
    • Brak informacji
    KODKontrola liczb

    Czy liczby w zdaniu zgadzają się ze źródłem?

  3. 03 Reguły publikacji
    KODPołącz sygnały

    Oceny wszystkich zdań, ich pewność oraz wynik kontroli liczb.

    Jedna decyzja dla całej odpowiedzi
  4. 04 Trzy ścieżki
    Publikuj

    Wszystkie zdania poparte z P ≥ 0,7; liczby zgodne.

    Zablokuj

    Sprzeczność ze źródłem lub błąd liczbowy.

    Przekaż do przeglądu

    Pozostałe przypadki sprawdza człowiek.

Decyzja basal Kod i reguły aplikacji Dane lub wynik

Dla każdego twierdzenia model wybiera: poparte źródłem, sprzeczne ze źródłem lub brak informacji. Osobna reguła w kodzie wykrywa rozbieżności liczb. Aplikacja łączy sygnały w decyzję o publikacji, kontroli lub blokadzie.

WARUNKI I WYNIKI

Co sprawdziliśmy?

375 zdań. Wyniki dotyczą całej osłony: klasyfikatora wraz z kontrolą liczb. To wykrywanie błędów na podstawie dostarczonego źródła, nie samodzielna weryfikacja prawdziwości świata.

Kontrola liczb bez modelu wychwyciła 39,4% niepopartych twierdzeń. Łączenie obu metod poprawiło wykrywalność, ale zwiększyło liczbę fałszywych alarmów.

Strażnik odpowiedzi · basal-1.0
WariantWykrycie niepopartych twierdzeńFałszywy alarm
basal-1.0 · 4.5B, bez reguły liczb71,0%0,6%
basal-1.0 · 4.5B + reguła liczb86,4%3,9%
basal-1.0 · 1.5B, bez reguły liczb54,3%1,9%
basal-1.0 · 1.5B + reguła liczb79,6%11,7%
WNIOSEK Z PRÓBY

Próg kontroli trzeba dostosować do produktu. Wynik 86,4% dotyczy modelu z regułą w kodzie; nie jest wynikiem samego basal. Trudniejsze przypadki nadal wymagają weryfikacji.

03 / ROUTING + AUTOMATYZACJA

Jedna wiadomość. Siedem małych decyzji.

Do kogo skierować zgłoszenie? Jak pilne jest? Czy dotyczy zwrotu, danych osobowych lub podejrzenia oszustwa? Jedno zapytanie porządkuje pracę zespołu.

NAGRANIE · BEZ DŹWIĘKUbasal-1.0 · H100
Nagranie pokazuje klasyfikację wiadomości do działów oraz oceny pilności i sygnałów wymagających uwagi. Próg pewności decyduje, które sprawy sprawdzi człowiek. Pobierz nagranie ↓
95,6%poprawnie wybranego działu
66,7%spraw objętych automatyzacją przy τ = 0,95
99,4%trafności w tej automatyzowanej części

Jak to działa

03 / SCHEMAT DZIAŁANIA Jedna wiadomość → siedem ocen → właściwa kolejka.
  1. 01 Wejście
    KLIENTWiadomość e-mail

    Jeden kontekst dla wszystkich pytań o zgłoszenie.

  2. 02 Siedem decyzji
    BASAL · JEDNO ZAPYTANIEPrzeczytaj i sklasyfikuj
    Dział
    1 z 8
    Pilność
    0–3
    Wydźwięk
    0–3
    Groźba odejścia / pozwu
    tak/nie
    Wniosek RODO
    tak/nie
    Podejrzenie oszustwa
    tak/nie
    Prośba o zwrot
    tak/nie
  3. 03 Polityka obsługi
    KODZastosuj reguły

    Ustal priorytet, akcję i termin według zasad zespołu.

    Pewność wyboru działu próg τ
  4. 04 Przekazanie sprawy
    P ≥ PRÓG τWłaściwa kolejka

    Automatyczne przypisanie zgłoszenia do działu.

    lub
    P < PRÓG τDecyzja konsultanta

    Człowiek sprawdza niejednoznaczny przypadek.

Decyzja basal Kod i reguły aplikacji Dane lub wynik

Zapytanie zawiera wybór jednego z ośmiu działów, ocenę pilności i wydźwięku oraz cztery pytania tak/nie: groźba, dane osobowe, oszustwo i zwrot. Kod stosuje reguły obsługi; sprawy poniżej progu kieruje do konsultanta.

WARUNKI I WYNIKI

Co sprawdziliśmy?

249 wiadomości testowych. Automatyzacja i trafność przy progu dotyczą klasyfikacji do działu. Nie należy utożsamiać ich z bezbłędną obsługą całej wiadomości.

48 wiadomości, 336 decyzji: 2,4 s na H100. W próbie basal-1.0 siedem pytań zajmowało około 42 ms, jedno około 20 ms. To osobny pomiar od przyspieszenia SOAM w basal-1.5.

Autopilot skrzynki · basal-1.0
Pomiarbasal-1.0 · 4.5Bbasal-1.0 · 1.5B
Wybór działu95,6%91,2%
Wykrycie groźby98,0%92,0%
Pilność · tolerancja jednego poziomu88,0%82,7%
Automatyzacja / trafność · τ = 0,9566,7% / 99,4%41,4% / 97,1%
Automatyzacja / trafność · τ = 0,8576,3% / 98,4%68,3% / 97,6%
Wybór działu bez polskich znaków · 36 wiadomości97,2%94,4%
WNIOSEK Z PRÓBY

Niższy próg obsłuży automatycznie więcej spraw, ale zwiększy ryzyko pomyłek. Własne reguły i oznaczona próbka wiadomości pozwalają dobrać punkt pracy do zespołu.

04 / GRA + DECYZJE NA ŻYWO

Jak szybko model odgadnie hasło?

Opis pojawia się słowo po słowie. Po każdym nowym fragmencie basal aktualizuje prawdopodobieństwa dziesięciu możliwych haseł.

NAGRANIE · BEZ DŹWIĘKUbasal-1.0 · H100
W nagraniu model odgaduje hasło „parasol” po pięciu z 22 słów opisu. Zmieniające się słupki pokazują prawdopodobieństwo każdej opcji. Pobierz nagranie ↓
93,2%trafnych odpowiedzi po pełnym opisie
28%opisu do rozpoznania · mediana
14 msdecyzja modelu 4.5B na H100

Jak to działa

04 / SCHEMAT DZIAŁANIA Każde nowe słowo może zmienić wskazanie.
  1. 01 Rosnący kontekst
    GRACZOpis słowo po słowie

    Nowe słowo dołącza do już odsłoniętego fragmentu.

    …
  2. 02 Wybór z listy
    BASAL · CHOICEKtóre hasło pasuje?

    Ten sam zestaw 10 opcji: właściwe hasło i 9 mylących.

    Dotychczasowy opis 10 prawdopodobieństw
  3. 03 Aktualizacja widoku
    KODOdśwież ranking

    Pokaż nowy rozkład prawdopodobieństw i zaznacz prowadzącą opcję.

  4. 04 Wskazanie
    NA NAGRANIU„parasol”

    Rozpoznane po 5 z 22 słów. Model wybiera hasło z listy.

    5 / 22 słowa
Kolejne słowo → dłuższy kontekst → nowa ocena
Decyzja basal Kod i reguły aplikacji Dane lub wynik

Każda karta zawiera prawidłowe hasło i dziewięć mylących opcji. Ten sam klasyfikator dostaje coraz dłuższy kontekst. Nie generuje opisu ani słowa — wybiera z listy przygotowanej przez grę.

WARUNKI I WYNIKI

Co sprawdziliśmy?

44 karty. Mediana części opisu do rozpoznania i trafność końcowa opisują różne aspekty gry: wcześniejszy wybór mniejszego modelu nie oznacza wyższej trafności.

Pojedynczy H100. Krótki czas decyzji pozwala aktualizować wskazanie w trakcie pojawiania się opisu.

Tabu · basal-1.0
Pomiarbasal-1.0 · 4.5Bbasal-1.0 · 1.5B
Trafność po pełnym opisie93,2%77,3%
Część opisu do rozpoznania · mediana28%21%
Czas jednej decyzji14 ms8 ms
WNIOSEK Z PRÓBY

To ten sam mechanizm, który może sterować reakcją postaci, wybrać następną akcję w symulacji lub reagować na nowe zdarzenie — z jawną listą możliwych ruchów.

05 / OCENA ODPOWIEDZI

Dobra odpowiedź przechodzi trzy próby.

Czy odpowiedź zgadza się ze źródłem? Czy obejmuje całe pytanie? Czy spełnia polecenie? Trzy osobne oceny pomagają zdecydować, czy pokazać ją użytkownikowi.

NAGRANIE · BEZ DŹWIĘKUbasal-1.5 · 4.5B · HP ZGX Nano (Nvidia DGX Spark)
Nagranie pokazuje poprawną odpowiedź oraz wariant ze zmienionym faktem. To rzeczywiste obliczenia basal-1.5 na HP ZGX Nano (Nvidia DGX Spark), na autorskim, fikcyjnym materiale o muzeum. Pobierz nagranie ↓
95,8%trafnych ocen kryteriów
327 mscały proces · mediana w próbie
72ocen w próbie syntetycznej

Jak to działa

05 / SCHEMAT DZIAŁANIA Jedna odpowiedź. Trzy kryteria. Jawna reguła publikacji.
  1. 01 Wejście
    DANE / WYNIKŹródło + pytanie + odpowiedź

    Aplikacja podaje materiał oraz tekst, który ma zostać oceniony.

  2. 02 Ocena
    BASAL-1.5Trzy pytania noul

    Zgodność faktów, kompletność i forma. Każde kryterium dostaje tylko potrzebny mu kontekst.

  3. 03 Reguła
    KOD APLIKACJIPróg pewności 0,90

    Wszystkie oceny ≥ 0,90: publikacja. Dowolna ≤ 0,10: poprawa. Pozostałe: człowiek.

  4. 04 Wynik
    DANE / WYNIKPublikacja, poprawa lub przegląd

    Każde kryterium zachowuje własne prawdopodobieństwo.

Decyzja basal Kod i reguły aplikacji Dane lub wynik

Trzy osobne żądania rozdzielają konteksty: źródło i odpowiedź dla faktów, pytanie i odpowiedź dla kompletności, wymaganie i odpowiedź dla formy (po polsku, jednym zdaniem). Kod stosuje próg 0,90 i rozróżnia odpowiedź gotową, wymagającą poprawy oraz niepewną. Model nie tworzy odpowiedzi zastępczej.

WARUNKI I WYNIKI

Co sprawdziliśmy?

24 syntetyczne odpowiedzi w sześciu tematach: kurs, rowery, biblioteka, serwis, sala i plan aplikacji. Każdy temat ma odpowiedź poprawną, zmieniony fakt, brak informacji i niewłaściwy język. Razem 72 oceny kryteriów. Cztery przykłady o muzeum służyły do sprawdzenia aplikacji przed próbą.

HP ZGX Nano (Nvidia DGX Spark) (GB10, 128 GB), basal-1.5 4.5B, BF16, fast-nocompile, SOAM. Żądania kolejno, po rozgrzaniu serwera, przez lokalny tunel SSH. Czas całej aplikacji obejmuje jej pracę oraz komunikację z modelem; w agencie także uruchomienie przeglądarki. Wyniki z 4 października 2026.

Basal Judge · basal-1.5
PomiarWynik próby
Trafne oceny69 / 72
Przebiegi bez błędu wykonania24 / 24
Cały proces · p50327 ms
Cały proces · p95348 ms
Jedno żądanie HTTP · p50102 ms
Zgodność ze źródłem23 / 24
Kompletność24 / 24
Polski i jedno zdanie22 / 24
Publikacja / poprawa / przegląd0 / 12 / 12
Błędne automatyczne akceptacje0
WNIOSEK Z PRÓBY

Przy progu 0,90 aplikacja nie zaakceptowała automatycznie żadnej z 24 odpowiedzi: 12 skierowała do poprawy i 12 do przeglądu. Mimo 69 poprawnych ocen na 72 kryteria, ten punkt pracy sprawdził się jako pomoc w kontroli, a nie automatyczna bramka publikacji. Próg i rubryki wymagają walidacji na własnych danych.

06 / WYBÓR AKCJI + WYKONANIE

Podaj cel. Agent wykona kolejne kliknięcia.

„Znajdź cennik biletów na Wystawy w Centrum Nauki Kopernik”. Agent otwiera prawdziwą witrynę, wybiera sekcję Wizyta, przechodzi do cen i sprawdza, czy dotarł do celu. Zobacz każde kliknięcie oraz decyzję basal, która do niego prowadzi.

NAGRANIE · BEZ DŹWIĘKUbasal-1.5 · 4.5B · HP ZGX Nano (Nvidia DGX Spark)
Rzeczywista nawigacja na publicznej stronie Centrum Nauki Kopernik, zarejestrowana 4 października 2026. Zrzuty stron, wybrane linki i oceny basal pochodzą z tego przebiegu. Film odtwarza go wolniej, aby można było prześledzić decyzje. Źródło widoków: Centrum Nauki Kopernik. Pobierz nagranie ↓
100,0%poprawnych zadań w kontrolnym katalogu kursów
3,78 scały proces · mediana w próbie
10ocen w próbie syntetycznej

Jak to działa

06 / SCHEMAT DZIAŁANIA Ty opisujesz cel. basal wybiera link. Przeglądarka go otwiera.
  1. 01 Zadanie
    DANE / WYNIKZnajdź cennik Kopernika

    Użytkownik podaje cel i witrynę. Nie podaje kolejności kliknięć.

  2. 02 Wybór
    BASAL-1.5Który link przybliży do celu?

    Najpierw Wizyta, potem Ceny biletów. Opcje pochodzą z rzeczywistej strony.

  3. 03 Kliknięcie
    KOD APLIKACJIOtwórz wybrany link

    Playwright klika rzeczywisty element i odczytuje treść nowej strony.

  4. 04 Sprawdzenie
    BASAL-1.5Czy cel jest osiągnięty?

    Treść strony zawiera poszukiwany cennik. Model wybiera zakończenie.

Po kliknięciu: nowy widok strony → kolejna decyzja
Decyzja basal Kod i reguły aplikacji Dane lub wynik

Człowiek podaje cel, a nie listę kliknięć. Przy każdym kroku basal dostaje tekst aktualnej strony i jej dostępne linki — nie analizuje obrazu. Wybiera link oraz decyzję: kontynuować czy zakończyć. Kod Playwright wykonuje kliknięcie, po czym nowa strona trafia do modelu. Gdy linków jest dużo, model najpierw wybiera grupę, a potem konkretny link. Ten sam podział pracy można wykorzystać np. do odnajdywania informacji w portalu firmowym lub serwisie dostawcy. W tym pokazie nawigacja jest ograniczona do publicznej witryny Kopernika; nie obejmuje zakupu biletów ani wysyłania formularzy.

WARUNKI I WYNIKI

Co sprawdziliśmy?

Osobna próba kontrolna, wykonana przed pokazem publicznej witryny: 10 zadań na własnej stronie z 12 fikcyjnymi kursami: osiem celów z pasującą ofertą i dwa bez odpowiedniego kursu. Dwa inne cele służyły do sprawdzenia implementacji. Wynik oceniamy po rzeczywistym adresie otwartych szczegółów lub poprawnym zgłoszeniu braku.

HP ZGX Nano (Nvidia DGX Spark) (GB10, 128 GB), basal-1.5 4.5B, BF16, fast-nocompile, SOAM. Żądania kolejno, po rozgrzaniu serwera, przez lokalny tunel SSH. Czas całej aplikacji obejmuje jej pracę oraz komunikację z modelem; w agencie także uruchomienie przeglądarki. Wyniki z 4 października 2026.

Agent w przeglądarce · basal-1.5
PomiarWynik próby
Trafne oceny10 / 10
Przebiegi bez błędu wykonania10 / 10
Cały proces · p503,78 s
Cały proces · p953,97 s
Jedno żądanie HTTP · p50552 ms
WNIOSEK Z PRÓBY

basal może wskazywać następny ruch na podstawie tekstu i linków prawdziwej strony. Pokaz Kopernika jest pojedynczym przebiegiem, a wynik 10/10 w tabeli dotyczy odrębnej próby w naszym katalogu. Przy wdrożeniu w firmie trzeba sprawdzić konkretne serwisy, ich układ oraz dostępne akcje.

07 / SQL + WARUNEK SEMANTYCZNY

Wyszukuj po sensie wiadomości.

Którzy klienci chcą odejść przez kolejne spóźnione dostawy? Samo słowo „opóźnienie” nie wystarczy. SQL wybiera e-maile, basal ocenia sens każdego z nich, a aplikacja pokazuje wiadomości spełniające Twój warunek.

NAGRANIE · BEZ DŹWIĘKUbasal-1.5 · 4.5B · HP ZGX Nano (Nvidia DGX Spark)
Film krok po kroku pokazuje filtr e-maili, ocenę trzech wiadomości o różnym znaczeniu i listę wyników. To odtworzenie rzeczywistych ocen modelu, zwolnione dla czytelności. Wszystkie wiadomości są autorskie i fikcyjne. Pobierz nagranie ↓
100,0%trafnych decyzji przy progu 0,80
1,67 scały proces · mediana w próbie
48ocen w próbie syntetycznej

Jak to działa

07 / SCHEMAT DZIAŁANIA SQL zawęża zbiór. basal ocenia znaczenie. Próg wybiera wyniki.
  1. 01 Baza
    KOD APLIKACJISQLite + filtr kanału

    Zwykły SQL wybiera e-maile, czaty albo wszystkie zgłoszenia.

  2. 02 Ocena
    BASAL-1.5basal_prob(tekst, warunek)

    Pytanie noul ocenia osobno każdy wiersz. To funkcja SQLite, nie generowanie SQL.

  3. 03 Selekcja
    KOD APLIKACJISortowanie i próg

    Kod porządkuje prawdopodobieństwa i pokazuje wyniki powyżej progu 0,80.

  4. 04 Wynik
    DANE / WYNIKZgłoszenia z oceną

    Zmiana progu używa już obliczonych ocen. Cache uwzględnia model, tekst i warunek.

Decyzja basal Kod i reguły aplikacji Dane lub wynik

W bazie są zwykłe wiadomości tekstowe. SQL najpierw wybiera kanał, np. e-mail. Dla każdego wybranego wiersza funkcja basal_prob przekazuje modelowi wiadomość i ten sam warunek zapisany po polsku. basal zwraca ocenę „tak”. Kod sortuje te oceny i pokazuje wyniki powyżej progu. Zdanie „dostawa znów się spóźniła, ale zostajemy” może więc nie trafić na listę klientów odchodzących. Model ocenia treść; nie generuje zapytania SQL ani nowych wiadomości.

WARUNKI I WYNIKI

Co sprawdziliśmy?

16 nowych wiadomości × trzy warunki, czyli 48 decyzji tak/nie przy progu 0,80. Osobne 16 wiadomości służyło do prób rozwojowych. Są tu negacje, podobne lecz niepasujące prośby i wiadomość spełniająca dwa warunki. W pomiarze cache był wyłączony.

HP ZGX Nano (Nvidia DGX Spark) (GB10, 128 GB), basal-1.5 4.5B, BF16, fast-nocompile, SOAM. Żądania kolejno, po rozgrzaniu serwera, przez lokalny tunel SSH. Czas całej aplikacji obejmuje jej pracę oraz komunikację z modelem; w agencie także uruchomienie przeglądarki. Wyniki z 4 października 2026.

Zapytaj bazę · basal-1.5
PomiarWynik próby
Trafne oceny48 / 48
Przebiegi bez błędu wykonania3 / 3
Cały proces · p501,67 s
Cały proces · p951,79 s
Jedno żądanie HTTP · p50102 ms
Trafienia / fałszywe trafienia / pominięcia10 / 0 / 0
WNIOSEK Z PRÓBY

Najpierw zawężaj dane zwykłym SQL. Ta implementacja ocenia każdy pozostały wiersz i koszt rośnie z ich liczbą; próba na kilkudziesięciu wiadomościach nie dowodzi wydajności na milionach rekordów.

09 / NOUL + MULTI + REGUŁY

Komu odpowiedzieć w pierwszej kolejności?

Sprzedajesz pilota automatyzacji obsługi klientów. Przychodzą trzy wiadomości: sklep gotowy do startu, firma dopiero zbierająca informacje i projekt studencki. basal sprawdza te same warunki w każdej wiadomości, a aplikacja wskazuje kolejny krok dla handlowca.

NAGRANIE · BEZ DŹWIĘKUbasal-1.5 · 4.5B · HP ZGX Nano (Nvidia DGX Spark)
Trzy fikcyjne zapytania pokazane obok siebie. Prezentacja odsłania rzeczywiste oceny dopasowania, budżetu i terminu, a potem wynikające z nich czynności. Etapy odtwarzamy wolniej niż rzeczywisty przebieg, aby dało się je porównać. Pobierz nagranie ↓
92,3%trafnych ocen kryteriów
461 mscały proces · mediana w próbie
39ocen w próbie syntetycznej

Jak to działa

09 / SCHEMAT DZIAŁANIA Zapytanie biznesowe → jawne kryteria → priorytet → kolejna czynność.
  1. 01 Wejście
    DANE / WYNIKWiadomość + zasady oferty

    Minimum 500 zgłoszeń miesięcznie, 5000 zł budżetu, start pilota do 60 dni.

  2. 02 Oceny
    BASAL-1.5noul × 3 + multi

    Osobne oceny kryteriów i niezależne etykiety tematów. facts:auto uzupełnia obsługiwane fakty.

  3. 03 Priorytet
    KOD APLIKACJIWażony wynik 0–100

    50% dopasowanie, 25% budżet, 25% gotowość. Wynik nie jest prawdopodobieństwem zakupu.

  4. 04 Obsługa
    DANE / WYNIKPilot albo uzupełnienie danych

    Brak potwierdzenia nie staje się pozytywnym sygnałem. Słabe dopasowanie trafia poza ofertę.

Decyzja basal Kod i reguły aplikacji Dane lub wynik

Ty definiujesz ofertę: automatyzacja od 500 zgłoszeń miesięcznie, budżet pilota od 5000 zł i start w ciągu 60 dni. basal czyta wiadomość i osobno ocenia każdy warunek. Kod proponuje rozmowę o pilocie, gdy wszystkie oceny przekraczają 85%; niskie dopasowanie kieruje poza ofertę, a pozostałe przypadki do uzupełnienia. Dzięki temu handlowiec widzi, z kim zacząć i o co dopytać. Reguły i wagi możesz dopasować do swojej firmy.

WARUNKI I WYNIKI

Co sprawdziliśmy?

13 nowych syntetycznych wiadomości, 39 ocen trzech kryteriów. Zbiór zawiera brak budżetu, budżet poniżej minimum, odległy termin, mały wolumen i ofertę od dostawcy. Trzy inne wiadomości służyły do prób rozwojowych. Etykiety multi nie mają osobnego wyniku jakości w tej próbie.

HP ZGX Nano (Nvidia DGX Spark) (GB10, 128 GB), basal-1.5 4.5B, BF16, fast-nocompile, SOAM. Żądania kolejno, po rozgrzaniu serwera, przez lokalny tunel SSH. Czas całej aplikacji obejmuje jej pracę oraz komunikację z modelem; w agencie także uruchomienie przeglądarki. Wyniki z 4 października 2026.

Priorytety leadów · basal-1.5
PomiarWynik próby
Trafne oceny36 / 39
Przebiegi bez błędu wykonania13 / 13
Cały proces · p50461 ms
Cały proces · p95518 ms
Jedno żądanie HTTP · p50441 ms
WNIOSEK Z PRÓBY

W próbie poprawne były 36 z 39 ocen: wszystkie dotyczące budżetu, 12 z 13 ocen dopasowania i 11 z 13 ocen gotowości. Nie badaliśmy konwersji sprzedażowej. Reguły, wagi i progi należy dopasować do własnej oferty, a wynik traktować jako wsparcie organizacji pracy.

10 / WYBÓR ŚCIEŻKI / ACT

Jeden firmowy asystent. Cztery ścieżki obsługi.

Mail do klienta, pytanie o regulamin, plan zmiany systemu i rekompensata wymagająca zgody. Każda z tych spraw potrzebuje innej obsługi. basal rozpoznaje potrzebę, a schemat act dobiera ścieżkę: mały model, firmowa wiedza, mocniejszy model albo człowiek.

NAGRANIE · BEZ DŹWIĘKUbasal-1.5 · 4.5B · HP ZGX Nano (Nvidia DGX Spark)
Cztery prośby kierowane do firmowego asystenta i rzeczywiste wybory basal. Podświetlona ścieżka pokazuje, gdzie aplikacja przekazałaby zadanie. Prezentacja jest zwolnionym odtworzeniem decyzji; modele docelowe nie są w niej uruchamiane. Pobierz nagranie ↓
100,0%poprawnie rozpoznanych potrzeb
137 mscały proces · mediana w próbie
20ocen w próbie syntetycznej

Jak to działa

10 / SCHEMAT DZIAŁANIA Prawdopodobieństwa potrzeb + macierz kosztów = następna ścieżka.
  1. 01 Wejście
    DANE / WYNIKProśba + cztery potrzeby

    Prosty tekst, wiedza firmowa, złożone zadanie lub decyzja uprawnionej osoby.

  2. 02 Klasyfikacja
    BASAL-1.5Rozkład prawdopodobieństw

    Model ocenia rodzaj zadania. Nie wykonuje prośby użytkownika.

  3. 03 Koszty
    KOD APLIKACJIact: suma P × koszt

    Dla każdej ścieżki liczy koszt oczekiwany i wybiera najmniejszy; możliwe przekazanie człowiekowi.

  4. 04 Routing
    DANE / WYNIKMały model / RAG / duży / człowiek

    W tej aplikacji kończymy na wskazaniu ścieżki. Modele docelowe nie są wywoływane.

Decyzja basal Kod i reguły aplikacji Dane lub wynik

Zamiast wysyłać wszystko do jednego modelu, dodajesz przed nim mały etap wyboru. Prosta korekta może trafić do małego modelu. Pytanie o zasady firmy wymaga najpierw pobrania dokumentów. Projektowanie rozwiązania trafia do mocniejszego modelu, a decyzja wymagająca zgody — do uprawnionej osoby. basal ocenia potrzebę, a act wybiera najmniejszy koszt oczekiwany według jawnej macierzy. Tutaj pokazujemy sam wybór obsługi; podłączenie firmowej bazy, modeli i kolejki pracownika jest następnym krokiem integracji.

WARUNKI I WYNIKI

Co sprawdziliśmy?

20 nowych próśb: po pięć prostych, wymagających wiedzy firmowej, złożonych oraz wymagających człowieka. Cztery inne prośby służyły do prób rozwojowych. Oceniliśmy zarówno kategorię, jak i wybraną ścieżkę przy niezmienionej macierzy.

HP ZGX Nano (Nvidia DGX Spark) (GB10, 128 GB), basal-1.5 4.5B, BF16, fast-nocompile, SOAM. Żądania kolejno, po rozgrzaniu serwera, przez lokalny tunel SSH. Czas całej aplikacji obejmuje jej pracę oraz komunikację z modelem; w agencie także uruchomienie przeglądarki. Wyniki z 4 października 2026.

Routing modeli · basal-1.5
PomiarWynik próby
Trafne oceny20 / 20
Przebiegi bez błędu wykonania20 / 20
Cały proces · p50137 ms
Cały proces · p95237 ms
Jedno żądanie HTTP · p50116 ms
Poprawnie wybrana ścieżka20 / 20
WNIOSEK Z PRÓBY

Macierz kosztów pozwala odróżnić najbardziej prawdopodobną kategorię od najlepszej akcji. Zmierzyliśmy sam router; nie mierzyliśmy kosztu ani jakości odpowiedzi modeli docelowych, więc nie deklarujemy oszczędności całego systemu.

11 / ZŁOŻONY PROCES / MULTI + NOUL + SCORE + EVIDENCE + FACTS + ACT

Jedna reklamacja. Trzy ścieżki obsługi.

Dwie uszkodzone lampy, prośba o zwrot i lokal, który nie może się otworzyć. basal analizuje wiadomość, dokumenty i zasady firmy. Zobacz, dlaczego mała kwota trafia do przygotowania zwrotu, brak protokołu zatrzymuje proces, a wysoka kwota wymaga konsultanta.

NAGRANIE · BEZ DŹWIĘKUbasal-1.5 · 4.5B · HP ZGX Nano (Nvidia DGX Spark)
Film pokazuje trzy rzeczywiste uruchomienia basal-1.5, odtworzone wolniej, aby wyjaśnić każdy etap. Wiadomości, dokumenty i procedura firmy są autorskie i fikcyjne. Oceny, cytaty i wybory act pochodzą z odpowiedzi modelu. Aplikacja przygotowuje rekomendacje; nie wykonuje przelewów ani nie wysyła wiadomości. Pobierz nagranie ↓
4rozszerzenia: multi, act, evidence, facts
3zarejestrowane warianty demonstracyjne
1,00 s – 1,37 sczas całego procesu · zakres w trzech przebiegach

Jak to działa

11 / SCHEMAT DZIAŁANIA Dokumenty → sześć ocen → kontrola kompletności → decyzja z kosztami.
  1. 01 Kontekst
    DANE / WYNIKWiadomość, dokumenty i zasady

    Faktura z ERP, dostawa, protokół szkody i procedura demonstracyjna. facts: auto dopisuje obliczenia dat i kwot.

  2. 02 Analiza
    BASAL-1.5Jedno zapytanie, sześć pytań

    multi: tematy. noul × 4: kompletność, zgodność, termin i szkoda. score: wpływ na firmę. evidence: fragment przy ocenie szkody.

  3. 03 Kontrola
    KOD APLIKACJIBrak dokumentu zatrzymuje proces

    Kod sprawdza załączniki i próg 85% dla czterech warunków. Oblicza kwotę brutto i buduje macierz kosztów.

  4. 04 Działanie
    BASAL-1.5act: zwrot albo konsultant

    Drugie zapytanie wybiera niższy koszt oczekiwany. Przy braku dokumentu jest pomijane: aplikacja prosi o uzupełnienie.

Decyzja basal Kod i reguły aplikacji Dane lub wynik

Proces ma dwa etapy. Sześć pytań w pierwszym żądaniu korzysta ze wspólnego kontekstu przez SOAM; evidence wymaga dodatkowego przebiegu. multi zwraca niezależne etykiety, a score określa priorytet, nie zasadność zwrotu. facts: auto dodaje arytmetykę i daty. Kwota w macierzy jest liczona osobno kodem Decimal z pól demonstracyjnego ERP. Brak protokołu zatrzymuje proces niezależnie od ocen modelu. Niepewny warunek albo brak cytatu kieruje do konsultanta. Dopiero po przejściu kontroli act porównuje koszt niezasadnego zwrotu z ustalonym kosztem ręcznej oceny 25 zł. Należny zwrot nie jest w tej macierzy kosztem błędu.

WARUNKI I WYNIKI

Co sprawdziliśmy?

Trzy przygotowane scenariusze demonstracyjne: 590,40 zł z kompletem dokumentów, ta sama sprawa bez protokołu i 19 680 zł z kompletem. To pokaz działania procesu, nie niezależna ewaluacja jakości. Nie podajemy trafności na podstawie tych trzech przykładów. Dokładny zakres zwróconego evidence jest sprawdzany względem oryginalnego tekstu; eksperymentalna funkcja wskazała również początek sąsiedniej procedury, widoczny na filmie.

Pomiar z 4 października 2026: HP ZGX Nano (Nvidia DGX Spark), GB10, 128 GB, basal-1.5 4.5B, BF16, fast-nocompile, SOAM. Model był rozgrzany, żądania wykonywano kolejno. Czas obejmuje kod procesu i komunikację przez lokalny tunel SSH, od rozpoczęcia analizy do gotowej rekomendacji. Nie obejmuje wczytywania plików, OCR ani rzeczywistej obsługi reklamacji.

Reklamacja pod kontrolą · basal-1.5
ScenariuszWynik aplikacjiCzas procesu
590,40 zł · kompletPrzygotuj zwrot1,37 s
590,40 zł · brak protokołuPoproś o protokół szkody1,00 s
19 680,00 zł · kompletPrzekaż konsultantowi1,33 s
WNIOSEK Z PRÓBY

Podobna ocena zasadności nie musi oznaczać tej samej akcji. Dla 590,40 zł oczekiwany koszt błędnego zwrotu wyniósł 3,28 zł, a dla 19 680 zł — 105,28 zł. Przy koszcie konsultanta 25 zł act wybrało odpowiednio przygotowanie zwrotu i człowieka. To wynik uproszczonej macierzy oraz prawdopodobieństw modelu, nie pomiar oszczędności. act i evidence są eksperymentalne; procedurę, progi i koszty trzeba sprawdzić na własnych danych.

12 / B2B / JEDEN MODEL · ZMIENNE PYTANIA, TYPY I ETYKIETY

Jeden model. Klasyfikator dopasowany do następnego kroku.

Awaria urządzeń, brakująca dostawa czy prośba o fakturę? basal wybiera dalszy krok, a aplikacja buduje kolejne pytanie z jego odpowiedzi i danych CRM lub ERP. Zobacz moment, w którym nowa wiadomość klienta zmienia nie tylko wynik, ale sam typ klasyfikatora i jego listę wyboru.

NAGRANIE · BEZ DŹWIĘKUbasal-1.5 · 4.5B · HP ZGX Nano (Nvidia DGX Spark)
Film odtwarza rzeczywiste odpowiedzi jednego basal-1.5 w wolniejszym tempie, aby pokazać powstawanie kolejnych zapytań. Dane dwóch klientów B2B, urządzenia, zamówienia i faktury są autorskie i fikcyjne. Definicje tworzy kod aplikacji na podstawie poprzednich decyzji modelu oraz danych firmy. Pokazane działania są rekomendacjami do zatwierdzenia. Pobierz nagranie ↓
1model przez cały proces · bez dodatkowego treningu
12różnych definicji zapytań w pięciu przebiegach
5typów operacji: choice, multi, noul, score, act

Jak to działa

12 / SCHEMAT DZIAŁANIA Odpowiedź zmienia stan. Stan wyznacza następny klasyfikator.
  1. 01 Stan sprawy
    DANE / WYNIKWiadomość i dane klienta

    Aktualna prośba, historia odpowiedzi oraz wyposażenie, zamówienia i faktury z CRM/ERP.

  2. 02 Decyzja
    BASAL-1.5Co sprawdzić dalej?

    Wybór procesu lub ocena warunku: np. czy klient chce wyłącznie kopię faktury?

  3. 03 Nowa definicja
    KOD APLIKACJIZbuduj kolejne zapytanie

    Kod dobiera typ, treść pytania i opcje z poprzedniego wyniku oraz aktualnych danych firmy.

  4. 04 Kolejna decyzja
    BASAL-1.5Ten sam model, nowe zadanie

    basal ocenia nową listę klas, skalę lub koszty działań. Wynik wraca do stanu sprawy.

Poprzedni wynik lub nowa wiadomość → aktualizacja stanu → nowa definicja pytania
SERWISUrządzenia klienta stają się etykietami

multi → score → act

Wybór urządzeń zmienia następne pytanie i koszty interwencji. Nowy klient oznacza nowe etykiety z CRM.

FAKTURA · ZMIANA W TRAKCIE SPRAWYOdpowiedź zmienia typ kolejnego zapytania

noul → TAK → choice
noul → NIE → act

„Proszę o kopię” → wybór faktury.
„Jednak adres jest błędny” → obsługa korekty.

DOSTAWAWybór dokumentu uzupełnia pytanie

choice → score

Opcjami są aktualne zamówienia z ERP. Wybrany numer i towar trafiają do oceny pilności.

Decyzja basal Kod i reguły aplikacji Dane lub wynik

Zaczynamy od choice, które wskazuje następny proces. Serwis tworzy multi z urządzeń danego klienta; wskazane urządzenia trafiają do pytania score i określają koszty w act. Dostawa tworzy choice z aktualnych zamówień, a wybrany numer wchodzi do pytania o pilność. Faktura zaczyna się od noul: odpowiedź TAK prowadzi do choice z listą dokumentów, a NIE do act z rodzajami zmian i kosztami ich obsługi. Dopisana wiadomość korzysta z poprzedniego stanu sprawy i zmienia tę ścieżkę. Model wybiera spośród opisanych możliwości; aplikacja składa następny schemat zapytania. Wagi modelu pozostają takie same.

WARUNKI I WYNIKI

Co sprawdziliśmy?

Pięć autorskich przebiegów: awaria dwóch urządzeń, brakująca dostawa, kopia faktury, kontynuacja tej samej sprawy po zmianie prośby oraz awaria u nowego klienta. Łącznie 16 rzeczywistych żądań do modelu. To demonstracja dynamicznych schematów, a nie niezależny benchmark trafności. Progi pewności i umowne punkty kosztu są założeniami demonstracyjnej procedury.

Pomiar z 4 października 2026: HP ZGX Nano (Nvidia DGX Spark), GB10, 128 GB, basal-1.5 4.5B, BF16, fast-nocompile. Model był rozgrzany. Czas obejmuje kolejne wywołania HTTP przez lokalny tunel SSH oraz kod procesu; bez pobierania danych z rzeczywistego CRM/ERP. Przy aktualizacji faktury mierzymy dwa nowe wywołania, korzystając z wcześniej zapisanego stanu. Zależne pytania są wykonywane kolejno, w osobnych żądaniach.

Dynamiczny klasyfikator · basal-1.5
SprawaKolejne typy zapytańRekomendacjaCzas procesu
Awaria u klienta B2Bchoice → multi → score → actPrzygotuj pilne zgłoszenie serwisowe1,17 s
Które zamówienie wymaga reakcji?choice → choice → scoreWyjaśnij dostawę Z-10420,56 s
Najpierw prośba o kopięchoice → noul → choicePrzygotuj kopię FV-10020,65 s
Nowa wiadomość zmienia następny kroknoul → actPrzygotuj dane do korekty adresu0,84 s
Inny klient, inny klasyfikatorchoice → multi → score → actDodaj do zwykłej kolejki serwisu0,89 s
WNIOSEK Z PRÓBY

Klasyfikator nie musi mieć stałej listy etykiet. Zmiana klienta wprowadza nowe urządzenia, wybór zamówienia zmienia treść następnego pytania, a nowa prośba może zastąpić choice przez act. W tej demonstracji powstało 12 różnych definicji zapytań obsługiwanych przez jeden model. Nie wymagają osobnych wag ani dodatkowego treningu. Granice procesu wyznacza aplikacja; niepewne sprawy trafiają do człowieka. act jest funkcją eksperymentalną, a jego wybór zależy od jakości prawdopodobieństw i przyjętych kosztów.

13 / DOKUMENTY / CHOICE + NOUL

Jeden PDF → uporządkowane dokumenty.

Zamówienie, dokument dostawy, dwie faktury i protokół w jednym załączniku. basal rozpoznaje typy oraz granice dokumentów, a kod zapisuje osobne pliki. Księgowość zajmuje się niejasną notatką zamiast ręcznie sortować każdą stronę.

NAGRANIE · BEZ DŹWIĘKUbasal-1.5 · 4.5B · MacBook Pro M4 Pro · 24 GB · MLX 8-bit
Film bez dźwięku odtwarza rzeczywiste odpowiedzi lokalnego modelu w wolniejszym tempie, aby wyjaśnić każdy krok. Dokumenty, firmy i transakcje są autorskie oraz fikcyjne. Rachunek korzyści biznesowej to jawny scenariusz założeń, nie zmierzona oszczędność. Pobierz nagranie ↓
8stron rzeczywistego PDF
5 + 1plików gotowych + przypadek do kontroli
11,78 sczas całego lokalnego przebiegu

Jak to działa

13 / SCHEMAT DZIAŁANIA Tekst stron → rodzaj i granice → osobne pliki → kontrola wyjątku.
  1. 01 Plik
    DANE / WYNIK8 stron w jednym PDF

    Biblioteka PDF odczytuje warstwę tekstową. Skan wymagałby wcześniej OCR.

  2. 02 Dwie oceny
    BASAL-1.5Typ i początek dokumentu

    choice wybiera rodzaj. noul sprawdza, czy strona zaczyna nowy dokument względem poprzedniej.

  3. 03 Podział
    KOD APLIKACJIZapisz oryginalne strony

    Kod stosuje progi, grupuje strony i tworzy pięć wynikowych plików. Nie generuje ich treści.

  4. 04 Wyjątek
    DANE / WYNIKNotatka do wyjaśnienia

    Niejasny dokument trafia do pracownika. Oryginał i ślad decyzji pozostają zachowane.

Decyzja basal Kod i reguły aplikacji Dane lub wynik

Dla każdej strony model wybiera jedną z pięciu kategorii. Od drugiej strony dostaje także pytanie tak/nie o granicę dokumentu. Dwa pytania mogą być przekazane we wspólnym żądaniu. Kod wymaga co najmniej 0,85 dla typu, a dla granicy P(tak) ≥ 0,8 lub ≤ 0,2. Przy niejednoznacznej granicy stosuje dodatkową regułę firmy: dwa różne, znane typy dokumentów są osobnymi dokumentami, jeżeli oba rozpoznano z wynikiem ≥ 0,95. Gdy ten warunek nie zachodzi, sąsiadujące grupy trafiają do kontroli. Niepewna notatka nie jest eksportowana jako faktura. Powstałe pliki zawierają rzeczywiste strony wejściowego PDF.

KORZYŚĆ DLA FIRMY / PRZYKŁADOWE ZAŁOŻENIA

Mniej ręcznej pracy. Jaki może być efekt?

Pracownik dostaje dokumenty gotowe do właściwego obiegu. Nie musi sprawdzać wszystkich stron ani rozdzielać ich ręcznie.

Wartość odzyskanego czasu po kosztach utrzymania8 500 zł / miesiąc

120,00 godzin miesięcznie do wykorzystania na inne zadania.

Pierwszy rok po koszcie wdrożenia
87 000 zł
Orientacyjny zwrot przy tych założeniach
1,8 mies.

To wartość czasu pracy, nie automatyczny wzrost gotówki ani zysku. Zwrot zakłada pełne wykorzystanie odzyskanej pracy.

Założenia do sprawdzenia we własnej firmie

plików PDF / miesiąc
2 000
Obsługa ręczna jednej sprawy
6,00 min
Obsługa po automatyzacji
1,50 min
Udział spraw objętych automatyzacją
80%
Koszt godziny pracy
75 zł
Utrzymanie miesięczne
500 zł
Jednorazowe wdrożenie
15 000 zł
Pozostałe sprawy
20% — czas bez poprawy

2 000 × 80% × (6,00 − 1,50) min ÷ 60 = 120,00 h
120,00 h × 75 zł − 500 zł = 8 500 zł / miesiąc

Wolumen, czasy obsługi, udział automatyzacji i koszty są ilustracyjnymi założeniami, a nie wynikami nagrania. Koszt wdrożenia jest przyjętym budżetem, nie ofertą cenową. Utrzymanie powinno uwzględniać sprzęt, energię, nadzór i poprawki. Czas inferencji nie zastępuje pomiaru całej pracy człowieka. Przed decyzją o wdrożeniu zmierz te wartości na własnej próbie i uwzględnij koszty pomyłek.

WARUNKI I WYNIKI

Co sprawdziliśmy?

Jeden autorski PDF z warstwą tekstową: osiem stron, pięć rozpoznanych dokumentów i niejasna notatka. Wszystkie firmy oraz transakcje są fikcyjne. Model rozpoznał osiem oczekiwanych typów. Przy granicy między WZ a fakturą noul był niepewny; kod rozstrzygnął ją na podstawie dwóch ocen typu ≥ 0,95 i jawnej zasady firmy. Cały proces zachował oczekiwany podział, w tym dwustronicową fakturę oraz protokół. To próba po dopracowaniu procedury na tym zestawie. To niewielka demonstracja, nie pomiar trafności na dokumentach produkcyjnych.

Pomiar z 5 października 2026. MacBook Pro, Apple M4 Pro, 24 GB, basal-1.5 4.5B w MLX 8-bit, dwie kolejności opcji. Model rozgrzany, inferencja przez lokalny interfejs 127.0.0.1. 8 żądań, 15 pytań; suma czasu HTTP 11,61 s, cały przebieg 11,78 s. Bez pobierania wag i uruchamiania modelu. Dla PDF czas obejmuje również tworzenie, odczyt i podział pliku. Są to pojedyncze pomiary, nie porównanie szybkości urządzeń.

Uporządkuj PDF · basal-1.5
Fragment wejściaOdpowiedź i regułaWynik
Strona 1ZamówienieOsobny PDF
Strona 2Dokument dostawyOsobny PDF
Granica 2 → 3Niepewne noul; dwa różne typy ≥ 95%Reguła kodu rozdziela dokumenty
Strony 3–4Faktura + kontynuacjaJedna faktura FV-880
Strona 5Faktura + nowy dokumentOdrębna FV-881
Strony 6–7Protokół + kontynuacjaJeden protokół P-17
Strona 8Inny / brak kontekstuCzłowiek; bez eksportu
WNIOSEK Z PRÓBY

Wartość daje połączenie dwóch małych decyzji. Sam typ „faktura” nie rozdzieli sąsiadujących faktur ani nie zachowa wielostronicowego dokumentu. basal ocenia znaczenie i granice; reguły kodu łączą te sygnały, a biblioteka PDF wykonuje podział. W produkcji trzeba sprawdzić także jakość OCR, brakujące strony, nieczytelne skany i dokumenty o nietypowym układzie.

14 / DANE DO ERP / DYNAMICZNE MAPOWANIE

Każdy dostawca inaczej. Jeden schemat ERP.

„Art. producenta” czy „Indeks”? „JM” czy „J.m.”? basal dopasowuje znaczenie nagłówków i przykładowych wartości do pól firmy. Aplikacja przygotowuje poprawny plik do importu, a nieopisaną cenę zatrzymuje do wyjaśnienia.

NAGRANIE · BEZ DŹWIĘKUbasal-1.5 · 4.5B · MacBook Pro M4 Pro · 24 GB · MLX 8-bit
Film bez dźwięku odtwarza rzeczywiste odpowiedzi lokalnego modelu w wolniejszym tempie, aby wyjaśnić każdy krok. Dokumenty, firmy i transakcje są autorskie oraz fikcyjne. Rachunek korzyści biznesowej to jawny scenariusz założeń, nie zmierzona oszczędność. Pobierz nagranie ↓
11kolumn w dwóch plikach
1 + 1plik przygotowany + import wstrzymany
13,34 sczas całego lokalnego przebiegu

Jak to działa

14 / SCHEMAT DZIAŁANIA Arkusz dostawcy → znaczenie kolumn → kontrola → dane dla ERP.
  1. 01 Dwa pliki
    DANE / WYNIKInne nazwy i układ

    Dwa autorskie CSV, jedenaście kolumn. Docelowo: kod, opis, cena netto, jednostka i stan magazynu.

  2. 02 Znaczenie
    BASAL-1.5Dobierz pole docelowe

    choice rozpoznaje rolę kolumny. Dla ceny dodatkowe noul sprawdza, czy nagłówek wyraźnie podaje netto.

  3. 03 Walidacja
    KOD APLIKACJIProgi i brak konfliktów

    Kod wymaga kompletności schematu, jednoznacznego mapowania i dodatkowego potwierdzenia ceny.

  4. 04 Dwa wyniki
    DANE / WYNIKPrzygotuj albo wyjaśnij

    Plik Nova daje dwa rekordy do importu. Plik Delta wraca z pytaniem, czy ceny są netto.

Decyzja basal Kod i reguły aplikacji Dane lub wynik

W każdym pytaniu lista pól ERP definiuje klasyfikator. Model widzi pełny CSV, badaną kolumnę i przykładowe wartości. Kod wymaga P(wybranego pola) ≥ 0,85 oraz przewagi nad drugą opcją ≥ 0,15. Dla ceny wymaga także P(jednoznacznie netto) ≥ 0,90. Powtórzone mapowanie do jednego pola blokuje oba źródła. Dopiero komplet zatwierdzonych pól pozwala przygotować rekordy; liczby normalizuje kod. Demo nie zapisuje nic do produkcyjnego ERP.

KORZYŚĆ DLA FIRMY / PRZYKŁADOWE ZAŁOŻENIA

Mniej ręcznej pracy. Jaki może być efekt?

Nowy dostawca nie musi oznaczać ręcznego mapowania wszystkiego od początku. Człowiek sprawdza wyjątki, a kod przygotowuje jednolite rekordy.

Wartość odzyskanego czasu po kosztach utrzymania4 800 zł / miesiąc

55,50 godzin miesięcznie do wykorzystania na inne zadania.

Pierwszy rok po koszcie wdrożenia
45 600 zł
Orientacyjny zwrot przy tych założeniach
2,5 mies.

To wartość czasu pracy, nie automatyczny wzrost gotówki ani zysku. Zwrot zakłada pełne wykorzystanie odzyskanej pracy.

Założenia do sprawdzenia we własnej firmie

importów / miesiąc
120
Obsługa ręczna jednej sprawy
45,00 min
Obsługa po automatyzacji
8,00 min
Udział spraw objętych automatyzacją
75%
Koszt godziny pracy
100 zł
Utrzymanie miesięczne
750 zł
Jednorazowe wdrożenie
12 000 zł
Pozostałe sprawy
25% — czas bez poprawy

120 × 75% × (45,00 − 8,00) min ÷ 60 = 55,50 h
55,50 h × 100 zł − 750 zł = 4 800 zł / miesiąc

Wolumen, czasy obsługi, udział automatyzacji i koszty są ilustracyjnymi założeniami, a nie wynikami nagrania. Koszt wdrożenia jest przyjętym budżetem, nie ofertą cenową. Utrzymanie powinno uwzględniać sprzęt, energię, nadzór i poprawki. Czas inferencji nie zastępuje pomiaru całej pracy człowieka. Przed decyzją o wdrożeniu zmierz te wartości na własnej próbie i uwzględnij koszty pomyłek.

WARUNKI I WYNIKI

Co sprawdziliśmy?

Dwa autorskie pliki, po dwa produkty, łącznie jedenaście kolumn. Dziesięć z jedenastu głównych propozycji modelu zgodziło się z oczekiwaniem. Model błędnie zaproponował net_price dla „Cena” (79,6%); dodatkowe pytanie dało 71,8% dla jednoznacznego netto. Oba wyniki nie przeszły ustalonych progów. Końcowe stany obu plików były poprawne: Nova gotowy, Delta do kontroli. To próba po dopracowaniu opisu zadania na tym zestawie, nie niezależna ewaluacja.

Pomiar z 5 października 2026. MacBook Pro, Apple M4 Pro, 24 GB, basal-1.5 4.5B w MLX 8-bit, dwie kolejności opcji. Model rozgrzany, inferencja przez lokalny interfejs 127.0.0.1. 11 żądań, 13 pytań; suma czasu HTTP 13,33 s, cały przebieg 13,34 s. Bez pobierania wag i uruchamiania modelu. Dla PDF czas obejmuje również tworzenie, odczyt i podział pliku. Są to pojedyncze pomiary, nie porównanie szybkości urządzeń.

Import od dostawców · basal-1.5
SprawdzenieRzeczywisty wynikCo robi aplikacja
Nova · pięć pólKomplet poprawnych mapowańPrzygotowuje dwa rekordy
Delta · „Cena”Model proponuje netto: 79,6%Nie osiąga progu 85%
Delta · potwierdzenie nettoP(tak): 71,8%Nie osiąga progu 90%
Delta · „Upust %”Brak pola docelowegoPomija rabat; nie nadpisuje ceny
Cały plik DeltaBrakuje zatwierdzonej ceny nettoWstrzymuje przygotowanie importu
WNIOSEK Z PRÓBY

Film pokazuje także rzeczywistą pomyłkę modelu. Kontrola aplikacji zatrzymuje niepewną cenę przed importem. Progi i osobne pytanie poprawiają procedurę, ale nie gwarantują wykrycia wszystkich błędów. Przed automatycznym zasilaniem ERP potrzebne są dane walidacyjne, reguły jednostek i walut oraz podgląd zmian.

15 / CRM + ERP / ROZPOZNAWANIE PODMIOTÓW

Jedna firma ukryta pod kilkoma nazwami.

Handlowiec widzi pełną nazwę, księgowość skrót, a serwis nazwę oddziału. basal ocenia, które rekordy dotyczą tego samego podmiotu. Odróżnia oddział od spółki zależnej i prosi o dane, gdy sam skrót nie wystarcza.

NAGRANIE · BEZ DŹWIĘKUbasal-1.5 · 4.5B · MacBook Pro M4 Pro · 24 GB · MLX 8-bit
Film bez dźwięku odtwarza rzeczywiste odpowiedzi lokalnego modelu w wolniejszym tempie, aby wyjaśnić każdy krok. Dokumenty, firmy i transakcje są autorskie oraz fikcyjne. Rachunek korzyści biznesowej to jawny scenariusz założeń, nie zmierzona oszczędność. Pobierz nagranie ↓
5par ocenionych według jednej zasady
2 / 2 / 1powiązania / osobno / do wyjaśnienia
5,05 sczas całego lokalnego przebiegu

Jak to działa

15 / SCHEMAT DZIAŁANIA Kandydaci z systemów → relacja według zasad → propozycje → wspólny widok.
  1. 01 Kandydaci
    DANE / WYNIKDwie karty firmy

    Nazwy, miejscowości i notatki z CRM, ERP lub serwisu. Kandydatów dostarcza aplikacja.

  2. 02 Relacja
    BASAL-1.5Ten sam podmiot czy inny?

    choice wybiera: ten sam, różne podmioty albo brak danych. Zasady podaje firma.

  3. 03 Powiązanie
    KOD APLIKACJIZachowaj oryginały

    Przy wyniku ≥ 0,9 kod proponuje relację do karty głównej. Nie wykonuje automatycznego scalania.

  4. 04 Wyjątki
    DANE / WYNIKUzupełnij informacje

    Dwa podobne skróty bez danych nie stają się jednym klientem. Pracownik rozstrzyga wyjątki.

Decyzja basal Kod i reguły aplikacji Dane lub wynik

Reguła w kontekście mówi: łącz rekordy tego samego podmiotu prawnego; oddział bez osobowości prawnej należy do firmy macierzystej, odrębna spółka zależna pozostaje osobno. Każda para dostaje to samo pytanie z trzema odpowiedziami. Kod tworzy wyłącznie propozycje bezpośrednich powiązań do karty głównej, bez usuwania danych i bez łączenia kolejnych firm na zasadzie przechodniości. Identyfikatory rejestrowe, jeśli dostępne, powinny być dodatkową kontrolą.

KORZYŚĆ DLA FIRMY / PRZYKŁADOWE ZAŁOŻENIA

Mniej ręcznej pracy. Jaki może być efekt?

Łatwiej przygotować wspólny widok klienta i sprawdzić jego historię. Praca człowieka skupia się na niejasnych powiązaniach, zamiast na porównywaniu każdej pary nazw.

Wartość odzyskanego czasu po kosztach utrzymania6 500 zł / miesiąc

87,50 godzin miesięcznie do wykorzystania na inne zadania.

Pierwszy rok po koszcie wdrożenia
62 000 zł
Orientacyjny zwrot przy tych założeniach
2,5 mies.

To wartość czasu pracy, nie automatyczny wzrost gotówki ani zysku. Zwrot zakłada pełne wykorzystanie odzyskanej pracy.

Założenia do sprawdzenia we własnej firmie

par rekordów / miesiąc
6 000
Obsługa ręczna jednej sprawy
1,50 min
Obsługa po automatyzacji
0,25 min
Udział spraw objętych automatyzacją
70%
Koszt godziny pracy
80 zł
Utrzymanie miesięczne
500 zł
Jednorazowe wdrożenie
16 000 zł
Pozostałe sprawy
30% — czas bez poprawy

6 000 × 70% × (1,50 − 0,25) min ÷ 60 = 87,50 h
87,50 h × 80 zł − 500 zł = 6 500 zł / miesiąc

Wolumen, czasy obsługi, udział automatyzacji i koszty są ilustracyjnymi założeniami, a nie wynikami nagrania. Koszt wdrożenia jest przyjętym budżetem, nie ofertą cenową. Utrzymanie powinno uwzględniać sprzęt, energię, nadzór i poprawki. Czas inferencji nie zastępuje pomiaru całej pracy człowieka. Przed decyzją o wdrożeniu zmierz te wartości na własnej próbie i uwzględnij koszty pomyłek.

WARUNKI I WYNIKI

Co sprawdziliśmy?

Pięć fikcyjnych par przygotowanych specjalnie do demonstracji: skrót i pełna nazwa, oddział, spółka zależna, podobny skrót innej firmy oraz brak danych. Wszystkie pięć końcowych rozstrzygnięć zgodziło się z oczekiwaniem. To demonstracja mechanizmu, nie estymacja trafności na całej bazie kontrahentów.

Pomiar z 5 października 2026. MacBook Pro, Apple M4 Pro, 24 GB, basal-1.5 4.5B w MLX 8-bit, dwie kolejności opcji. Model rozgrzany, inferencja przez lokalny interfejs 127.0.0.1. 5 żądań, 5 pytań; suma czasu HTTP 5,05 s, cały przebieg 5,05 s. Bez pobierania wag i uruchamiania modelu. Dla PDF czas obejmuje również tworzenie, odczyt i podział pliku. Są to pojedyncze pomiary, nie porównanie szybkości urządzeń.

Jedna karta klienta · basal-1.5
ParaRelacjaPropozycja
PCA / pełna nazwaTen sam podmiotPowiąż z CRM-041
Oddział serwisowyBez odrębnej osobowościPowiąż z CRM-041
PCA Serwis sp. z o.o.Odrębna spółka zależnaPozostaw osobno
Pomorskie Centrum AudytuInny podmiot, podobny skrótPozostaw osobno
„PCA” bez kontekstuBrak wystarczających danychWyjaśnienie przez człowieka
WNIOSEK Z PRÓBY

Podobna nazwa nie oznacza tej samej firmy, a różne nazwy nie zawsze oznaczają różne firmy. Mały model może oceniać znaczenie według reguły organizacji. Warto zacząć od propozycji do zatwierdzenia i zmierzyć ryzyko błędnego powiązania przed jakąkolwiek automatyczną zmianą danych.

16 / MULTI + UPRAWNIENIA / KONTROLA PRZED WYSYŁKĄ

Ta sama wiadomość. Inny odbiorca. Inna decyzja.

Analiza oferty dla dyrektora finansowego zawiera koszt realizacji i cenę minimalną. Zmieniamy tylko adresata na klienta — aplikacja wstrzymuje dalszy obieg. basal rozpoznaje poufne treści, a uprawnienia i zasady pozostają po stronie firmy.

NAGRANIE · BEZ DŹWIĘKUbasal-1.5 · 4.5B · MacBook Pro M4 Pro · 24 GB · MLX 8-bit
Film bez dźwięku odtwarza rzeczywiste odpowiedzi lokalnego modelu w wolniejszym tempie, aby wyjaśnić każdy krok. Dokumenty, firmy i transakcje są autorskie oraz fikcyjne. Rachunek korzyści biznesowej to jawny scenariusz założeń, nie zmierzona oszczędność. Pobierz nagranie ↓
4sytuacje przed ewentualną wysyłką
3wywołania multi · jeden warunek bez AI
3,53 sczas całego lokalnego przebiegu

Jak to działa

16 / SCHEMAT DZIAŁANIA Treść + odbiorca → kategorie poufności → zasada firmy → właściwa kontrola.
  1. 01 Wersja robocza
    DANE / WYNIKWiadomość i odbiorca

    Treść oferty oraz uprawnienia adresata z aplikacji. Demo niczego nie wysyła.

  2. 02 Treść
    BASAL-1.5Które dane są poufne?

    multi osobno ocenia wewnętrzne finanse, dane dostępowe i informacje o innym kliencie.

  3. 03 Polityka
    KOD APLIKACJIPołącz wynik z uprawnieniem

    Kod sprawdza progi i klasę odbiorcy. Nieznanego adresata kieruje do człowieka przed inferencją.

  4. 04 Kontrola
    DANE / WYNIKPrzejdź, wstrzymaj lub wyjaśnij

    Ta sama poufna treść jest dozwolona wewnętrznie, ale zatrzymana przed przekazaniem klientowi.

Decyzja basal Kod i reguły aplikacji Dane lub wynik

Model analizuje wyłącznie treść wiadomości. Uprawnienia odbiorcy pochodzą z zaufanych danych aplikacji. Dla uprawnionego odbiorcy wewnętrznego procedura pozwala przejść dalej. Dla odbiorcy zewnętrznego sygnał poufności ≥ 0,65 oznacza wstrzymanie; wynik > 0,15 i < 0,65 oznacza kontrolę człowieka. Nieznany odbiorca zatrzymuje proces bez wywołania modelu. Gotowy wariant handlowy, bez wewnętrznych kosztów, jest oddzielnym wejściem — basal nie redaguje wiadomości. Podświetlenia w filmie są redakcyjne, nie z evidence.

KORZYŚĆ DLA FIRMY / PRZYKŁADOWE ZAŁOŻENIA

Mniej ręcznej pracy. Jaki może być efekt?

Kontrola może wychwycić ujawnienie wewnętrznych warunków przed wysyłką. Rutynowe sprawdzenia zabierają mniej czasu, a niejasne sytuacje trafiają do pracownika.

Wartość odzyskanego czasu po kosztach utrzymania2 600 zł / miesiąc

32,00 godzin miesięcznie do wykorzystania na inne zadania.

Pierwszy rok po koszcie wdrożenia
13 200 zł
Orientacyjny zwrot przy tych założeniach
6,9 mies.

To wartość czasu pracy, nie automatyczny wzrost gotówki ani zysku. Zwrot zakłada pełne wykorzystanie odzyskanej pracy.

Założenia do sprawdzenia we własnej firmie

kontroli wiadomości / miesiąc
4 000
Obsługa ręczna jednej sprawy
1,00 min
Obsługa po automatyzacji
0,40 min
Udział spraw objętych automatyzacją
80%
Koszt godziny pracy
100 zł
Utrzymanie miesięczne
600 zł
Jednorazowe wdrożenie
18 000 zł
Pozostałe sprawy
20% — czas bez poprawy

4 000 × 80% × (1,00 − 0,40) min ÷ 60 = 32,00 h
32,00 h × 100 zł − 600 zł = 2 600 zł / miesiąc

Wolumen, czasy obsługi, udział automatyzacji i koszty są ilustracyjnymi założeniami, a nie wynikami nagrania. Koszt wdrożenia jest przyjętym budżetem, nie ofertą cenową. Utrzymanie powinno uwzględniać sprzęt, energię, nadzór i poprawki. Czas inferencji nie zastępuje pomiaru całej pracy człowieka. Przed decyzją o wdrożeniu zmierz te wartości na własnej próbie i uwzględnij koszty pomyłek.

WARUNKI I WYNIKI

Co sprawdziliśmy?

Cztery autorskie sytuacje, trzy rzeczywiste żądania multi. Wiadomość zawiera ofertę 240 tys. zł, wewnętrzne minimum 210 tys. zł i koszt realizacji 165 tys. zł. Cztery stany końcowe zgodziły się z oczekiwaniem. Nieznany odbiorca nie uruchamia modelu. To mała demonstracja kontroli, nie certyfikowana ochrona przed wyciekiem.

Pomiar z 5 października 2026. MacBook Pro, Apple M4 Pro, 24 GB, basal-1.5 4.5B w MLX 8-bit, dwie kolejności opcji. Model rozgrzany, inferencja przez lokalny interfejs 127.0.0.1. 3 żądań, 3 pytań; suma czasu HTTP 3,53 s, cały przebieg 3,53 s. Bez pobierania wag i uruchamiania modelu. Dla PDF czas obejmuje również tworzenie, odczyt i podział pliku. Są to pojedyncze pomiary, nie porównanie szybkości urządzeń.

Poufność wiadomości · basal-1.5
SytuacjaWynik aplikacjiDlaczego
Analiza dla dyrektora finansowegoPrzejdź dalejUprawniony odbiorca wewnętrzny
Identyczny tekst do klientaWstrzymajWewnętrzne koszty i pole negocjacji
Gotowy wariant bez danych wewnętrznychPrzejdź dalejNie przekracza progów poufności
Nierozpoznana lista odbiorcówCzłowiek, bez inferencjiBrak informacji o uprawnieniach
WNIOSEK Z PRÓBY

Klasyfikacja treści nabiera znaczenia po połączeniu z uprawnieniami. W przykładzie 30 tys. zł to pole negocjacyjne, a nie zmierzona oszczędność czy pewna uniknięta strata. Nie doliczamy tej kwoty do zwrotu z wdrożenia. Przed użyciem potrzebne są firmowe reguły dostępu, testy wycieków i ocena fałszywych alarmów.

17 / ZAKUPY + PRODUKCJA / MODEL I GRAF ZALEŻNOŚCI

Brakuje jednego czujnika. Które zamówienia są zagrożone?

Dostawca opisuje opóźniony komponent własnymi słowami. basal dopasowuje opis do katalogu, a kod przechodzi przez strukturę produktów i zamówienia. Zakupowiec widzi klientów objętych opóźnieniem, wartość zamówień i dopuszczony zamiennik dostępny na czas.

NAGRANIE · BEZ DŹWIĘKUbasal-1.5 · 4.5B · MacBook Pro M4 Pro · 24 GB · MLX 8-bit
Film bez dźwięku odtwarza rzeczywiste odpowiedzi lokalnego modelu w wolniejszym tempie, aby wyjaśnić każdy krok. Dokumenty, firmy i transakcje są autorskie oraz fikcyjne. Rachunek korzyści biznesowej to jawny scenariusz założeń, nie zmierzona oszczędność. Pobierz nagranie ↓
2zamówienia objęte opóźnieniem
246 tys. złobrót tych zamówień · nie wyliczona oszczędność
2,89 sczas całego lokalnego przebiegu

Jak to działa

17 / SCHEMAT DZIAŁANIA Mail dostawcy → komponent → zamówienia i kwoty → propozycja zamiennika.
  1. 01 Opis
    BASAL-1.5Jaki to komponent?

    choice łączy „metalowy detektor zbliżeniowy” z S18 — czujnikiem indukcyjnym M18, 24 V.

  2. 02 Zależności
    KOD APLIKACJIGdzie jest potrzebny?

    Kod przechodzi po strukturze części, uwzględnia magazyn, ilości oraz daty. Niczego nie dopisuje do grafu.

  3. 03 Zamienniki
    BASAL-1.5Czy jest zatwierdzony?

    noul odczytuje istniejący status dopuszczenia z notatki działu technicznego. Model sam nie zatwierdza części.

  4. 04 Rekomendacja
    KOD APLIKACJITermin, ilość i koszt

    Kod porównuje dostępność i koszt dopuszczonych kandydatów. Zakupowiec zatwierdza dalsze działanie.

Decyzja basal Kod i reguły aplikacji Dane lub wynik

Dane ERP zawierają trzy komponenty, trzy produkty, cztery zamówienia oraz datę nowej dostawy. Model identyfikuje opóźnioną część z tekstu. Kod oblicza niedobór dla zamówień wymagających części przed nową datą i zlicza obrót oraz marżę pokrycia. Następnie model odczytuje istniejące dopuszczenia trzech zamienników. Kod wymaga P(zatwierdzony) ≥ 0,9, odpowiedniej ilości oraz terminu i wybiera najmniejszy dodatkowy koszt wśród kandydatów spełniających wszystkie warunki. Daty w demonstracji są danymi ustrukturyzowanymi, a nie wynikiem ekstrakcji przez basal.

KORZYŚĆ DLA FIRMY / PRZYKŁADOWE ZAŁOŻENIA

Mniej ręcznej pracy. Jaki może być efekt?

Zamiast ręcznie szukać zależności w kilku arkuszach, zakupowiec dostaje konkretną listę spraw i propozycję następnego ruchu. Łatwiej nadać priorytet zakłóceniu i skoordynować produkcję ze sprzedażą.

Wartość odzyskanego czasu po kosztach utrzymania1 265 zł / miesiąc

12,25 godzin miesięcznie do wykorzystania na inne zadania.

Pierwszy rok po koszcie wdrożenia
1 180 zł
Orientacyjny zwrot przy tych założeniach
11,1 mies.

To wartość czasu pracy, nie automatyczny wzrost gotówki ani zysku. Zwrot zakłada pełne wykorzystanie odzyskanej pracy.

Założenia do sprawdzenia we własnej firmie

analiz zakłóceń / miesiąc
30
Obsługa ręczna jednej sprawy
45,00 min
Obsługa po automatyzacji
10,00 min
Udział spraw objętych automatyzacją
70%
Koszt godziny pracy
140 zł
Utrzymanie miesięczne
450 zł
Jednorazowe wdrożenie
14 000 zł
Pozostałe sprawy
30% — czas bez poprawy

30 × 70% × (45,00 − 10,00) min ÷ 60 = 12,25 h
12,25 h × 140 zł − 450 zł = 1 265 zł / miesiąc

Wolumen, czasy obsługi, udział automatyzacji i koszty są ilustracyjnymi założeniami, a nie wynikami nagrania. Koszt wdrożenia jest przyjętym budżetem, nie ofertą cenową. Utrzymanie powinno uwzględniać sprzęt, energię, nadzór i poprawki. Czas inferencji nie zastępuje pomiaru całej pracy człowieka. Przed decyzją o wdrożeniu zmierz te wartości na własnej próbie i uwzględnij koszty pomyłek.

WARUNKI I WYNIKI

Co sprawdziliśmy?

Autorska wiadomość dostawcy, fikcyjna struktura części i cztery zamówienia. Pięć kontroli końcowych zgodziło się z oczekiwaniem: komponent S18, dwa zamówienia, obrót 246 tys. zł, marża pokrycia 67,8 tys. zł oraz kandydat ALT-18. Nie wysłano zamówienia zakupu. To kontrola małego procesu demonstracyjnego, nie niezależny test trafności modelu.

Pomiar z 5 października 2026. MacBook Pro, Apple M4 Pro, 24 GB, basal-1.5 4.5B w MLX 8-bit, dwie kolejności opcji. Model rozgrzany, inferencja przez lokalny interfejs 127.0.0.1. 4 żądań, 4 pytań; suma czasu HTTP 2,89 s, cały przebieg 2,89 s. Bez pobierania wag i uruchamiania modelu. Dla PDF czas obejmuje również tworzenie, odczyt i podział pliku. Są to pojedyncze pomiary, nie porównanie szybkości urządzeń.

Wpływ opóźnienia · basal-1.5
SprawdzenieWynikZnaczenie biznesowe
Z-501 + Z-502Brakuje łącznie 7 czujników246 000 zł obrotu objętego opóźnieniem
Z-503Potrzebuje części po nowej dostawiePoza alarmem
Z-504Używa innego komponentuPoza alarmem
ALT-18Dopuszczony, na czas, wystarczająca ilośćKandydat; dodatkowy koszt 1 820 zł
ALT-12 / ALT-LATEBrak dopuszczenia / za późnoOdrzuceni mimo niższego kosztu
WNIOSEK Z PRÓBY

Model łączy tekst ze znaczeniem pozycji katalogowej. Kod wylicza konsekwencje na podstawie znanych zależności. 246 tys. zł to wartość zamówień objętych ryzykiem opóźnienia, a nie pewna strata ani gwarantowany uratowany przychód. Ostateczna ocena techniczna i zakup pozostają u człowieka; w produkcji trzeba uwzględnić pełny harmonogram, rezerwacje magazynu i dostępność dostawców.

18 / MONITORING INTERNETU / CHOICE + MULTI + NOUL

Kto o nas napisał — i co dokładnie?

Aplikacja wyszukuje ORLEN w wybranych publicznych serwisach. basal ocenia związek treści z firmą, rozpoznaje tematy i wybiera dosłowny fragment. Wynik to cytat ze źródłem i datą, kolejka przeglądu oraz widoczne wyjątki.

Demonstracja aplikacji ORLEN wybrano wyłącznie do demonstracji aplikacji. Projekt basal nie jest powiązany z ORLEN; materiał nie stanowi wdrożenia ani rekomendacji tej firmy.

NAGRANIE · BEZ DŹWIĘKUbasal-1.5 · 4.5B · MacBook Pro M4 Pro · 24 GB · MLX 8-bit
Film bez dźwięku odtwarza rzeczywisty przebieg z 5 października 2026. Cytaty pochodzą z pobranych publikacji, a oceny i kolejki są wynikiem demonstracyjnej aplikacji. ORLEN wybrano wyłącznie jako przykład; brak powiązania z firmą. To zapis próby, nie bieżący serwis wiadomości. Pobierz nagranie ↓
9kandydatów z publicznych źródeł
4serwisy w zakresie demonstracji
49,89 spierwszy pełny przebieg na Macu

Jak to działa

18 / SCHEMAT DZIAŁANIA Nazwa firmy → publiczne źródła → znaczenie i cytat → przegląd nowych wzmianek.
  1. 01 Źródła
    KOD APLIKACJIZnajdź i pobierz publikacje

    Trzy kanały RSS wyników wyszukiwania i jeden kanał filtrowany po nazwie. Kod odczytuje tekst artykułu.

  2. 02 Znaczenie
    BASAL-1.5Czy to o naszej firmie?

    choice ocenia kontekst. multi wskazuje tematy. Sam wynik meczu ze sponsorem w nazwie nie wystarcza.

  3. 03 Dalsze pytania
    BASAL-1.5Temat zmienia klasyfikator

    AI → partnerzy czy wdrożenie? Ceny → podwyżka czy obniżka? Model wybiera krótki cytat, a noul sprawdza jego sens.

  4. 04 Przegląd
    KOD APLIKACJIŹródło, cytat i status

    Kod weryfikuje dosłowność cytatu, stosuje progi i pamięta treść. Kolejny skan analizuje tylko zmiany.

Decyzja basal Kod i reguły aplikacji Dane lub wynik

Wyszukiwanie i pobieranie treści wykonuje kod, a nie model. Do basal trafiają fragmenty publikacji i profil monitoringu. Próg klasyfikacji kontekstu to 0,80, etykiet multi 0,70, a osobnej oceny sensu cytatu 0,85. Temat z poprzedniego kroku wybiera kolejne pytanie i listę odpowiedzi. Cytaty są wybierane spośród oryginalnych fragmentów do 22 słów; kod sprawdza ich dokładną obecność w tekście. Zastosowano wybór fragmentu przez choice i kontrolę noul, bez funkcji evidence wymagającej innego silnika. Wyniki poniżej progów oraz brak treści trafiają do sprawdzenia. Film pokazuje także niepewną ocenę relacji sportowej.

WARUNKI I WYNIKI

Co sprawdziliśmy?

Próba obejmuje 9 kandydatów z 4 skonfigurowanych serwisów: BrandsIT, ManagerPlus, SPR Wisła Płock i Business Insider. 4 karty trafiły do przeglądu dziennego, 4 do ręcznego sprawdzenia, a 1 wynik poza zakres. Jeden wynik nie zawierał wystarczającej treści artykułu. Źródła dobrano demonstracyjnie; procedurę dopracowano na tym zestawie. To nie niezależny benchmark jakości ani pełny obraz publikacji o ORLEN. Data pobrania nie musi być datą publikacji.

Pomiar z 5 października 2026, rozgrzany basal-1.5 4.5B MLX 8-bit, MacBook Pro M4 Pro (24 GB). Odkrywanie i pobranie stron: 4,26 s. 16 żądań i 32 pytań do lokalnego modelu: 45,61 s łącznie. Cały pierwszy skan: 49,89 s. Drugi rzeczywisty skan: 4,31 s; 8 treści bez zmian, 0 nowych żądań do modelu. Czas obejmuje sieć i kod aplikacji; nie jest samym czasem inferencji.

Co mówią o firmie? · basal-1.5
EtapZaobserwowany wynikRola aplikacji
Odkrycie publikacji9 kandydatów / 4 serwisyRSS i pobranie WWW
Przegląd dzienny4 karty z cytatem i źródłemOcena tematów i kontrola cytatu
Wyjątki4 do sprawdzenia, w tym brak treściProgi niepewności; bez zgadywania
Inny temat1 wynik poza zakresemOdróżnienie treści od samej nazwy
Powtórny skan8 treści bez zmian0 wywołań modelu; zachowane oceny
SPRAWDŹ W ORYGINALE

Co dokładnie napisano?

Krótkie fragmenty publikacji użyte w nagraniu. Daty pochodzą ze źródeł; strony pobrano 5 października 2026. Oceny i kolejki w filmie są wynikiem aplikacji.

BrandsIT ↗
ORLEN rozszerza swoją strategię AI: po współpracy z globalnymi dostawcami technologii koncern chce zbudować szerszą sieć firm […]

Fragment publikacji przekazany do przeglądu.

BrandsIT ↗
Orlen uruchomił przy autostradzie A1 pierwszą w Polsce publiczną infrastrukturę Megawatt Charging System, przygotowując się na moment […]

Fragment publikacji przekazany do przeglądu.

ManagerPlus ↗
Po zakłóceniach saudyjskich dostaw ORLEN kupił 16 dodatkowych ładunków ropy dla rafinerii w Polsce, Czechach i na Litwie […]

Fragment publikacji przekazany do przeglądu.

ManagerPlus ↗
ORLEN wprowadził 25 września 2026 r. znaczące podwyżki hurtowych cen paliw.

Fragment publikacji przekazany do przeglądu.

SPR Wisła Płock ↗
Orlen Wisła Płock: 16.Vujović – 7 obron (0/1 k), 32.Alilović – 3 (0/2 k), 3.Daszek – 9, 8.Janc – 6 […]

Kontekst sportowy; klasyfikacja do sprawdzenia.

WNIOSEK Z PRÓBY

Zespół dostaje krótkie, sprawdzalne fragmenty i kolejkę wyjątków zamiast samej listy linków. Cytat jest wypowiedzią źródła, a nie potwierdzeniem prawdziwości zdarzenia przez basal. Rzeczowa informacja o podwyżce nie musi oznaczać krytycznego tonu autora. Zakres źródeł, progi i listy tematów można dostosować do własnej firmy. W tej próbie nie wysyłano alertów ani odpowiedzi i nie przypisujemy ORLEN żadnych oszczędności.

19 / MULTIMODALNY / TEKST + OBRAZ + KLATKI FILMU + DŹWIĘK

Zanim klikniesz „Publikuj”.

Brief mówi 20%. Baner pokazuje 30%. Film przedłuża promocję, a lektor obiecuje rabat na wszystkie buty. Wczesna wersja eksperymentalnego basal-omni-1.0-max przetwarza tekst, obraz, klatki filmu i polski dźwięk. Aplikacja porównuje odpowiedzi i przygotowuje konkretną listę poprawek dla zespołu.

Demonstracja aplikacji KROK i kampania są fikcyjne, przygotowane wyłącznie do tej demonstracji. Użyto wczesnej wersji basal-omni-1.0-max sprzed wydania. basal-omni to eksperymentalna linia, która nie jest częścią basal-2.0. Film pokazuje rzeczywiste wyniki, w tym błędną ocenę audio w próbie łącznej. Reklam nie publikowano.

01 / TEKSTPrzeczytaj brief

Warunki zatwierdzone przez firmę.

02 / OBRAZZobacz baner

Piksele grafiki, w tym rabat.

03 / FILMOceń klatki

Cztery próbki z filmu, z oznaczeniem czasu.

04 / DŹWIĘKUsłysz lektora

Surowa polska ścieżka audio.

Jeden model: wczesna wersja basal-omni-1.0-max. Bez OCR i bez transkrypcji na wejściu. Film trafia do modelu jako cztery klatki i ścieżka dźwięku. Pytania i lista odpowiedzi definiują kontrolę. Film pokazuje zarówno możliwości, jak i ograniczenie obecnej wersji.

NAGRANIE · POLSKI LEKTOR + REKLAMA + MUZYKAbasal-omni-1.0-max, wczesna wersja · H100 80 GB · bf16
Polski lektor ElevenLabs krok po kroku wyjaśnia rzeczywistą kontrolę kampanii z 8 października 2026. Plansze API pokazują osobne wywołanie modelu z 9 października: żądanie z tekstem, banerem, klatkami filmu i audio oraz odpowiedź o rabacie na banerze. To lokalny adapter demonstracyjny; dane plików są skrócone na ekranie. Piksele i surowe audio trafiają do modelu bez OCR i transkrypcji na wejściu. Komentarz lektora nie nakłada się na głosy reklam A/B, a muzyka tworzy jedną ciągłą ścieżkę. Tempo prezentacji jest wolniejsze od obliczeń. Materiały: Flova (Seedream / MiniMax), głosy ElevenLabs, muzyka Suno; montaż i typografia lokalne. Pobierz nagranie ↓
4rodzaje danych: tekst, obraz, klatki filmu i dźwięk
3rozbieżności wskazane przez całą aplikację
13,8 sponowna kontrola wersji B · 6 pytań na H100

Jak to działa

19 / SCHEMAT DZIAŁANIA Cztery rodzaje danych → jeden model → porównanie z briefem → lista poprawek.
  1. 01 Wejścia
    DANE / WYNIKBrief i prawdziwe pliki kampanii

    Tekst po polsku, baner PNG i 16-sekundowy MP4 z polskim lektorem. Kod wydziela 4 klatki i audio 16 kHz.

  2. 02 basal-omni
    BASAL-OMNIPrzeczytaj, zobacz i usłysz

    Ten sam model otrzymuje wszystkie media razem, a następnie każdy kanał osobno. Wybiera spośród odpowiedzi podanych w pytaniu.

  3. 03 Kontrola spójności
    KOD APLIKACJIPorównaj odpowiedzi z briefem

    Kod porównuje rabat, datę i zakres produktów. Sprzeczność między oceną łączną a odczytem kanału kieruje sprawę do człowieka.

  4. 04 Dalszy krok
    DANE / WYNIKPopraw i sprawdź ponownie

    Wersja A: trzy uwagi dla zespołu. Wersja B: materiały gotowe do akceptacji. Ostateczna publikacja pozostaje u człowieka.

Decyzja basal Kod i reguły aplikacji Dane lub wynik

Model nie dostaje opisu obrazka ani rozpoznanej wcześniej mowy. Otrzymuje piksele i próbki audio, przetwarzane przez jego procesor multimodalny. Film jest reprezentowany przez klatki z 2., 6., 10. i 14. sekundy; to kontrola treści tych klatek, a nie całego przebiegu ruchu. Najpierw trzy pytania choice porównują wspólne wejście z briefem. Dodatkowe trzy odczyty choice ustalają treść poszczególnych kanałów. Kod porównuje wybrane wartości z ustrukturyzowanymi warunkami promocji. Kolejne kryterium zmienia pytanie i opcje, bez zmiany wag i bez dodatkowego treningu. To lokalny adapter badawczy sprzed wydania. Wydany silnik przyjmuje obrazy i dźwięk w polu „media” standardowego API. Filmu jako takiego nie przyjmuje: tak jak tutaj, jego klatki wysyłasz jako obrazy, a ścieżkę dźwięku jako audio.

Treść polskiego lektora w nagraniu

Wersja A: Nowy sezon, nowy krok. Od dziesiątego do dwunastego października dwadzieścia procent rabatu na wszystkie buty. Wpisz kod START dwadzieścia. Wybierz swoją parę w KROK.

Wersja B: Nowy sezon, nowy krok. Od dziesiątego do dwunastego października dwadzieścia procent rabatu na buty sportowe. Wpisz kod START dwadzieścia. Wybierz swoją parę w KROK.

Tekst jest pomocą dla odbiorcy filmu. W tej próbie do modelu przekazywano dźwięk, bez transkrypcji.

CO ZYSKUJE FIRMA?

Zespół dostaje listę poprawek, zanim ruszą reklamy.

01

Mniej ręcznego porównywania

Wspólna kontrola briefu, banera, filmu i głosu. Człowiek zaczyna od konkretnych uwag zamiast otwierać każdy plik od początku.

02

Poprawki przed wydaniem budżetu

Błędny rabat, przedłużony termin lub zbyt szeroka obietnica trafiają do przeglądu przed startem kampanii. Nie wyliczamy fikcyjnej „unikniętej straty”.

03

Nowa kampania, ten sam model

Zmieniasz brief, pytania i opcje. Możesz przygotować kontrolę kolejnej marki lub promocji bez trenowania osobnego klasyfikatora.

PRZYKŁADOWY RACHUNEK / ZAŁOŻENIA20 godzin / miesiąc

120 kampanii × (15 − 5 minut) ÷ 60.
Zakładamy skrócenie pracy człowieka z 15 do 5 minut na kampanię.

WARTOŚĆ CZASU PO KOSZTACH UTRZYMANIA1 700 zł / miesiąc

20 godzin × 100 zł − 300 zł utrzymania.
Przy budżecie wdrożenia 8 000 zł: 12 400 zł w pierwszym roku i orientacyjnie 4,7 miesiąca do zwrotu.

To przykład wartości odzyskanej pracy, nie zmierzona oszczędność ani gwarantowany zysk. Wolumen, czas przeglądu i koszty są założeniami. Korzyść wymaga wykorzystania odzyskanego czasu; przed wdrożeniem zmierz pracę zespołu, koszty sprzętu, energii, nadzoru oraz pomyłek. Pomiar na H100 nie potwierdza przyjętego tu budżetu utrzymania.

WARUNKI I WYNIKI

Co sprawdziliśmy?

Dwa warianty jednej autorskiej, fikcyjnej kampanii. Wariant A zawiera trzy celowo przygotowane rozbieżności, B jest poprawiony. Osobne odczyty kanałów: 6/6 poprawnych odpowiedzi. Oceny ze wszystkimi mediami razem: 5/6. Model błędnie uznał zakres głosu w A za zgodny, ale osobny odczyt audio poprawnie wskazał „na wszystkie buty”. Reguły aplikacji pokazują tę sprzeczność. Kod promocyjny i pełna oś czasu filmu nie były osobnymi kryteriami testu. Procedurę rozwijano na tym zestawie — to demonstracja, nie niezależny benchmark jakości.

Jeden H100 80 GB; wczesna wersja basal-omni-1.0-max, bf16, eager/math SDPA, logity opcji fp32. Każde pytanie odczytano w dwóch kolejnościach opcji i uśredniono rozkłady. 12 pytań, 24 odczyty. Wersja A: 14,5 s; B: 13,8 s. Czasy obejmują przygotowanie wejścia i odczyty na GPU, bez ładowania wag (25,8 s) i wcześniejszego wydzielenia mediów. Łączny czas samych odczytów GPU: 25,3 s. Procenty w filmie są nieskalibrowanym rozkładem opcji dla mediów, a nie gwarancją poprawności.

Kampania pod kontrolą · basal-omni-1.0-max, wczesna wersja (8.10.2026)
SprawdzenieWersja AWersja B
Rabat na banerze30%20%
Koniec promocji w filmieDo 19 październikaDo 12 października
Zakres w głosieNa wszystkie butyNa buty sportowe
Ocena audio ze wszystkimi mediami„Zgodne” — błąd modelu„Zgodne” — poprawnie
Reguły aplikacjiZatrzymaj; 3 poprawki, 1 sprzeczność ocenPrzekaż do akceptacji zespołu
WNIOSEK Z PRÓBY

Jeden model pomaga porównać warunki kampanii zapisane w różnych mediach. Zespół otrzymuje listę uwag do konkretnych plików przed uruchomieniem budżetu reklamowego. W tej próbie samo wspólne wejście nie wystarczyło do poprawnej oceny głosu — osobna kontrola kanału ujawniła rozbieżność. basal-omni jest eksperymentalny i nie należy do wydania basal-2.0; wydany model może odpowiadać inaczej, a obsługa mediów może się zmienić. Wartość biznesowa polega na skróceniu przygotowania przeglądu; decyzję o publikacji nadal podejmuje człowiek.

20 / OBRAZ → ODCZYT PÓL → KONTROLA DOSTAWY

Czy płacisz za to, co odebrano?

Zamówiono 20 monitorów. Do magazynu dotarło 18. Faktura obejmuje 20. Wczesna wersja basal-omni-1.0-max czyta obrazy dokumentów, a aplikacja porównuje ilości i wskazuje 2 000 zł netto do wyjaśnienia. Potem sprawdzamy poprawioną fakturę oraz nieczytelny skan.

Demonstracja aplikacji Dokumenty i firmy są fikcyjne. Model otrzymał całe obrazy PNG, bez OCR ani przepisanej treści. To odczyt określonych pól z listy możliwych odpowiedzi, nie uniwersalny eksport dowolnego dokumentu. Kwota do wyjaśnienia nie oznacza zmierzonej oszczędności. Obsługa obrazów w basal-omni jest eksperymentalna.

01 / OBRAZYZamówienie, WZ, faktura

Całe obrazy dokumentów, z widoczną treścią i układem.

02 / MODELRozpoznaj i odczytaj

Rodzaj dokumentu wybiera następne pytanie o ilość.

03 / KODPorównaj ilości

Cena z danych aplikacji. Różnicę w złotych liczy kod.

04 / CZŁOWIEKWyjaśnij rozbieżność

Oryginał dokumentu pozostaje obok odpowiedzi.

Jeden model: wczesna wersja basal-omni-1.0-max. Jeden model otrzymuje piksele i pytania. Opcje ilości to 0–30, „Więcej niż 30” i „Nie da się odczytać”. Powiększenie w filmie pomaga widzowi; do modelu trafiła cała strona.

NAGRANIE · POLSKI LEKTOR + MUZYKAbasal-omni-1.0-max, wczesna wersja · H100 80 GB · bf16
Polski lektor ElevenLabs prowadzi przez wejścia, pytania i rzeczywiste odpowiedzi wczesnej wersji basal-omni-1.0-max, sprzed wydania. Plansze API pokazują żądanie i odpowiedź lokalnego adaptera demonstracyjnego; dane plików są skrócone na ekranie. Tempo prezentacji pozwala obejrzeć poszczególne kroki i nie odpowiada czasowi inferencji. Instrumentalna muzyka tworzy jedną ciągłą ścieżkę. Kontrola dokumentów pochodzi z próby z 8 października 2026; osobne wywołanie API rozpoznające WZ wykonano 9 października. Jeden H100 80 GB. Dokumenty, firmy i dane są fikcyjne. Pobierz nagranie ↓
5,05 spierwsza kontrola 3 dokumentów · 10 pytań
2 000 złrozbieżność netto do wyjaśnienia
15 / 15zgodnych odpowiedzi w autorskiej próbie

Jak to działa

20 / SCHEMAT DZIAŁANIA Obraz → rodzaj dokumentu → odczyt ilości → porównanie z dostawą.
  1. 01 Wejścia
    DANE / WYNIKTrzy obrazy jednego zamówienia

    Zamówienie, dokument wydania WZ i faktura. Później poprawiona faktura i zamazany WZ.

  2. 02 basal-omni
    BASAL-OMNIRodzaj, ilość, produkt

    Model rozpoznaje dokument; wynik wybiera kolejne pytanie. Sprawdza też wspólny numer zamówienia.

  3. 03 Reguły
    KOD APLIKACJIPorównanie i rachunek

    20 na fakturze − 18 odebranych = 2 sztuki. Cena 1 000 zł netto pochodzi z danych aplikacji / ERP.

  4. 04 Dalszy krok
    DANE / WYNIKPrzekaż do wyjaśnienia

    Po poprawie: faktura i odbiór obejmują 18 sztuk. Zamówienie nadal ma 2 sztuki niedostarczone. Nieczytelny dokument wymaga nowego skanu.

Decyzja basal Kod i reguły aplikacji Dane lub wynik

Lokalny adapter badawczy podaje procesorowi modelu całe obrazy i pytania choice. Najpierw identyfikuje rodzaj dokumentu, a następnie zadaje właściwe pytanie o ilość: zamówioną, odebraną lub zafakturowaną. Wszystkie możliwe odpowiedzi określa aplikacja. Odczytuje również produkt i porównuje numer zamówienia na trzech obrazach. Kod porównuje wybrane wartości i liczy różnicę według ceny z danych aplikacji. Nie wykonywano operacji w prawdziwym ERP ani płatności.

CO DAJE TO FIRMIE?

Pracownik zaczyna od wskazanej rozbieżności.

01

Mniej przepisywania

Odczyt wskazanych pól z obrazów rozpoczyna kontrolę bez ręcznego wprowadzania całej strony.

02

Konkretny powód wstrzymania

Dwie sztuki różnicy i dokument źródłowy. 2 000 zł netto to kwota do wyjaśnienia, nie deklarowany zysk.

03

Ten sam model po zmianie procesu

Rodzaj dokumentu zmienia pytanie. Poprawiony plik uruchamia ponowną kontrolę bez trenowania nowych wag.

Wartość biznesowa wymaga pilotażu na dokumentach firmy i pomiaru czasu poprawek. W tym demo nie mierzono czasu pracownika ani oszczędności finansowej.

WARUNKI I WYNIKI

Co sprawdziliśmy?

Pięć autorskich obrazów: zamówienie, WZ, pierwotna faktura, poprawiona faktura oraz nieczytelny WZ. Wszystkie 15 odpowiedzi zgadzają się ze scenariuszem: 20 / 18 / 20 sztuk, poprawiona faktura 18, zgodny produkt i numer zamówienia. Przy zamazaniu obu wystąpień ilości model wybiera „Nie da się odczytać”. To demonstracja na kontrolowanych dokumentach, nie niezależny benchmark OCR.

Przebieg 67355767: pierwsza kontrola 5,05 s (10 pytań), poprawiona faktura 2,30 s (4 pytania; zachowane wcześniejsze odczyty zamówienia i WZ), nieczytelny skan 0,37 s (1 pytanie). Jeden H100 80 GB, bf16, math SDPA; logity opcji fp32. Dwie kolejności opcji na pytanie: łącznie 30 odczytów. Pomiar obejmuje odczyt plików, procesor i inferencję przy modelu w pamięci. Bez transferu, kolejki i startu modelu (31,82 s, w tym ładowanie wag 29,27 s). Rozkłady opcji dla mediów nie są skalibrowaną gwarancją poprawności.

Obrazy dokumentów · basal-omni-1.0-max, wczesna wersja (8–9.10.2026)
SprawdzenieOdczyt modeluWynik aplikacji
Zamówienie / WZ / faktura20 / 18 / 20 sztuk2 sztuki ponad potwierdzony odbiór
Produkt i numer zamówieniaMonitor TERA 27; wspólny numer: TakMożna porównać wskazane ilości
Różnica nettoIlości z obrazów; cena z aplikacji2 × 1 000 zł = 2 000 zł do wyjaśnienia
Poprawiona faktura18 sztukIlość zgodna z odebranymi 18 sztukami
Nieczytelny WZNie da się odczytaćPoproś o czytelny dokument
WNIOSEK Z PRÓBY

Wczesna wersja basal-omni-1.0-max potrafiła w tej próbie odczytać konkretne pola z obrazów i skierować nieczytelny dokument do ponownego skanowania. Aplikacja użyła tych odpowiedzi do kontroli ilościowej. Nie zastępuje to pełnego sprawdzenia faktury, jej autentyczności ani akceptacji księgowej.

21 / DŹWIĘK → PIĘĆ PYTAŃ → PROPOZYCJA DO CRM

Co po tej rozmowie ma zrobić firma?

Pięć krótkich rozmów po polsku: awaria, podwójna opłata, nierozliczony przelew, oferta na dodatkowe konta i prośba o ponowny telefon. Posłuchaj każdej w całości, a potem zobacz odpowiedzi modelu oraz propozycję karty sprawy do sprawdzenia przez konsultanta.

Demonstracja aplikacji Wybrane przykłady demonstracyjne wczesnej wersji basal-omni-1.0-max. Odpowiedzi zgodne ze scenariuszem: 21/25; błędne: 2; nierozstrzygnięte: 2. Poprawnie wybrane ścieżki obsługi: 5/5. Scenariusze rozwijano po wcześniejszych próbach — nie jest to losowy test jakości. Głosy, dialogi i sprawy są syntetyczne. Wydany basal-omni-1.0-max rozumie mowę słabiej: w naszej sondzie wynik z nagrań był 22–42 pkt niższy niż z transkrypcji. Do nagrań mowy polecamy basal-omni-1.0-mini.

01 / DŹWIĘKPosłuchaj polskiej rozmowy

Pełne nagrania dwóch rozmówców, bez przyspieszenia.

02 / MODELZadaj pięć pytań

Surowe audio oraz pytania z listami odpowiedzi.

03 / KARTAZobacz wybrane pola

Następny krok, stan sprawy, kontakt, awaria i rezygnacja.

04 / PRZEGLĄDSprawdź przed zapisem

Odsłuch i poprawa błędnych lub niepewnych odpowiedzi.

Jeden model: wczesna wersja basal-omni-1.0-max. Do modelu trafił dźwięk WAV 16 kHz, bez transkrypcji. Napisy w filmie są pomocą dla widza. Model wybiera etykiety; nie generuje notatki ani nie odczytuje osobnego pola daty lub godziny kontaktu.

NAGRANIE · 5 POLSKICH ROZMÓW + LEKTOR + MUZYKAbasal-omni-1.0-max, wczesna wersja · H100 80 GB · bf16
Polski lektor ElevenLabs prowadzi przez wejścia, pytania i rzeczywiste odpowiedzi wczesnej wersji basal-omni-1.0-max, sprzed wydania. Plansze API pokazują żądanie i odpowiedź lokalnego adaptera demonstracyjnego; dane plików są skrócone na ekranie. Tempo prezentacji pozwala obejrzeć poszczególne kroki i nie odpowiada czasowi inferencji. Instrumentalna muzyka tworzy jedną ciągłą ścieżkę. Nagrania i ponowna próba z 9 października 2026. Pięć różnych głosów klientów i jeden wspólny głos konsultantki. W rozmowie o przelewie klientka mówi „Zapłaciłam”. Model otrzymał dokładnie te nagrania, które odtwarzamy w filmie, bez muzyki i komentarza narratora. Pobierz nagranie ↓
5 / 5poprawnie wybranych ścieżek obsługi
21 / 25zgodnych odpowiedzi · błędne: 2, nierozstrzygnięte: 2
4,45 ssuma czasów analizy 5 pełnych nagrań

Jak to działa

21 / SCHEMAT DZIAŁANIA Dźwięk rozmowy → odpowiedzi na pięć pytań → propozycja karty → sprawdzenie przez człowieka.
  1. 01 Wejście
    DANE / WYNIKPięć wybranych rozmów

    Łącznie 100,05 s audio. Każde nagranie model otrzymuje w całości.

  2. 02 basal-omni
    BASAL-OMNIPięć kryteriów, jeden model

    Pytania dotyczą następnego kroku, rozwiązania sprawy, kontaktu firmy, awarii i decyzji o rezygnacji.

  3. 03 Aplikacja
    KOD APLIKACJIUłóż pola karty sprawy

    Wyniki i słabsze rozkłady opcji są widoczne. Kolory błędów pochodzą z porównania z autorskim scenariuszem, nie z dodatkowego modelu weryfikującego.

  4. 04 Człowiek
    DANE / WYNIKOdsłuchaj i zatwierdź

    Wszystkie karty są propozycjami. Nie zapisano danych w prawdziwym CRM, nie utworzono zadań ani nie kontaktowano się z klientami.

Decyzja basal Kod i reguły aplikacji Dane lub wynik

Lokalny demonstracyjny adapter HTTP przyjmuje JSON z dźwiękiem oraz pięcioma pytaniami choice. Na planszy żądania skrócono dane pliku i pokazano jedno z pytań, a na planszy odpowiedzi — rzeczywiste prawdopodobieństwa wczesnej wersji basal-omni-1.0-max. Model otrzymuje próbki dźwięku, bez ASR na wejściu. Każde pytanie odczytywane jest w dwóch kolejnościach opcji; rozkłady są uśredniane. Kod mapuje wybraną etykietę na pole karty. Demonstracyjny próg 0,8 i zgodność kolejności pomagają oznaczyć pola do przeglądu, ale nie stanowią kalibracji audio ani gwarancji wykrycia błędów. Czerwone pola w filmie to znane błędy względem przygotowanego scenariusza, oznaczone podczas oceny próby. Ten format należy do adaptera badawczego sprzed wydania; wydany silnik przyjmuje dźwięk w polu „media” standardowego API.

CO DAJE TO FIRMIE?

Potencjał: krótsze przygotowanie karty rozmowy.

01

Wyraźny następny krok

Model wskazuje następny krok: serwis, rozliczenia, sprzedaż albo oddzwonienie. W tej próbie poprawnie wybrane ścieżki: 5/5.

02

Jawne pola do poprawy

Konsultant widzi odpowiedzi razem z nagraniem. Film nie zastępuje błędów modelu odpowiedziami wzorcowymi.

03

Rachunek do sprawdzenia w pilotażu

Jeśli przygotowanie i kontrola karty zajęłyby o 30 s mniej, 1 000 rozmów dawałoby 8 h 20 min odzyskanego czasu. To założenie, nie wynik pomiaru.

Przed użyciem w firmie trzeba poprawić i zmierzyć jakość audio oraz koszt weryfikacji. Przykładowy rachunek nie uwzględnia integracji, sprzętu, utrzymania i pomyłek. Model jest eksperymentalny i nie należy do wydania basal-2.0; obsługa mowy może się zmienić.

WARUNKI I WYNIKI

Co sprawdziliśmy?

Pięć wybranych rozmów i pięć pytań do każdej. Odpowiedzi zgodne: 21; błędne: 2; nierozstrzygnięte: 2. Awaria: Wszystkie odpowiedzi zgadzają się z dialogiem. Podwójna opłata: Do weryfikacji: awaria blokująca pracę. Nierozliczony przelew: Do weryfikacji: awaria blokująca pracę, decyzja o rezygnacji. Dodatkowe konta: Wszystkie odpowiedzi zgadzają się z dialogiem. Prośba o telefon: Do weryfikacji: awaria blokująca pracę. Poprawione dialogi nagrano głosami ElevenLabs i ponownie sprawdzono tym samym modelem, z niezmienionymi pytaniami. Film pokazuje cały wybrany zestaw. To demonstracja na autorskich przykładach, nie niezależny benchmark.

Próba z 9 października 2026: 25 pytań, 50 odczytów; suma czasów pięciu analiz 4,45 s. Rozmowy kolejno: 1,34 / 0,81 / 0,80 / 0,76 / 0,73 s. Materiał źródłowy: 100,05 s. Jeden H100 80 GB, bf16, math SDPA, logity opcji fp32. Pomiar obejmuje obsługę żądania w lokalnym adapterze, dekodowanie audio, procesor i odczyty przy modelu w pamięci; bez transferu z komputera użytkownika, kolejki i ładowania wag. Muzyka oraz komentarz narratora zostały dodane dopiero do filmu — model otrzymał czyste dialogi. Nie mierzono odporności na hałas ani nagrania telefoniczne niskiej jakości.

Polskie rozmowy · basal-omni-1.0-max, wczesna wersja (8–9.10.2026)
RozmowaNastępny krok modeluZgodne polaProblem w próbie
AwariaSerwis techniczny5 / 5Wszystkie odpowiedzi zgadzają się z dialogiem.
Podwójna opłataWeryfikacja rozliczeń4 / 5Do weryfikacji: awaria blokująca pracę.
Nierozliczony przelewWeryfikacja rozliczeń3 / 5Do weryfikacji: awaria blokująca pracę, decyzja o rezygnacji.
Dodatkowe kontaPrzygotowanie oferty5 / 5Wszystkie odpowiedzi zgadzają się z dialogiem.
Prośba o telefonPrzełożona rozmowa / callback4 / 5Do weryfikacji: awaria blokująca pracę.
WNIOSEK Z PRÓBY

Na wybranych rozmowach model przygotował 21 z 25 pól zgodnie ze scenariuszami. Poprawnie wybrane ścieżki obsługi: 5/5. Karta pozostaje propozycją do odsłuchu i zatwierdzenia. Dobór przykładów służy pokazaniu działania aplikacji; nie wyznacza jakości na dowolnych rozmowach firmy.

22 / DŹWIĘK / POLSKI + ANGIELSKI + CHIŃSKI

Klient zmienia język. Sens zamówienia zostaje.

Jedna wiadomość miesza polski, angielski i chiński mandaryński. basal-omni otrzymuje nagranie oraz sześć pytań po polsku: o produkty, termin dostawy, fakturę, anulowanie, intencję i języki. Bez transkrypcji ani tłumaczenia na wejściu.

Demonstracja aplikacji Fikcyjna wiadomość, nagrana w ElevenLabs innym głosem niż lektor. Inferencja na HP ZGX Nano była lokalna. To jedna wybrana próbka, nie benchmark obsługi trzech języków. Nagranie pokazuje wczesny model sprzed wydania.

NAGRANIE · POLSKI LEKTOR + TRÓJJĘZYCZNE AUDIO + MUZYKAbasal-omni-1.0-max, wczesna wersja · HP ZGX Nano
Pełny film z polskim lektorem i sześcioma pytaniami, skróconym JSON oraz rzeczywistymi odpowiedziami. Ostateczna wersja nagrania ma oddzielny głos klienta i tempo 1,03×; pomiarów modelu nie przeliczono przez tempo filmu. Pobierz nagranie ↓
3języki w jednej wypowiedzi
6 / 6odpowiedzi zgodnych ze scenariuszem
4,14 smediana analizy sześciu pytań w wybranym wariancie

Jak to działa

22 / SCHEMAT DZIAŁANIA Wiadomość głosowa → sześć pytań → odpowiedzi do obsługi zamówienia.
  1. 01 Wejście
    DANE / WYNIK16,08 s audio

    Polski, angielski i chiński w jednej wypowiedzi klienta.

  2. 02 basal-omni
    BASAL-OMNISześć pytań po polsku

    Nagranie WAV i możliwe odpowiedzi; bez ASR na wejściu.

  3. 03 Aplikacja
    KOD APLIKACJIUporządkuj odpowiedzi

    Produkty, termin, faktura i intencja stają się polami sprawy.

  4. 04 Człowiek
    DANE / WYNIKSprawdź przed zmianą

    Propozycja do zatwierdzenia, bez zmiany prawdziwego zamówienia.

Decyzja basal Kod i reguły aplikacji Dane lub wynik

Jedno żądanie zawiera audio w media oraz sześć definicji choice w questions. Demonstracyjny adapter oblicza reprezentację dźwięku raz i używa jej przy kolejnych pytaniach. Każde pytanie odczytuje w dwóch kolejnościach opcji. Jedno żądanie HTTP nie oznacza jednego przebiegu całego modelu; to eksperyment w lokalnym adapterze, nie obietnica identycznej optymalizacji w wydanym silniku.

WARUNKI I WYNIKI

Co sprawdziliśmy?

Na jednym nagraniu uzyskano 6/6 odpowiedzi zgodnych ze scenariuszem. Wszystkie porównane warianty wybrały te same odpowiedzi. Powtórzenia służyły pomiarowi czasu, a nie zwiększeniu liczby niezależnych przykładów jakości.

HP ZGX Nano (Nvidia DGX Spark), GB10, BF16. Mediany z trzech pomiarów po rozgrzaniu: pytania osobno 4,15 s; w partii 4,46 s; wspólna reprezentacja audio i osobne pytania 4,14 s; wspólna reprezentacja i partia 4,44 s. Pomiar obejmuje obsługę lokalnego żądania, dekodowanie i inferencję; bez ładowania wag, kolejki i transferu na urządzenie. Różnicy 4,15 → 4,14 s nie przedstawiamy jako istotnego przyspieszenia.

Trzy języki w nagraniu · basal-omni-1.0-max, wczesna wersja (10.10.2026)
PytanieOdpowiedź modelu
Produkty i liczba50 niebieskich kubków
Nowy terminPiątek przed południem
FakturaNa firmową skrzynkę e-mail
AnulowanieNie anulować zamówienia
IntencjaZmiana terminu dostawy
JęzykiPolski, angielski i chiński
WNIOSEK Z PRÓBY

Jedna wielojęzyczna wiadomość może dostarczyć kilku pól potrzebnych w procesie firmy. Zmieniasz pytania i opcje, bez osobnego treningu klasyfikatora. Jakość trzeba sprawdzić na własnych głosach, językach i warunkach nagrania.

23 / N8N + BASAL TEKSTOWY + BIELIK

Trzydzieści maili. Jeden graf procesu.

Poranna skrzynka fikcyjnej firmy Meble Brzoza: faktury, zapytania ofertowe, reklamacje, pisma i phishing. Widać rzeczywisty graf n8n, decyzje basala, szkice Bielika, zatrzymanie procesu i wznowienie po odpowiedzi księgowej.

Demonstracja aplikacji To demonstracja tekstowego basal-1.5-4.5B, nie basal-omni. Dane i systemy firmy są syntetyczne. Nie pobierano faktur z KSeF, nie zmieniano rachunków, nie wysyłano maili ani wiadomości przez Telegram. Film pokazuje lokalny formularz księgowej i węzeł Wait.

NAGRANIE · POLSKI LEKTOR + MUZYKAbasal-1.5-4.5B + Bielik · HP ZGX Nano
Film z 10 października, po korekcie synchronizacji lektora. Rzeczywiste węzły HTTP Request wywołują POST /v1/systemone; widać wejście, odpowiedź i uruchomioną gałąź. Nagranie prezentuje działającą integrację na starszym modelu, bez ponownego pomiaru na basal-2.0. Pobierz nagranie ↓
30syntetycznych wiadomości w wykonanym procesie
4pytania w jednym wywołaniu triage
2 / 2wiadomości phishingowe w kwarantannie

Jak to działa

23 / SCHEMAT DZIAŁANIA Mail → decyzje basal → odpowiednia gałąź n8n → system firmy lub człowiek.
  1. 01 Wejście
    DANE / WYNIKSkrzynka firmy

    30 maili w pięciu kategoriach.

  2. 02 basal
    BASAL · TEKSTJeden POST, cztery pytania

    Kategoria, potrzeba działania, pilność i act z kosztami phishingu.

  3. 03 n8n
    KOD APLIKACJIWykonaj wybraną gałąź

    Kod sprawdza XML i kwoty, Bielik pisze szkic, kalendarz przyjmuje termin.

  4. 04 Człowiek
    DANE / WYNIKWstrzymaj i wznów

    Księgowa sprawdza sprawę; odpowiedź trafia do zbioru etykiet, bez automatycznego treningu.

Decyzja basal Kod i reguły aplikacji Dane lub wynik

Standardowy HTTP Request w n8n przekazuje state oraz cztery pytania choice, noul, score i act. Switch rozdziela sprawy. Przy fakturach kod weryfikuje XML i sumy, a basal proponuje konto, zgodność z zamówieniem i oznaczenie środka trwałego. Terminy liczy kod; model wybiera spośród kandydatów. Niepewne sprawy zatrzymuje Wait. Lokalny Bielik tworzy wyłącznie szkice ofert.

WARUNKI I WYNIKI

Co sprawdziliśmy?

30/30 kategorii i 30/30 wskazań potrzeby działania zgadzało się z etykietami. Pilność jest wynikiem na skali, nie deklaracją 100% poprawności. Pytania i politykę kosztów dopracowano na tych samych danych — to próba integracji, nie niezależny benchmark.

HP ZGX Nano, GB10, basal-1.5-4.5B BF16 i Bielik Q8_0 w Ollama. Mediana triage w partii przy równoległym obciążeniu: 1,80 s. Osobny przebieg jednej faktury: 408 ms dla czterech pytań i 1,373 s całego workflow. Próba offline potwierdza izolację kontenera n8n; rejestr VAT był demonstracyjnym plikiem, nie sprawdzeniem państwowej usługi na żywo.

Poranna skrzynka · n8n · basal-1.5-4.5B (10.10.2026)
GałąźWynik procesu
12 faktur10 propozycji dekretacji, 2 do księgowej
7 zapytań ofertowych7 szkiców Bielika, bez wysyłki
5 reklamacji5 zadań serwisowych
4 pisma2 terminy w kalendarzu, 2 do potwierdzenia
2 próby phishingu2 wiadomości w kwarantannie
WNIOSEK Z PRÓBY

basal wybiera następny krok, n8n łączy systemy, kod liczy, a człowiek zatwierdza wyjątki. Taki podział pozwala automatyzować różne procesy tym samym interfejsem decyzji. Żaden z pokazanych etapów nie autoryzuje płatności.

24 / AGENT / DOM → WYBÓR RUCHU → PRZEGLĄDARKA

Od celu do kliknięcia. Z przystankiem przed płatnością.

Agent otwiera prawdziwą Wikipedię, a potem przechodzi przez demonstracyjny zakup biletu. Przy każdym ruchu widzisz wybraną operację, element strony i prawdopodobieństwa. Na końcu kod i decyzja act zatrzymują zakup do zgody człowieka.

Demonstracja aplikacji Film pokazuje modele tekstowe i widoczny DOM, nie analizę obrazu strony przez omni. To zapis konfiguracji wyścigu; nie zmierzono czasu uczestnika. Bilet i cena są fikcyjne, nie wykonano płatności.

NAGRANIE · POLSKI LEKTOR + MUZYKAtekstowy prototyp + Bielik · HP ZGX Nano
Dwa przebiegi z 10 października: Wikipedia i lokalna makieta biletu. Przeglądarka działa na Macu, modele na HP ZGX Nano w sieci lokalnej. Polski lektor wyjaśnia każdy krok i podwójną kontrolę przed operacją wymagającą zgody. Pobierz nagranie ↓
3decyzje do artykułu Wikipedii
5,64 scałe zadanie na Wikipedii
0wykonanych płatności

Jak to działa

24 / SCHEMAT DZIAŁANIA Cel → widoczny DOM → wybór operacji → kontrolowane wykonanie.
  1. 01 Cel
    DANE / WYNIKCo znaleźć?

    Polecenie po polsku i widoczne elementy strony.

  2. 02 basal
    BASAL · TEKSTWybierz ruch

    Jedna para operacja/element; paski pokazują rozkład decyzji.

  3. 03 Kod
    KOD APLIKACJISprawdź i wykonaj

    Playwright wykonuje dozwoloną akcję. Bielik uzupełnia wybrane pole.

  4. 04 Człowiek
    DANE / WYNIKZgoda przed zakupem

    Brak zgody zatrzymuje ruch. Model nie omija kontroli kodu.

Decyzja basal Kod i reguły aplikacji Dane lub wynik

Aplikacja buduje listę dozwolonych par operacja/element z widocznego DOM. Model wybiera parę, kod sprawdza ją i wykonuje. Paski operacji i celów są wyliczone z jednego rozkładu par. Model nie generuje selektorów ani kodu. Decyzja act oraz niezależna reguła kodu muszą dopuścić operację; bez zgody człowieka agent staje.

WARUNKI I WYNIKI

Co sprawdziliśmy?

Wikipedia: trzy decyzje i niezależna kontrola adresu oraz treści artykułu. Makieta biletu: sześć ruchów i pytanie act, wynik ask_human. Nieudane próby gov.pl i BIP nie są przedstawiane jako ukończone misje. Nie porównujemy czasu z agentem konkurenta działającym na innej stronie.

Całe zadania: Wikipedia 5,640 s, bilet 11,832 s. Sumy żądań basal: 2,942 s i 4,355 s. Modele tekstowe sprzed wydania 2.0, działające na HP ZGX Nano. max_error: 0.05 był w żądaniu, ale konfiguracja zwróciła calibration: unvalidated; film nie deklaruje gwarancji 5% błędów.

Wyścig z agentem · tekstowy prototyp sprzed basal-2.0 (10.10.2026)
MisjaWynik
WikipediaZnaleziony artykuł, 3 decyzje
Fikcyjny bilet6 ruchów + act → zapytaj człowieka
Przejście do płatnościZatrzymane, brak zgody
WNIOSEK Z PRÓBY

Krótka decyzja modelu może sterować kolejnym ruchem agenta. Listę akcji, kontrolę uprawnień i potwierdzenia utrzymuje aplikacja. Widzisz zarówno drogę do celu, jak i moment, w którym automatyzacja musi się zatrzymać.

25 / 5 STACJI / TEKST + OBRAZY + STEROWANIE

Zmieniasz pytanie. Powstaje nowe zastosowanie.

Pięć stacji pokazuje dynamiczny klasyfikator: siedem decyzji o zgłoszeniu, kalambury z 200 hasłami, pytania o zdjęcie, strażnik kadru i sterowanie paletką. Zadania tekstowe obsługuje mały basal, a obrazy i Pong — basal-omni.

Demonstracja aplikacji Nagranie z wczesnymi wersjami modeli sprzed wydania. Dane zgłoszeń i karta są syntetyczne; nikt nie powiadamia służb. Pytania obrazowe dotyczą jednej fotografii i dwóch kadrów, a nie ciągłego monitoringu kamery.

NAGRANIE · POLSKI LEKTOR + MUZYKAbasal-omni-1.0-max + model tekstowy · HP ZGX Nano
Polski lektor prowadzi przez pięć stacji, rzeczywiste wywołania i odpowiedzi. Pong zawiera ciągły fragment gry bez przyspieszania. Model omni w Pong otrzymuje tekstowy opis stanu gry; nie jest to sterowanie na podstawie obrazu ekranu. Pobierz nagranie ↓
200opcji w jednym pytaniu kalamburów
7pytań o zgłoszenie w jednym żądaniu
5 / 5zgodnych odpowiedzi w małej próbie obrazowej

Jak to działa

25 / SCHEMAT DZIAŁANIA To samo API → różne pytania i wejścia → pięć aplikacji.
  1. 01 Wejście
    DANE / WYNIKWiadomość, zdjęcie lub stan gry

    Każda stacja przygotowuje potrzebny kontekst.

  2. 02 Modele
    BASAL + OMNIWybierz w ramach opcji

    Model tekstowy: zgłoszenia i hasła. Omni: obraz oraz ruch w Pong.

  3. 03 Kod
    KOD APLIKACJIPokaż skutek decyzji

    Kolejka, odgadnięte hasło, wskazany obiekt, zasłonięty kadr lub ruch paletki.

  4. 04 Kontrola
    DANE / WYNIKWyjaśnij ograniczenia

    Małe próby i widoczne błędy; brak deklaracji gotowej automatyzacji bezpieczeństwa.

Decyzja basal Kod i reguły aplikacji Dane lub wynik

Zgłoszenie używa choice, noul i score; kalambury jednego choice z 200 opcjami. W stacji obrazu zmienia się pytanie o tę samą fotografię: kubek, roślina, laptop. Ramki przypisuje aplikacja do znanych obiektów — model nie zwraca ich lokalizacji. Strażnik kadru zasłania wynik do decyzji. Fizyka Pong działa w kodzie, a rzeczywiste zapytania wybierają ruch paletki.

WARUNKI I WYNIKI

Co sprawdziliśmy?

Obraz: 3 pytania o przedmioty i 2 decyzje o kadrze, 5/5 zgodnych odpowiedzi. Pong: 60 s próby, 63 decyzje, 4 odbicia, 0 chybień przy prędkości pokazowej. Zgłoszenie ukraińskie otrzymało błędną kolejkę i trafiło do przeglądu. Nie wszystkie pomyłki modelu muszą mieć niską pewność.

HP ZGX Nano, modele sprzed wydania. Zgłoszenia: 81,9–86,8 ms dla siedmiu pytań; kalambury: 151–152 ms. Próby obrazowe: około 0,7–4,0 s, z HTTP i różnym rozgrzaniem/obciążeniem. To pomiary różnych zadań, nie porównanie szybkości urządzeń.

Arcade · tekst i obraz · basal-omni-1.0-max + prototyp tekstowy (10.10.2026)
StacjaCo pokazuje
Zgłoszenie na żywo7 pytań i przekazanie do człowieka
KalamburyŻubr: 19,2% → 66,6% → 90,0% po kolejnych wskazówkach
Znajdź toTa sama fotografia, trzy pytania i odpowiedzi
Strażnik kadruSyntetyczna karta / zwykłe biurko
PongRuch z odpowiedzi modelu, fizyka w kodzie
WNIOSEK Z PRÓBY

Nie trenowaliśmy osobnego modelu do każdej stacji. Pytanie, opcje i logika aplikacji definiują zastosowanie. Te same zasady można przenieść z gry do routingu zgłoszeń, kontroli obrazów i wyboru następnego kroku procesu.

26 / MCP / CODEX + BASAL + CLAUDE CODE

Plan się zmienia. Zasady firmy zostają.

Dostawca nie dotrzyma terminu. Codex szuka rozwiązania, Claude Code sprawdza ryzyko, a lokalny basal przez MCP pomaga wybrać następny krok. Nowa informacja zmienia plan; koszt przekraczający limit zatrzymuje proces do decyzji człowieka.

Demonstracja aplikacji Fikcyjna sprawa i dokumenty, rzeczywiste wywołania MCP. basal działa lokalnie na HP ZGX Nano. Codex i Claude Code korzystają ze swoich dostawców chmurowych, więc cały proces nie jest offline. Zatwierdzenie tworzy tylko lokalny szkic — bez wysyłki, zamówienia ani płatności.

NAGRANIE · POLSKI LEKTOR + MUZYKA · NAPISY PL/ENbasal-2.0-max · HP ZGX Nano
Film 6:32. W Herdr przez cały czas oglądasz ten sam układ trzech paneli: Codex, basal/MCP i Claude Code. Widać wywołania, odpowiedzi modelu, zmianę planu i zatrzymanie wydatku. Fragmenty pracy agentów mają tempo 1×; przerwy między nimi skrócono. Pobierz nagranie ↓
7rzeczywistych wywołań MCP
8pytań do lokalnego basal
1,51 ssuma czasu API dla tych wywołań

Jak to działa

26 / SCHEMAT DZIAŁANIA Zmiana w dostawie → agenci zbierają kontekst → basal ocenia → człowiek zatwierdza wyjątek.
  1. 01 Sprawa
    DANE / WYNIKDostawa zagrożona

    Dokumenty firmy, termin i limit kosztu opisują sytuację.

  2. 02 Agenci
    KOD APLIKACJICodex + Claude Code

    Plan i niezależna kontrola ryzyka; pytania trafiają do basal przez MCP.

  3. 03 Decyzje
    BASAL-2.0-MAXNastępny krok i koszty

    Nowa informacja zmienia supplier na express. act kieruje sprawę do człowieka.

  4. 04 Kontrola
    DANE / WYNIK900 zł przy limicie 500 zł

    Osobna reguła kodu zatrzymuje wydatek. Zgoda zapisuje wyłącznie szkic.

Decyzja basal Kod i reguły aplikacji Dane lub wynik

Agenci interpretują dokumenty i dostosowują plan do nowych informacji. Serwer basal udostępnia przez MCP typowane pytania oraz prawdopodobieństwa; nie wykonuje wybranego działania. Kod pilnuje uprawnień i limitów. Dzięki temu ten sam lokalny model decyzyjny może służyć różnym agentom, a właściciel procesu zachowuje kontrolę nad skutkiem.

WARUNKI I WYNIKI

Co sprawdziliśmy?

Jeden nagrany przebieg na syntetycznych dokumentach: 7 wywołań MCP i 8 pytań. Film pokazuje działającą integrację i reakcję na zmianę sytuacji, nie benchmark jakości ani dowód niezawodności dowolnego procesu.

Suma zmierzonych czasów API basal: 1507,6 ms. Nie jest to czas całego zadania agentów ani długość filmu. Model basal-2.0-max działa na HP ZGX Nano (Nvidia DGX Spark); generowanie i analiza przez Codex oraz Claude Code odbywają się osobno w usługach chmurowych.

Agenci + basal przez MCP · basal-2.0-max (13.10.2026)
MomentRzeczywisty wynik
Pierwszy plansupplier — ścieżka dostawcy
Nowa informacjaexpress — zmieniony plan
Decyzja actPrzekazanie do człowieka
Kontrola kodu900 zł > limit 500 zł
ZatwierdzenieLokalny szkic; 0 płatności i 0 wysłanych wiadomości
WNIOSEK Z PRÓBY

Agenci pomagają obsłużyć zmieniający się kontekst, a basal stanowi wspólną warstwę decyzji. W pełni lokalny wariant można zbudować z OMP i modeli open source; film wyjaśnia taką możliwość, ale nie przedstawia jej jako zmierzonej implementacji.

27 / OBRAZY + DŹWIĘK + STENOGRAM → SPRAWDZENIE NAGŁÓWKA

Co naprawdę przegłosowano?

Jedno głosowanie Sejmu z 8 października 2026 r., druk 3135: strona projektu, karta głosowania, 28 sekund transmisji i fragment stenogramu. Jeden model, basal-omni-1.0-max, odpowiada na pytania o te źródła i sprawdza przykładowy nagłówek „Sejm odrzucił projekt”.

Demonstracja aplikacji Jeden model (wydany basal-omni-1.0-max) i jedno głosowanie, a nie benchmark ani ogólna ocena trafności. Nagłówek „Sejm odrzucił projekt” to przykładowa błędna interpretacja przygotowana do demonstracji; nie przypisujemy jej mediom ani politykom i nie oceniamy intencji posłów. Końcowy wniosek opiera się na oficjalnym stenogramie.

NAGRANIE · POLSKI LEKTOR + FRAGMENT TRANSMISJI SEJMU + MUZYKAbasal-omni-1.0-max · H100
Film z polskim lektorem (4:46) pokazuje zapisane, rzeczywiste wywołania jednego serwera basal-omni-1.0-max na H100: obraz strony projektu, obraz karty głosowania, wspólne zapytanie z dwoma obrazami i 28 s nagrania oraz fragment stenogramu podany jako tekst. Próba z samym nagraniem pozostała w filmie razem z błędną odpowiedzią. Pobierz nagranie ↓
4 / 4odpowiedzi zgodnych ze źródłami we wspólnym zapytaniu
2,93 smediana HTTP: dwa obrazy, 28 s audio, cztery pytania
1nieudana próba z samym dźwiękiem, pokazana w filmie

Jak to działa

27 / SCHEMAT DZIAŁANIA Dokumenty, nagranie i stenogram → pytania o źródła → wniosek sprawdzony przez człowieka.
  1. 01 Wejście
    DANE / WYNIKCztery źródła

    Strona projektu, karta głosowania, 28 s transmisji, fragment stenogramu.

  2. 02 basal-omni
    BASAL-OMNIPytania o każde źródło

    Obrazy i dźwięk bez osobnego OCR i ASR; wybór spośród podanych odpowiedzi.

  3. 03 Aplikacja
    KOD APLIKACJIZestaw odpowiedzi

    PDF i strumień wideo przetwarza kod; liczby głosów pobiera z API Sejmu.

  4. 04 Człowiek
    DANE / WYNIKUstal wniosek

    Końcowy wniosek opiera się na oficjalnym stenogramie.

Decyzja basal Kod i reguły aplikacji Dane lub wynik

Każdy krok to jedno żądanie POST /v1/systemone z obrazami lub nagraniem w media i pytaniami choice. W najważniejszym zapytaniu model dostaje oba obrazy i 28 s nagrania naraz i odpowiada na cztery pytania: nad czym głosowano, jaką datę przewiduje projekt, czy przykładowy nagłówek zgadza się ze źródłami i czy zmiana już obowiązuje. Fragment stenogramu trafia do modelu jako tekst; nie jest wynikiem rozpoznawania mowy.

WARUNKI I WYNIKI

Co sprawdziliśmy?

Każde zadanie powtórzono trzy razy po rozgrzaniu; wybrane odpowiedzi były stabilne i zgodne z dokumentami. We wspólnym zapytaniu 4 z 4 odpowiedzi zgadzały się ze źródłami. Próba z samym nagraniem nie ustaliła przedmiotu głosowania: model wybrał „głosowanie nad poprawką” (47,5%). Tego wyniku nie poprawiliśmy. To jedna sprawa, bez ogólnego twierdzenia o trafności.

Mediany HTTP z trzech prób (Mac → tunel SSH → H100, model wczytany): obraz projektu 1,00 s (3 pytania), karta głosowania 1,18 s (3), dwa obrazy + 28 s audio 2,93 s (4), stenogram jako tekst 0,50 s (3). Bez pobierania materiałów i startu serwera.

Sejm pod lupą · basal-omni-1.0-max, wydana wersja, silnik 2.0.0 (15.10.2026)
PytanieOdpowiedź modelu
Nad czym głosowano?Nad wnioskiem o odrzucenie projektu w pierwszym czytaniu
Data w projekcie1 stycznia 2027 r. (zapis projektu, nie obowiązujące prawo)
Nagłówek „Sejm odrzucił projekt”Sprzeczny ze źródłami: odrzucono wniosek o odrzucenie
Co dalej z projektem? (stenogram)Skierowano go do Komisji Finansów Publicznych
Sam dźwięk: jaka czynność?„Głosowanie nad poprawką” (47,5%) — błędnie
WNIOSEK Z PRÓBY

Kilka źródeł w jednym zapytaniu pozwala sprawdzić konkretne twierdzenie, a słabą odpowiedź z samego dźwięku widać od razu. Wniosek o stanie prac opiera się na dokumentach i stenogramie; model pomaga je przejrzeć, ale nie zastępuje sprawdzenia źródeł.

28 / SILNIK BASAL 2.2 / BASAL-CALIBRATE

Pewność sprawdzona na Twoich danych.

Model mówi „99% pewności”. Czy to wystarczy, żeby oddać mu decyzję? Film pokazuje krok po kroku, jak basal-calibrate w silniku 2.2 mierzy model na oznaczonych przykładach firmy, dopasowuje kalibrację i wyznacza progi, przy których model może decydować sam.

Film edukacyjny Film objaśniający, nie nagranie nowej sesji. Liczby pochodzą z zapisanej próby z 16 października 2026: basal-omni-1.0-mini (bf16) na otwartym zbiorze typed-decisions. Przykładowa odpowiedź API w filmie ilustruje tylko format.

NAGRANIE · POLSKI LEKTOR + MUZYKA · NAPISY PL/ENbasal-omni-1.0-mini · silnik 2.2
Film 7:16, polski lektor, napisy PL i EN. Sześć kroków: oznaczone przykłady, podział na dopasowanie i kontrolę, raport bez zapisu, dopasowanie pliku kalibracji, sprawdzian na nowych przykładach i serwer z nowym plikiem. Pobierz nagranie ↓
8,0%błędnych decyzji przy ustawieniu „1%” dostarczonego pliku
0,268 → 0,083ECE pytań choice po kalibracji
54,8%twierdzeń verify automatycznie, bez błędu

Jak to działa

28 / SCHEMAT DZIAŁANIA Oznaczone przykłady → pomiar → dopasowanie → model decyduje sam tylko tam, gdzie cel błędu jest spełniony.
  1. 01 Dane
    DANE / WYNIKOznaczone przykłady

    Zapytania jak w produkcji, z poprawną odpowiedzią w polu gold. Pole group trzyma powiązane sprawy razem.

  2. 02 Pomiar
    SILNIK BASAL 2.2Raport bez zapisu

    Trafność, błąd kalibracji i udział automatyzacji pliku, którego używasz dziś. Bez zapisu.

  3. 03 Kalibracja
    SILNIK BASAL 2.2Temperatury i progi

    Temperatura na typ pytania i progi dla celów 1% i 5%, gdy górna granica błędu mieści się w celu.

  4. 04 Proces
    DANE / WYNIKAutomat albo człowiek

    basal-serve z nowym plikiem: odpowiedź powyżej progu idzie dalej sama, pozostałe trafiają do człowieka.

Decyzja basal Kod i reguły aplikacji Dane lub wynik

basal-calibrate nie zmienia wag modelu. Dopasowuje temperatury, czyli to, jak pewność modelu odpowiada jego trafności, oraz progi dla celów błędu 1% i 5%. Próg powstaje tylko wtedy, gdy górna granica błędu przyjętych decyzji mieści się w celu. Plik zapisuje model i rewizję, na których go dopasowano.

WARUNKI I WYNIKI

Co sprawdziliśmy?

Kalibracja na części treningowej typed-decisions: 3 958 oznaczonych decyzji w 800 zapytaniach, 596 pytań classify i 1 600 twierdzeń verify. Pomiar na części kontrolnej zbioru testowego: 172 decyzje choice, 184 tak/nie, 237 na skali i 484 twierdzenia verify. Etykiety pochodzą z modelu nauczyciela.

Próba z 16 października 2026: silnik 2.2, basal-omni-1.0-mini w trybie eager, bf16, jedna kolejność opcji. Film nie mierzy czasu kalibracji; zależy on od modelu, długości dokumentów i liczby pytań.

Kalibracja na własnych danych · basal-omni-1.0-mini · silnik 2.2 (16.10.2026)
Na zbiorze testowymPlik dostarczonyPo kalibracji
ECE choice / tak-nie / skala0,268 / 0,106 / 0,1040,083 / 0,073 / 0,052
Cel 1%: automatycznie i błąd12,6%, z tego 8,0% błędnych0% (nic nie spełnia celu)
Cel 5%: automatycznie i błąd54,3%, z tego 21,4% błędnych3,7%, bez błędów
verify przy celu 1%brak progu dla zadania54,8% (265 z 484), bez błędów, granica 1,1%
WNIOSEK Z PRÓBY

Na tej dziedzinie dostarczony plik nie trzymał celu, a po kalibracji mini prawie nic nie automatyzuje. To poprawny wynik dla modelu, który jest tu mało trafny. Tam, gdzie jest trafny (verify), automatyzacja zostaje. Swój wynik sprawdzisz tylko na danych własnej firmy.

29 / SILNIK BASAL 2.5 / FILM EDUKACYJNY

Mniejszy model na co dzień. Większy, gdy trzeba.

Kaskada przekazuje niepewne pytania do większego modelu. Blend łączy odpowiedzi kilku modeli. Film wyjaśnia różnicę i pokazuje zmierzone korzyści oraz koszty obu rozwiązań.

Film edukacyjny Film objaśniający na podstawie zapisanych pomiarów. Blend nie ma skalibrowanych prawdopodobieństw. Próg eskalacji steruje ruchem, a sam w sobie nie jest gwarancją trafności.

NAGRANIE · POLSKI LEKTOR + MUZYKAbasal 2.5
Film 2:59, polski lektor. Kaskada mini → ultra, trzy modele w blendzie i warunki porównania z samym ultra. Pobierz nagranie ↓
1,53×przepustowości kaskady na H100
+0,45 pptrafności blendu względem ultra
36,6%pytań przekazanych z mini do ultra

Jak to działa

29 / SCHEMAT DZIAŁANIA Kaskada i blend to dwa różne sposoby wykorzystania kilku modeli.
  1. 01 Kaskada
    BASAL 2.5mini

    Pierwszy model odpowiada na wszystkie pytania.

  2. 02 Eskalacja
    BASAL 2.5ultra

    Przy pewności poniżej 0,95 pytanie trafia do większego modelu.

  3. 03 Blend
    BASAL 2.50,6 / 0,2 / 0,2

    Osobny wariant: ważona mieszanka ultra, mini i pico.

  4. 04 Ocena
    DANE / WYNIKTrafność i czas

    Dobierz wariant na danych własnego procesu.

Decyzja basal Kod i reguły aplikacji Dane lub wynik

Kaskada ogranicza liczbę pytań obsługiwanych przez duży model; answered_by wskazuje, który model odpowiedział. Blend oblicza ważoną mieszankę wyników trzech modeli i wymaga ich pracy dla każdego pytania.

WARUNKI I WYNIKI

Co sprawdziliśmy?

Trafność: odłożony zbiór 4 442 pytań. Różnica mini → ultra względem ultra: −0,14 pkt proc., przedział ufności od −0,43 do +0,16. Blend: +0,45 pkt proc., przedział od +0,09 do +0,81.

Przepustowość: jeden H100 80 GB, ultra FP8, 16 równoległych klientów. To warunki konkretnego testu, nie obietnica dla każdego wdrożenia.

Kaskada i blend · Silnik 2.5 · warunki poniżej
Pomiarultramini → ultra
Żądania na sekundę30,146,0
p50359 ms93 ms
p95850 ms1 283 ms
WNIOSEK Z PRÓBY

Kaskada zwiększyła przepustowość przy trafności w granicach 0,5 pkt proc. od ultra, ale podniosła p95. Blend poprawił trafność kosztem dodatkowych obliczeń; jego odpowiedzi nie są skalibrowane.

30 / SILNIK BASAL 2.5 / FILM EDUKACYJNY

Zobacz, co robi Twój serwer.

Ruch, pamięć GPU, cache i szczegóły pojedynczego zapytania w przeglądarce. Film pokazuje prawdziwy panel podczas dwóch prób: unikalnych dokumentów oraz powracających stanów.

Film edukacyjny Autentyczne nagranie panelu. Brak błędów HTTP nie oznacza bezbłędnych decyzji modelu. Plansza końcowa przytacza osobny, oznaczony pomiar referencyjny; tabela poniżej opisuje nową próbę z nagrania.

NAGRANIE · POLSKI LEKTOR + MUZYKAbasal 2.5
Film 1:29, polski lektor. HP Z8, RTX PRO 6000 Blackwell Max-Q, basal-omni-1.0-mini. Pobierz nagranie ↓
106,4 → 161,0żądań/s w dwóch pełnych próbach
97,32%trafień cache dla puli 500 stanów
0błędów HTTP w obu próbach

Jak to działa

30 / SCHEMAT DZIAŁANIA Od ruchu aplikacji do szczegółów pojedynczej decyzji.
  1. 01 Ruch
    DANE / WYNIKZapytania HTTP

    64 klientów, 1–2 pytania w żądaniu.

  2. 02 Silnik
    BASAL 2.5mini

    Jeden GPU, te same opcje serwera w obu próbach.

  3. 03 Cache
    KOD APLIKACJIPowracające stany

    Druga próba korzysta z puli 500 stanów.

  4. 04 Panel
    DANE / WYNIKMetryki i zapytania

    Otwórz żądanie, stan, pytania i odpowiedź JSON.

Decyzja basal Kod i reguły aplikacji Dane lub wynik

Panel pokazuje faktyczny ruch serwera. Powtarzający się stan może korzystać z cache; przy unikalnych stanach nie ma trafień. Kliknięcie żądania odsłania jego wejście i wynik.

WARUNKI I WYNIKI

Co sprawdziliśmy?

Nagranie z 30 października 2026: HP Z8, jedna RTX PRO 6000 Blackwell Max-Q, limit 300 W. Każda próba trwała około 120 s.

Średnie z pełnych prób: 106,4 i 161,0 żądań/s. Osobny pomiar referencyjny na końcu filmu: 101,8 i 163,5. To pomiar obsługi żądań, nie trafności modelu.

Panel na żywo · Silnik 2.5 · warunki poniżej
WarunekUnikalne stanyPula 500 stanów
Liczba żądań12 83319 379
Średnia żądań/s106,4161,0
Błędy HTTP00
WNIOSEK Z PRÓBY

Panel pozwala sprawdzić, czy cache pomaga w rzeczywistym ruchu, i zajrzeć w konkretne odpowiedzi zamiast opierać się wyłącznie na średniej przepustowości.

31 / SILNIK BASAL 2.5 / FILM EDUKACYJNY

Zajrzyj do środka decyzji.

basal-viz pokazuje, jak zmieniają się wyniki opcji w kolejnych warstwach modelu i co robi kalibracja. Film obejmuje poprawne decyzje, niejednoznaczne zgłoszenie i wstrzymanie automatyzacji.

Film edukacyjny Rzeczywiste odpowiedzi lokalnego modelu na syntetycznych przykładach. Widok warstw jest narzędziem diagnostycznym, nie pełnym wyjaśnieniem przyczyn decyzji. Nagranie używa MPS; silnik 2.5 obsługuje basal-viz także w MLX.

NAGRANIE · POLSKI LEKTOR + MUZYKAbasal 2.5
Film 4:08, polski lektor. basal-2.0-mini, Apple M4 Pro 24 GB, PyTorch MPS, bf16. Pobierz nagranie ↓
32warstwy modelu w podglądzie
4syntetyczne przykłady
48,47%pewności niejednoznacznego wyboru

Jak to działa

31 / SCHEMAT DZIAŁANIA Od opcji i warstw do skalibrowanej pewności oraz decyzji o automatyzacji.
  1. 01 Wejście
    DANE / WYNIKStan i opcje

    Zwrot, wymiana, naprawa lub doprecyzowanie.

  2. 02 Warstwy
    BASAL 2.5Podgląd wyników

    Obserwuj zmianę wyników w kolejnych warstwach.

  3. 03 Kalibracja
    KOD APLIKACJIPewność po korekcie

    Surowy wynik i skalibrowane prawdopodobieństwo to różne wartości.

  4. 04 Decyzja
    DANE / WYNIKabstain

    Próg pozwala wstrzymać automatyczną decyzję.

Decyzja basal Kod i reguły aplikacji Dane lub wynik

Wizualizacja zestawia warstwy, wynik końcowy i kalibrację. W niejednoznacznym przykładzie model wybiera wymianę z pewnością 48,47%, a ustawiony próg powoduje abstain.

WARUNKI I WYNIKI

Co sprawdziliśmy?

Pomiar z 29 października 2026, lokalnie na Apple M4 Pro 24 GB. Cztery syntetyczne wejścia i rzeczywiste odpowiedzi basal-2.0-mini.

Czas inspekcji warstw nie jest czasem zwykłej inferencji. Mała demonstracja nie jest benchmarkiem trafności.

Wewnątrz decyzji · Silnik 2.5 · warunki poniżej
PrzykładWybrana opcjaPewność
Prośba o zwrotZwrot96,73%
Prośba o wymianęWymiana96,14%
Niejednoznaczne zgłoszenieWymiana; abstain48,47%
WNIOSEK Z PRÓBY

Wysoki surowy wynik nie zastępuje kalibracji. Podgląd pomaga badać zachowanie modelu, a progi pozwalają przekazać niepewną decyzję człowiekowi.

32 / SILNIK BASAL 2.5 / FILM EDUKACYJNY

Agent, który sprawdza przed działaniem.

Kontrola wejścia, wybór ścieżki, odpowiedź modelu generatywnego i kontrola wyjścia. Film pokazuje rolę basal w procesie agenta oraz moment, w którym decyzję powinien przejąć człowiek.

Film edukacyjny Animacja zapisanych wyników siedmiu rzeczywistych żądań HTTP, nie autonomiczna sesja kilku agentów. Firma, wiadomości i sekret są syntetyczne. Ręcznie dobrany preset strict nie certyfikuje całego procesu.

NAGRANIE · POLSKI LEKTOR + MUZYKAbasal 2.5
Film 3:37, polski lektor, wersja 2. basal-omni-1.0-mini na HP ZGX Nano; projekt odpowiedzi przygotowuje lokalny Bielik 4.5B. Pobierz nagranie ↓
7rzeczywistych żądań HTTP
2punkty kontroli: wejście i wyjście
1ścieżka do decyzji człowieka

Jak to działa

32 / SCHEMAT DZIAŁANIA Sprawdź wejście → wybierz ścieżkę → przygotuj odpowiedź → sprawdź wyjście.
  1. 01 Wejście
    BASAL 2.5guard_input

    Zatrzymaj wykrytą próbę obejścia zasad.

  2. 02 Routing
    BASAL 2.5route_intent

    Wybierz ścieżkę obsługi na podstawie znaczenia wiadomości.

  3. 03 Odpowiedź
    KOD APLIKACJIBielik

    Lokalny model generatywny przygotowuje tekst.

  4. 04 Wyjście
    BASAL 2.5guard_output

    Sprawdź odpowiedź; niepewne przypadki oddaj człowiekowi.

Decyzja basal Kod i reguły aplikacji Dane lub wynik

basal podejmuje typowane decyzje w punktach kontroli. Integracje z LangChain, LlamaIndex i CrewAI pozwalają podłączyć je do własnego workflow. Wykonanie akcji i uprawnienia pozostają po stronie aplikacji.

WARUNKI I WYNIKI

Co sprawdziliśmy?

Zapisana próba na HP ZGX Nano, mini w trybie eager, przedpremierowy silnik 2.5. Weryfikujemy konkretne wejścia i odpowiedzi, nie skuteczność osłony na pełnym zbiorze ataków.

W jednym żądaniu routingu serwer raportował 109,47 ms, a klient 117,18 ms. To czas tego wywołania, nie całego procesu z Bielikiem.

Osłona agenta · Silnik 2.5 · warunki poniżej
KontrolaWynik zapisanej próby
guard_inputPróba obejścia zasad zablokowana
guard_outputOdpowiedź naruszająca zasady zablokowana
max_errorNiepewna ocena złożoności → człowiek
WNIOSEK Z PRÓBY

Model decyzyjny może kontrolować wybrane kroki agenta. Zaliczenie osłony nie dowodzi prawdziwości wszystkich zdań ani bezpieczeństwa całej aplikacji — potrzebne są testy na własnych danych.

33 / SILNIK BASAL 2.5 / FILM EDUKACYJNY

Od Twojego sprzętu do skryptu startowego.

Przejdź przez dobór sprzętu, modelu, cache i topologii. Film pokazuje konfigurator na przykładzie H100, tryb ekspercki oraz pobranie skryptu instalacji i uruchomienia.

Film edukacyjny Nagranie działania konfiguratora, nie benchmark modelu na H100. Liczba 651 w filmie oznacza scenariusze testowe generatora. Interfejs nagrano przed premierą; obecny instalator wskazuje 2.8.1.

NAGRANIE · POLSKI LEKTOR + MUZYKAbasal 2.5
Film 5:00, polski lektor, poprawiona wersja H100. Konfigurator jest dostępny pod /start/. Pobierz nagranie ↓
94opcje CLI w pokazanej wersji
17trybów silnika w konfiguratorze
651scenariuszy testowych generatora

Jak to działa

33 / SCHEMAT DZIAŁANIA Sprzęt → model → opcje procesu → skrypt na Twoją maszynę.
  1. 01 Sprzęt
    DANE / WYNIKH100

    Przykład: Linux, jedna karta, 80 GiB.

  2. 02 Model
    BASAL 2.5basal-2.0-4.5B

    Wybierz model i zgodny backend.

  3. 03 Proces
    KOD APLIKACJICache i modele

    Dobierz opcje do dokumentów, ruchu i celu jakości.

  4. 04 Start
    DANE / WYNIKPobierz skrypt

    Sprawdź polecenia i uruchom je u siebie.

Decyzja basal Kod i reguły aplikacji Dane lub wynik

Konfigurator buduje polecenia na podstawie wybranych opcji. Nie łączy się z Twoją maszyną i nie wykonuje inferencji. Kaskada, blend i MCP są opcjami konfiguracji, których wynik sprawdzasz we własnym środowisku.

WARUNKI I WYNIKI

Co sprawdziliśmy?

Film pokazuje 83 opcje basal-serve i 11 basal-router, 17 trybów oraz 8 modeli katalogowych. To zakres wersji nagranej przed premierą, a nie liczba wszystkich możliwych konfiguracji.

Pięciominutowy pokaz interfejsu. Nie mierzono czasu instalacji ani szybkości modelu na wybranym H100.

Konfigurator startu · Silnik 2.5 · warunki poniżej
WybórEfekt
Sprzęt i modelZgodny backend i zależności
Kontekst i obciążenieOpcje pamięci, partii i cache
Kaskada lub blendJawne opcje uruchomienia
WNIOSEK Z PRÓBY

Zacznij od konfiguracji pasującej do sprzętu i zadania. Pobranie skryptu nie zastępuje sprawdzenia wyników, pamięci i czasu na własnym ruchu.

TWÓJ PROCES MOŻE BYĆ NASTĘPNY

Co zbudujesz z basal?

Opowiedz o swoim zastosowaniu. Po zatwierdzeniu przez moderatora pokażemy je w księdze społeczności.

Używam modelu basal ↗