Dane · modele · pochodzenieHistoryczny zapis badawczy
Otwarte dane, bez ukrytego trainsetu.
To historyczny dokument z dawnej strony Slayer. Oryginalne daty, nazwiska i ustalenia zachowujemy dla kontekstu. Nie opisuje obecnych możliwości, zasad ani planów rozwoju. Narzędzia interaktywne i zgłoszenia nie działają w tym zrzucie.
Aktualny program badań → · Notatki badawcze →Tu zbieramy publiczne artefakty SlayerLab i zasady, według których powstają. Każdy dataset prowadzi do swojej karty na Hugging Face — razem z licencją, wersją i ograniczeniami.
Otwórz SlayerLab na Hugging Face → · Jak oddzielamy trening od testu
Publiczne repozytoria organizacji
9 · datasetów z bezpośrednim linkiem do karty
10 · modeli i checkpointów badawczych
Snapshot oficjalnego API Hugging Face · 04.09.2026
§ 01 · Hugging Face
Co dziś publikuje SlayerLab.
Lista pochodzi z oficjalnego API organizacji. Każda karta poniżej otwiera dokładne repozytorium — nie stronę wyszukiwania ani kopię opisu.
Stan na 04.09.2026 · 9 publicznych datasetów · źródło: HF datasets API ↗
01 · dataset · PL
Polish DynaWord
Otwarty, wieloźródłowy korpus polskiego tekstu pisanego przez ludzi, rozwijany w rodzinie DynaWord.
v0.2.5: 4 319 200 dokumentów · 9,64 mld tokenów (proxy tiktoken) · 18 źródeł
CC BY-SA 4.0 · 1M<n<10M · akt. 28.08.2026
02 · dataset · PL
GoLLeM Corpus 2B PL
Dokładny tekst korpusu użytego do treningu modeli GoLLeM-110M-PL v2 i v3, opublikowany dla reprodukcji treningu od zera.
około 2,0 mld tokenów · Parquet · pretraining
CC BY-SA 4.0 · 1M<n<10M · akt. 31.08.2026
03 · dataset · PL
DynaWord Mix Extended
Kurowany miks pretreningowy z rozszerzeniami zgodnymi licencyjnie oraz opisanym czyszczeniem i usuwaniem PII.
około 500 mln tokenów w tokenizerze 32k BPE
CC BY-SA 4.0 · 10M<n<100M · akt. 19.08.2026
04 · dataset · PL
HPLT v3 PL Cleaned
Oczyszczony polski podzbiór HPLT v3 z wieloetapową bramką PII i redukcją boilerplate'u.
korpus web · PII-gated · licencja wymaga kontroli źródeł
Inne / sprawdź kartę · 10M<n<100M · akt. 18.08.2026
05 · dataset · PL + EN
Slayer PL 8×3B
Osiem rozłącznych shardów do wieloprzebiegowego treningu z polskim rdzeniem i warstwą prawno-urzędową.
8 × około 3 mld tokenów · około 24 mld łącznie (cl100k)
Inne / sprawdź kartę · 10M<n<100M · akt. 28.08.2026
06 · dataset · EN
Minimal EN Corpus 2.5B
Anglojęzyczny miks pretreningowy i gotowe binaria nanoGPT do kontrolowanych eksperymentów z modelami około 125M.
2 689 323 439 tokenów treningowych przy BPE 12 288
Warunki źródeł · 1M<n<10M · akt. 29.08.2026
07 · dataset · EN
Minimal EN Corpus 5B
Większy wariant anglojęzycznego korpusu do porównywalnych eksperymentów nanoGPT.
5 396 605 407 tokenów treningowych przy BPE 12 288
Warunki źródeł · 1M<n<10M · akt. 31.08.2026
08 · dataset · PL
SlayerLab Tokenizers
Znormalizowane artefakty tokenizerów z warsztatu Slayer, zebrane w jednym przeglądalnym zbiorze.
38 zgłoszeń warsztatowych + kanoniczny tokenizer SlayerLab 32k
MIT · n<1K · akt. 26.08.2026
09 · dataset · JBO
Lojban Master Corpus
Połączony korpus języka Lojban. Mapa praw dla poszczególnych źródeł pozostaje w przeglądzie.
15 źródeł · rights review in progress · bez zgody na użycie komercyjne
Inne / sprawdź kartę · 100K<n<1M · akt. 26.07.2026
Jedna organizacja, różne warunki. Dataset oznaczony jako other albo „warunki źródeł” wymaga przeczytania karty i licencji składników przed treningiem, redystrybucją lub użyciem komercyjnym. Sam dostęp na Hugging Face nie jest zgodą na dowolne użycie.
§ 02 · Modele
Dane mają swój rezultat.
Publiczne modele pokazują, do czego użyliśmy korpusów: od polskich baz GoLLeM, przez badania tokenizerów, po serię BDH i edukacyjny Pollock.
10 publicznych repozytoriów modeli · stan na 04.09.2026 · źródło: HF models API ↗
01 · GoLLeM 110M PL v3 · SlayerLab/GoLLeM-110M-PL-v3
Polski model bazowy GPT-2-class trenowany od zera; druga epoka na tym samym korpusie około 2B.
PL · transformers · CC BY-SA 4.0
02 · GoLLeM 110M PL v2 · SlayerLab/GoLLeM-110M-PL-v2
Polski model bazowy GPT-2-class po jednej epoce na czystym, wieloźródłowym korpusie około 2B.
PL · transformers · CC BY-SA 4.0
03 · GoLLeM 45M PL · SlayerLab/GoLLeM-45M-PL
Model badawczy do ablacji polskiego tokenizera: 42,5M parametrów, GPT-2 i BPE 32 768.
PL · transformers · MIT
04 · GoLLeM 110M PL SFT · SlayerLab/goLLeM-110M-PL-SFT-merged
Eksperymentalna wersja instruction-tuned scalona do standardowego formatu Transformers.
PL · transformers · CC BY-SA 4.0
05 · Pollock 1.4 · SlayerLab/pollock-mini-lm-125m
Edukacyjny model bazowy nanoGPT poniżej 128M, udostępniony także w formacie Transformers.
EN · transformers · Inne / sprawdź kartę
06 · BDH 25M PL · SlayerLab/bdh-25m-pl
Polski, bajtowy baseline Fast Weight Layers: 25,3M parametrów i 100M tokenów treningowych.
PL · custom · CC BY 4.0
07 · BDH 150M Slayer · SlayerLab/bdh-150m-slayer
Bajtowy checkpoint BDH około 151M po 30 tys. kroków na miksie 970M tokenów.
EN + PL · custom · CC BY 4.0
08 · BDH Scaling · SlayerLab/bdh-scaling
Artefakty replikacji BDH i porównania ze zbliżonymi rozmiarem baseline'ami 25M, 50M i 100M.
EN + PL + CS · pytorch · Apache 2.0
09 · Slayer Scratch · SlayerLab/slayer-scratch
Archiwum dydaktyczne własnego checkpointu PyTorch, tokenizera, logów i instrukcji reprodukcji.
PL · pytorch · Inne / sprawdź kartę
10 · Lojban GPT-2 RSI-1 · SlayerLab/lojban-gpt2-rsi1
Model GPT-2 97,7M trenowany dla Lojbanu w pętli recursive self-improvement.
JBO · pytorch · Inne / sprawdź kartę
§ 03 · Metoda
Benchmark jest termometrem, nie paliwem.
Wynik ma znaczenie tylko wtedy, gdy test nie został pokazany modelowi. Dlatego dane treningowe i ewaluacyjne prowadzimy jako dwa rozłączne tory.
01
Najpierw rozdzielamy
Zbiory ewaluacyjne i prywatny held-out są ustalone przed treningiem. Nie trafiają do miksu ani do generowania przykładów treningowych.
02
Sprawdzamy pochodzenie
Dla każdego źródła zapisujemy autora, licencję, zakres dozwolonego użycia i obowiązki atrybucji. „Publiczny” nie znaczy „dowolny”.
03
Czyścimy przecięcie
Przed treningiem szukamy duplikatów i bliskich dopasowań do testów. Oficjalne splity benchmarków pozostają poza treningiem.
04
Publikujemy ślad
Dataset card, manifest, wersja i ograniczenia muszą pozwolić odtworzyć decyzję — również wtedy, gdy artefaktu nie należy używać komercyjnie.
Zasada release gate
Najpierw zamrażamy test. Potem trenujemy.
Publiczne benchmarki, ich oficjalne splity oraz prywatny held-out nie zasilają treningu. Poprawę mierzymy stałym protokołem, a do publikacji dołączamy wersję danych i ograniczenia wyniku.
§ 04 · Ewaluacja
Zbiory, które służą wyłącznie do pomiaru.
To zewnętrzne repozytoria, nie publikacje SlayerLab. Linkujemy je bezpośrednio, żeby można było sprawdzić kartę, konfiguracje i licencję u źródła.
- 01 · LLMzSzŁ · Polskie egzaminy państwowe i zawodowe · MCQ · HF ↗
- 02 · PES 2018–2022 · Egzaminy specjalizacyjne z medycyny · MCQ · HF ↗
- 03 · PoQuAD · Polskie pytania i odpowiedzi z kontekstu · HF ↗
- 04 · Belebele · PL / EN · Rozumienie tekstu i kontrola regresji między językami · HF ↗
- 05 · INCLUDE-44 · PL · Wiedza kulturowa i regionalna · HF ↗
- 06 · ARC-Challenge · Angielska kontrola regresji rozumowania naukowego · HF ↗
- 07 · MMLU · Angielska kontrola regresji wiedzy przekrojowej · HF ↗
- 08 · GSM8K · Angielska kontrola regresji rozumowania matematycznego · HF ↗
Zamknięte benchmarki pozostają zamknięte. Polish EQ-Bench, CPTUB i PLCC nie są prezentowane jako dostępne datasety, jeśli publiczne są tylko wyniki albo przykłady. Szczegóły opisujemy na stronie zamkniętych benchmarków.
§ 05 · Wkład
Masz czysty korpus albo potrafisz znaleźć jego słabe miejsce?
Najbardziej potrzebujemy pracy nad pochodzeniem, jakością, deduplikacją i pomiarem — nie kolejnego pliku bez licencji i manifestu.