Sterownik ma dostęp do wszystkich wag i biasów ośmiu podłączonych własnych modułów: bramki decyzji, semantyki, tematu językowego, wyboru przykładów programowania, czasu, celu wypowiedzi, odniesienia do kontekstu i dekodera języka. Dla modułu wykonuje trzy próby. Przyjęcie kandydata wymaga poprawy mierzonej w protokole, zachowania wcześniejszych poprawnych decyzji i kontroli nowych pewnych błędów. Zachowywane są kopie wag i raporty. Etykiety oraz politykę optymalizacji ustala program/nauczyciel; SI nie ma tu samodzielnie wyuczonego optymalizatora. Historyczne parsery zadań słownych pozostają poza tą kontrolą. Zewnętrzny NLI i polski translator są zamrożone.
Trening językowych głowic odbywa się po angielsku. Skorygowano temat, cel (opis / po co / jak sprawdzić) i odniesienie do kontekstu; w zwykłej pętli dodano równoważenie klas i wcześniejsze pytania jako ochronę regresji. Próg pewności pozostał 0,8. Dekoder zachował 21/21 znanych wzorców podczas treningu odtwarzania; to nie test generalizacji.
| Sprawdzian | Wynik | Interpretacja |
|---|---|---|
| Wcześniejsze pełne odpowiedzi o modułach | 72/72 | Regresja na znanych pytaniach, wykorzystywanych jako dane rozwojowe |
| Nowe pytania o moduły | 6/6 | Przygotowane przed końcową korektą, niedodane do treningu; ograniczona dziedzina opisów SI |
| Pełny przebieg wykonywania poleceń | 16/16 | Kolejność, pamięć rozmowy, brak argumentów, zakazy, sprzeczne wartości |
| Dodatkowe obliczenia wieloetapowe | 28/28 | Wyniki oczekiwane wyliczone niezależnie od wykonawcy |
| Wcześniejsze odpowiedzi po integracji wykonawcy | 72/72 | Zachowanie umiejętności po zmianie połączeń |
Wyniki dotyczą przygotowanych testów, nie dowodzą ogólnego rozumienia języka ani wykonywania dowolnego zadania.
Rozmowa SI nano wykorzystuje ograniczony wykonawca angielskich poleceń bez Qwena. Najpierw analizuje kroki, użycie argumentów i zakazy, następnie korzysta z dokładnego kalkulatora oraz walidacji. Brak danych albo sprzeczne wartości pozostawiają stan niepewny; zakaz daje odrzucenie. Są trzy stany: potwierdzone, odrzucone, niepewne. Nie oznacza to trójbitowego zapisu wszystkich wag.
Przykłady obsługiwanej składni:
First calculate 9-2, then multiply result by 4, then validate. → 28. Potwierdzono również przez działające API rozmowy, bez Qwena.Source: rate = 7. i pytanie Calculate rate*3 using memory, then validate. → 21.Pamięć tego wykonawcy to przekazana historia użytkownika. Wypowiedzi asystenta nie są źródłem wartości. Nie jest to nowy trwały zapis do SQL ani zewnętrzne potwierdzenie prawdziwości danych użytkownika. Wykonawca opiera się na jawnych regułach, nie na nowo wytrenowanym ogólnym planowaniu. Pozostałe sformułowania mogą wymagać doprecyzowania.
Szerszy niezależny test wykonywania zadań, większa różnorodność sformułowań, objęcie historycznych parserów odpowiednim sterownikiem treningu i dalsze spięcie trwałej pamięci ze zwykłą rozmową. Polski pozostaje warstwą tłumaczenia; powyższy test wykonawcy dotyczy angielskiego. Brak nowych materiałów internetowych może zatrzymać kolejkę nauki i nie oznacza zakończenia rozwoju. W tej aktualizacji nie mierzono ponownie rozmiaru całego pakietu.
Publikowana jest wyłącznie dokumentacja. Prywatny kod, wagi, pamięć, logi rozmów i prywatne ścieżki nie są dołączane.
Fraction.from_number i math.comb. SI oceniło fragment, a przygotowana procedura zapisała fakt oraz zastosowała go w decyzji. Nowość dotyczyła pamięci tego mechanizmu, nie całej wiedzy sieci. Zapis zawiera adres, czas pobrania, fragment i SHA-256. Nie był to trening faktów w wagach ani dowód pełnej autonomii.Sprawdź w pamięci: <twierdzenie po angielsku>. Brak źródła daje informację o braku danych. Nierozpoznane pytania trafiają do dziennika; samo zapisanie błędu nie jest uczeniem na nim.Pełne spięcie wszystkich umiejętności w zwykłej rozmowie, trening z potwierdzonych korekt użytkownika i nowe niezależne testy po kolejnych podmianach wag. Zgłoszona odpowiedź słowna na samo 2+2 nie została naprawiona. Pobieranie źródeł, pamięć źródłowa, trening wag i potwierdzona umiejętność zastosowania wiedzy są odrębnymi etapami.
Publiczna aktualizacja zawiera wyłącznie dokumentację; prywatny kod SI, wagi, pamięć i ścieżki nie są publikowane.
Przeniesione z głównego README 7 października.
Dokładne wyniki, metody i ograniczenia — 6 października.
Obecna rozmowa korzysta z własnego SI bez Qwena; dodano most sesji, wyuczony wybór strategii, translator zakresowy i lokalne odmiany SJP.PL. Wyniki i ograniczenia. Dalsza część dnia: uczenie 6 października.
Dalsze sekcje zachowują chronologię wcześniejszych konfiguracji. Opis Qwena nie dotyczy obecnej ścieżki rozmowy.
SI to eksperymentalny warsztat łączący język, matematykę, programowanie i analizę materiałów źródłowych. Własne małe sieci wybierają działania oraz przebiegi współpracy, a specjalistyczne modele i narzędzia wykonują zadania. Inspiracją projektu jest TIMDR jako punkt wyjścia do budowy sterownika.
To repo publikuje interfejs, integrację, narzędzia treningowe, testy i opis wyników. Nie publikuje rdzenia SI/TIMDR, prywatnych algorytmów, wag, checkpointów ani pamięci użytkownika. Zakres publikacji.
Stan rozwojowy: 4 października 2026. Poniższy opis dotyczy prywatnego silnika; samo pobranie publicznego repo nie zapewnia jego wszystkich funkcji.
ASR, analiza dźwięku i TTS zostały podłączone i sprawdzone w ograniczonych próbach, ale dźwięk jest obecnie odłączony na polecenie użytkownika. Jego pliki zachowano.
Szczegóły aktualnego stanu · Podsumowanie wyników JSON.
| Zadanie | Przebieg |
|---|---|
| Obsługiwany rachunek | Matematyka → niezależna walidacja |
| Znany przykład programu | Dobór programu → sprawdzony przykład |
| Nowy program z przypadkami testowymi | Qwen → kontrola kodu → testy |
| Pytanie o dokumenty | Embedding → Reranker → Qwen |
| Pytanie o stronę | Czytnik internetowy → Qwen |
| Obraz | Qwen-VL → przegląd wyniku |
| Optymalizacja arytmetyczna | Warianty działania → kontrola zgodności → porównanie |
Wykonano również dwie próby przekazywania danych między tymi przebiegami:
W tych próbach eksperyment określał kolejność podzadań, a koordynator wybierał ścieżkę każdego podzadania. Nie wykazano jeszcze samodzielnego tworzenia nowych globalnych planów. Przekazanie dokumentu nie dowodzi, że Qwen potrzebował go do zadania, które mógł znać wcześniej.
Przykład trafia do kontrolowanego uczenia dopiero po sprawdzeniu. Kandydat jest oceniany oddzielnie; zła zmiana nie powinna zastępować aktywnej wersji. Sam opis obrazu, transkrypcja, odpowiedź językowa lub odczyt Wikipedii nie są potwierdzonymi faktami treningowymi.
Docelowy cykl samonaprawy: niezaliczone zadanie → diagnoza rodzaju braku → dobór danych lub narzędzia → próba naprawy → ponowny test → zachowanie tylko sprawdzonej zmiany. Niepewność sieci sama nie dowodzi braku wiedzy.
Ostatnia diagnostyka dotyczy rzeczywistych niepowodzeń rozpoznawania poleceń programistycznych. Brak doboru programu nie oznacza, że nie znamy jego algorytmu: może wymagać lepszego rozpoznania sformułowania, a nie czytania kolejnego artykułu. Uzupełnianie dowolnych braków i ogólne autonomiczne samouczenie pozostają celem rozwojowym.
Wartości dziesiętne: MB = milion bajtów, GB = miliard bajtów. Rozmiar wag nie jest rozmiarem całego środowiska ani wymaganą ilością RAM.
| Aktywna sieć | Neurony ukryte | Parametry |
|---|---|---|
| Czytnik matematyczny | 1 024 | 2 104 326 |
| Planer matematyczny | 1 024 | 2 103 301 |
| Programowanie | 1 024 | 4 206 603 |
| Most intencji | 1 024 | 2 103 301 |
| Koordynator współpracy | 5 120 | 10 542 090 |
| Łącznie | 9 216 | 21 059 621 |
Mamy łącznie 9 216 neuronów ukrytych w pięciu własnych głównych sieciach. Liczba 5120 dotyczy samego koordynatora; cztery pozostałe moduły dodają 4096. To suma warstw różnych sieci, nie szerokość jednej warstwy. Wymiary sprawdzono bezpośrednio w aktywnych checkpointach 3 października 2026. Nie wliczamy wejść, wyjść, nieaktywnych eksperymentów ani gotowych modeli Qwen, Embedding, Reranker i Qwen-VL.
| Składnik | Rozmiar wag |
|---|---|
| Qwen językowy, wersja Q4_K_M | 2,50 GB |
| Embedding, Reranker, Qwen-VL i jego projektor | około 3,40 GB |
| Zachowany, obecnie odłączony ASR | około 486 MB |
| Cztery własne główne moduły po 1024 neurony | 42,09 MB |
| Koordynator współpracy: 5120 neuronów | 42,17 MB |
| Własne główne moduły wraz z koordynatorem | 84,27 MB |
Zestaw wymienionych głównych wag wraz z zachowanym ASR zajmuje około 6,47 GB. Biblioteki, środowisko, wyniki, wcześniejsze checkpointy i kopie modeli zajmują dodatkowe miejsce. Własne główne sieci mają łącznie około 21,06 mln parametrów, w tym koordynator 10,54 mln. Parametry to wagi i współczynniki sieci, a nie liczba neuronów. Gotowe modele Qwen są osobnymi składnikami.
Wyniki pochodzą z niewielkich, kontrolowanych prób. Część sprawdzianów używa znanych szablonów z nowymi wartościami. Nie wykazaliśmy równorzędności z ogólnymi modelami AI, przewagi TIMDR we wszystkich zadaniach ani samodzielnego nauczenia pełnej matematyki czy programowania.
Więcej neuronów zwiększa pojemność, ale nie zastępuje danych, informacji zwrotnej i poprawnego planowania. W ostatniej próbie zarówno koordynator 1024, jak i 5120 uzyskały 52/52. Powiększenie nie wykazało poprawy trafności na tym zestawie.
Testy kodu sprawdzają wskazane przypadki i ograniczony podzbiór języka. Nie stanowią gwarancji poprawności ani uniwersalnego bezpiecznego wykonawcy dowolnych skryptów. Trafność dokumentu nie oznacza jego prawdziwości, a odpowiedź na podstawie źródła pozostaje interpretacją wymagającą kontroli.
Uruchom_AI_SI.bat albo python run_ui.py.--backend. Bez uruchomionego silnika zgłosi brak połączenia.Domyślna integracja korzysta z lokalnych modeli. Wyszukiwanie i odczyt stron łączą się z odpowiednimi serwerami internetowymi. Udostępnianie plików jest osobną funkcją i wymaga wskazania ich przez użytkownika.
TIMDR potraktowano jako inspirację do budowy rdzenia i sterownika współpracy, a nie utożsamienie SI z modelem sygnału radarowego. Rozdzielono rozumienie języka, obliczenia, dobór narzędzi oraz kontrolę wyniku. Kolejne próby rozwijały negację, rozpoznawanie poleceń, matematykę, programowanie i pamięć. Pełnego niezależnego AI zbudowanego od podstaw nie uzyskano.
Przy zamrożonej bazie trenowano mały adapter na 12 przykładach. Po korekcie testera wynik zmienił się 3/6→4/6, dodatkowe zadania 0/3→1/3, a krótkie próby polskiego 2/3→2/3. Adapter miał 312 800 bajtów. To niewielka poprawa pilotażowa, nie pełny asystent programistyczny. Protokół · Wyniki.
Uczone rozszerzenie negacji uzyskało 1440/1440 nowych grafów i 720/720 regresji, w trzech przebiegach na tych samych zestawach. Dokładne narzędzie z walidatorem rozwiązało 24/24 rachunków, a Bielik bez adaptera 3/24. Rachunki wykonuje narzędzie, nie wyuczona sieć. Opis i wyniki w GIA-TIMDR.
Qwen zastąpił Bielika w rozmowie, interpretacji źródeł, generowaniu kodu i przekładzie poleceń matematycznych. Mała próba: Qwen 8/8, Bielik 3/8; regresja Qwena 8/8. Część przypadków bada odmowy realizowane kontrolą wejścia, pozostałe przekład planu i obliczenie. To nie szeroki benchmark modeli.
Podwojenie matematyki ze 128 do 256 neuronów zachowało wyniki: pojedyncze działania 140/140 i 282/282 regresji; pięć planów dwuetapowych 96/96 i 192/192 regresji. Nie wykazano korzyści z samego zwiększenia szerokości. Opis · Liczby.
Dodano dokładne narzędzie symboliczne oraz ograniczony przekład polskich równań; 12/12 testów funkcjonalnych przeszło. Przykład „dwa razy x plus trzy równa się jedenaście” daje x=4. To narzędzie, nie wyuczona wiedza sieci. Rozwijano też obsługę poleceń z jawną kolejnością i domyślnym porządkiem matematycznym. Zakres SymPy.
Pozostawiono moduł programowania i ograniczony tester, wyłączając agenta Qwen Code. Rozwijano rozpoznawanie celu, kryterium ulepszenia i relacji język–matematyka–kod. Dodano Embedding, Reranker i obrazy, następnie eksperymentalnie mowę i dźwięk.
Matematyka zachowała 710/710 wyników łącznie w sprawdzanych blokach; nie wykazano poprawy ponad wcześniejszą wersję. Programowanie trenowane od nowa poprawiło świeżą próbę 20/24→21/24, ale wprowadziło regresje i zostało odrzucone. Aktywowano poszerzenie zachowujące wcześniejsze wagi i decyzje: 20/24 w tej próbie oraz 6/6 dodatkowych kontroli. Wzrost pojemności nie oznaczał nowej wiedzy ani zmiany tokenizacji.
Most intencji 1024 zachował 16/16 wcześniejszych zadań i poprawił małą świeżą próbę 15/16→16/16. Nadal jest to ograniczona klasyfikacja celu, nie dowolne planowanie.
Małe kontrole: Embedding 4/4, Reranker 2/2, obrazy 2/2, kontrola wejść 4/4. Rozpoznawanie mowy badano na dwóch syntetycznych wypowiedziach, a parametry audio m.in. na tonie 440 Hz i ciszy. Jedna transkrypcja zmieniła sens działania, mimo zachowania słów i liczb. Nie uzyskano pełnej niezawodności mowy. Audio później odłączono, zachowując modele.
Po czterech zweryfikowanych działaniach automatycznie uruchomiono trening intencji. Kandydat poprawił wynik 32/36→35/36, lecz skierował mnożenie 317 przez 223 do ulepszania. Został odrzucony. Matematyka z niezależną kontrolą uzyskała poprawne 70691. Próba ścieżki ulepszania początkowo tylko prosiła o kryterium.
Dodano porównanie poprawnych wariantów arytmetyki. Dla 317×223 wszystkie trzy warianty dały 70691; zwykłe mnożenie wymagało najmniej działań i było szybsze w lokalnym mikropomiarze. Sześć testów optymalizatora i siedem kontroli wcześniejszego cyklu przeszło. Nie powstał ogólny optymalizator programów ani dowód intencji modelu.
Na 288 syntetycznych przykładach nauczono wyboru gotowych przebiegów. Zamrożona próba: 36/36; część zadań powtarzała szablony z innymi wartościami. Następnie wykonano rzeczywiście sześć ścieżek bez dźwięku: matematykę, dobór programu, generowanie z testami, dokumenty, internet oraz obraz. Ukończenie wywołania nie oznacza weryfikacji całej treści odpowiedzi.
Warstwę koordynatora zwiększono pięciokrotnie. Pobrano pięć artykułów i przygotowano 40 zadań wyboru pracy ze źródłem lub dokumentami. Ocena: 23 nowe zadania + 29 wcześniejszych = 52/52, tyle samo dla wersji 1024 i 5120. Większą wersję aktywowano bez utraty poprawnych decyzji; stare wagi zachowano.
Trzy rzeczywiste zadania źródło→Qwen dotyczyły silni, twierdzenia Pitagorasa i wyszukiwania binarnego. Wszystkie zakończyły się odpowiedziami; jedna była ucięta przez limit długości. Nie trenowano Qwena ani faktów z artykułów.
Wykonano obraz→matematyka→walidacja oraz dokumenty→Embedding→Reranker→Qwen→program→testy. Szczegóły i ograniczenia tych dwóch prób podano wyżej. Nadal nie oznacza to samodzielnego odkrywania całych przebiegów.
Udostępniono dziesięć pobranych artykułów. Qwen, mając pełną listę, wybrał Backpropagation, Reinforcement learning i Binary search algorithm. Oddzielna eksperymentalna polityka nowości i niepewności wybrała Gradient descent, Reinforcement learning i Sorting algorithm. Wyniki te nie dowodzą zainteresowań ani zidentyfikowanych braków wiedzy.
Na polecenie użytkownika politykę ciekawości wyłączono jako mechanizm samonaprawy. Kierunek dalszych prac to wybór potwierdzonych braków, dobór odpowiedniej naprawy oraz ponowna walidacja — zamiast wybierania materiałów na podstawie samej niepewności.
Ponowny sprawdzian wykazał cztery nierozpoznane polecenia w 24-zadaniowej próbie programowania. Próba naprawy jednego z nich wygenerowała program, ale kontrola wykonania odrzuciła użycie niedozwolonej metody. Naprawy nie zapisano, wagi pozostały bez zmian. Odrzucenie przez ograniczony tester nie dowodzi błędu samego algorytmu; trzeba odróżniać braki rozpoznawania, wiedzy oraz możliwości wykonawcy. Udanej ogólnej samonaprawy jeszcze nie wykazano.
SI rozróżnia potwierdzenie, odrzucenie i nierozstrzygnięcie oraz w ograniczonych pytaniach uzupełnia brak z historii i ponownie sprawdza odpowiedź.
Pełne wyniki, zakres pętli i dalsze uczenie. Wyniki dotyczą testów rozwojowych, nie ogólnego rozumienia języka.
Sieć źródeł nauczono mieszanych wzorców zdań (nowy test 33→67/96, regresja 89→92/93). Trzy stany są używane tylko tam, gdzie trzeba (uczona bramka zakresu), zakaz zatrzymuje. Polski translator dostał uczony maper pytań. Zadania słowne: parsery z mostem liczby–struktura, generator kompozycyjny i pętla z niezależnym sędzią (4 rundy, nasycenie po 3.); nowe szablony 26→145/210. Bezpiecznik potwierdzeń wymaga kanału znaczenia operacji i kanału nowości; 0 błędnych potwierdzeń na zamrożonych testach. Próby bez wdrożenia: pętla samoucząca bez niezależnego odniesienia, podmiana słów z tezaurusa, uczony decydent podmian. W nocy dodano most do otwartego WordNetu dla nieznanych czasowników: nowy zamrożony test 208→286/300 bez zmiany wag, 0 błędnych potwierdzeń. Po północy most pytań: nieznane pytanie → znane pytanie tej samej klasy; nowy zamrożony test 247→272/300, nowe ramy 68→97/300. Rano sprawdzian na 1730 prawdziwych zadaniach (SVAMP/ASDiv): parser 10%, czyli prawie losowo; nowy klasyfikator działania uczony na MAWPS 49%, w SI 178→854/1730 bez błędnych potwierdzeń. Następnie wskazówki ról liczb i zdania ze schematów logicznych: połowa nieużywana do strojenia 451→497, w SI 925/1730; kalibracja potwierdzeń nieudana (ok. 10% błędów). Szczegóły.
| Próba | Wynik | Zakres wniosku |
|---|---|---|
| Trening rozpoznawania poleceń programowania | 3/8 → 5/8 na nowej, zamrożonej próbie; bez utraty wcześniej poprawnych decyzji w sprawdzonej regresji | Poprawa małego klasyfikatora intencji; nie trening Qwena |
| Naprawa spłaszczania list po podpowiedzi | 6/6 przypadków | Zapis sprawdzonego programu dla znanego polecenia; nie ogólna samonaprawa |
| Zastosowanie pamięci do dwóch nowych zadań programowania | Bez pamięci 1/2, z pamięcią 2/2; po cztery przypadki na zadanie | Mała próba wskazuje użyteczność przykładu zgodnego z wykonawcą |
W porównaniu pamięci oba warianty rozwiązały usuwanie duplikatów z pomijaniem liczb ujemnych. W zadaniu spłaszczania i wyboru pierwszych trzech elementów wariant bez pamięci użył funkcji isinstance, której ograniczony tester nie obsługuje; wariant z pamięcią przeszedł wszystkie przypadki. Odrzucenie pierwszego programu nie dowodzi, że jego algorytm jest błędny. Warunki uruchomiono w stałej kolejności, na zaledwie dwóch zadaniach, więc nie jest to szeroki benchmark ani dowód przewagi szybkości.
Nie wykazano jeszcze ogólnego samodzielnego uczenia, niezawodnego planowania dowolnych zadań ani przenoszenia wiedzy z przeczytanych artykułów do wszystkich modułów. Reguły semantyczne są ograniczone i nie stanowią wyuczonego rozumienia języka. Pamięć sprawdzonych programów, pamięć źródeł i trening wag to różne mechanizmy. Potrzebne są większe, niezależne próby zastosowania wiedzy, kontrola regresji oraz pilotaż integracyjny opisany poniżej.
SI można rozwijać jako moduł współpracujący z większym systemem: rozpoznający zadanie, przygotowujący plan, dobierający narzędzia, korzystający z pamięci i kontrolujący wynik. Jest to propozycja dalszego rozwoju, nie deklaracja gotowości produkcyjnej.
Do przygotowania integracji potrzebne są:
Rdzeń SI/TIMDR może pozostać prywatny. Integrator mógłby korzystać z usługi lub pakietu wykonawczego, a publiczne repo zawierałoby dokumentację i interfejs integracji. Takie udostępnienie wymaga osobnego ustalenia warunków; obecna dokumentacja nie udziela licencji na prywatny rdzeń.
Następny proponowany krok: stabilne API i pilotaż w jednym wybranym zastosowaniu. Obecne wyniki dotyczą prototypu i ograniczonych prób. Pilotaż powinien sprawdzić rzeczywisty wkład SI oraz wymagania przed szerszym wdrożeniem. Sam odczyt materiałów i zapis pamięci nie oznaczają treningu wag.
| Katalog | Zawartość |
|---|---|
| src/ai_si | Publiczny gateway i integracje |
| web | Interfejs przeglądarkowy |
| tools/training | Historyczne narzędzia treningu adapterów |
| tools/testing | Ograniczony tester Pythona |
| tools/release | Kontrola zakresu publikacji |
| tests | Testy publicznych modułów |
| data/coding_adapter | Dane małego pilotażu |
| docs | Protokoły i wcześniejsze wyniki |
Historyczny trening Bielika wymaga pip install -r requirements-training.txt, wskazania modelu przez SI_MODEL_PATH i runtime przez SI_LLAMA_SERVER. Narzędzia: python tools/training/prepare_runtime.py oraz python tools/training/run_bielik_coding_adapter.py. Nie są treningiem obecnego rdzenia SI.
W PowerShell ustaw $env:PYTHONPATH="src;tools/testing", następnie uruchom python -m unittest discover -s tests -v. Testy publicznego repo nie zastępują testów prywatnego silnika opisanych w historii.
Kontrola publikacji: python tools/release/prepare_commit.py. Nie wykonuje commitu ani push. Wagi, rdzeń i prywatne dane pozostają poza repo. Prawa do zewnętrznych modeli wynikają z licencji ich producentów; ten opis nie ustanawia licencji prywatnego rdzenia.
Lokalny interfejs ma dwa panele: Rozmowa z SI oraz Narzędzia i zadania. Qwen pełni rolę modułu językowego; odpowiedzi rozmowy są oznaczone jako niezweryfikowane. Narzędzia korzystają z osobnego panelu i pokazują status wyniku. Na wąskim ekranie panele układają się jeden pod drugim.
Po udanym wysłaniu pole wiadomości jest czyszczone. Przycisk Nowa rozmowa rozpoczyna nowy kontekst, zachowując poprzednie wpisy w lokalnym archiwum. Zapis rozmów nie jest treningiem wag. Sprawdzono wyświetlanie paneli i działanie przycisku; nie wykryto błędów JavaScript podczas tej kontroli.
Ta aktualizacja dokumentuje prywatną wersję lokalną. Jej kod, archiwum rozmów, pamięć i wagi nie są dołączane do tego commitu.
Wdrożono poprawiony adapter poleceń i automatyczny cykl treningu z kontrolą regresji; wynik 121/121 odtworzono na zapisanych wagach, bez Qwena. Zestaw jest rozwojowy i obejmuje jawne reguły. Aktualizacja uczenia własnych wag — 4 października 2026.
Na zamrożonych wagach uzyskano 21/24 nowych poleceń, następnie poprawiono dwie reguły zakresu i wdrożono przebiegi do trzech kroków; sześć prób trzyetapowych przeszło bez treningu i Qwena. Zamknięcie etapu: generalizacja i przebiegi do trzech kroków.
| Data | Wykonane prace i zapisane wyniki |
|---|---|
| 3 października | Cztery główne moduły po 1024 neurony i koordynator 5120; kontrola współpracy 52/52. Rozwijano pamięć źródeł, dostęp do lokalnych repozytoriów, dobór materiałów i kontrolę planów. Audio odłączono. |
| 4 października | Wdrożono własny adapter list z trwałą korektą wag: odtworzenie 121/121 znanych zadań. Pierwszy test nowych poleceń: 21/24. Poprawiono reguły zakresu i wdrożono dwa oraz trzy kroki; próby 5/5, 8/8 i 6/6. Rozdzielono rozmowę i zadania, dodano historię rozmów oraz opis rozmiaru, wymagań i możliwości GPU. |
| 5 października | Wznowiono kolejkę materiałów z priorytetem potwierdzonej potrzeby lub losowym wyborem niepobranego tematu. Dodano i naprawiono panel logu, uruchomiono interfejs. Uporządkowano 157 plików prywatnego folderu; 12 testów przeszło. Przywrócono historię i linki dokumentacji. |
W kolejce pobrano dotąd Machine learning, Program synthesis oraz Working memory. Są zapisanymi materiałami: zrozumienie nie zostało potwierdzone, wagi nie zmieniły się podczas pobierania. Wyniki treningu i przebiegów dotyczą opisanych prób; nie sumujemy powtórzonych zadań jako niezależnych testów.
Wagi: 4 października · Przebiegi: 4 października.
Wyłączono adapter Qwena, wytrenowano i podłączono mini-model SI (3,03 MB, 527 114 parametrów), poprawiono obsługę niepewności i zależność od wartości liczb. Osobny test decyzji: 11/12; rzeczywisty Qwen: 4/4 odpowiedzi oraz dwa zatrzymania przed wywołaniem. Nadal występuje nadmierne zatrzymanie jednego poprawnego wariantu polecenia. Opisano możliwe rodzaje zarządzanych modeli, oddzielając propozycję od sprawdzonej integracji. Pełny zapis etapu.
Uruchomiono ograniczoną rozmowę z własnym GPT i klasyfikatorem, bez Qwena; trening kontynuowany jest wyłącznie po angielsku. Wdrożony wariant: 18/18 ograniczonych odpowiedzi. Podłączono regułową pamięć tematu do historii interfejsu: 9/9 testów wykonawczych. Kolejne, niewdrożone warianty dały 15/20, 10/20 oraz 20/26 na różnych nowych zestawach; ostatni zachował 18/18 wcześniejszych tematów. Dodano obserwację stanów GPT przez eksperymentalne kanały TIMDR. Szczegóły zakresu, rozmiarów i ograniczeń: język i pamięć. Historyczne opisy Qwena dotyczą poprzednich etapów; obecny widok rozmowy korzysta z własnego SI.
Poniższy zapis zachowuje wcześniejszy opis oraz szacunki; aktualny stan podaje dokument z 6 października.
Własny mały moduł językowy SI jest trenowany wyłącznie po angielsku, bez Qwena; wdrożono prostą pamięć tematu rozmowy, a kolejne wagi są oceniane przed podłączeniem.
Wyniki języka i pamięci · Historia projektu.
SI to eksperymentalny warsztat łączący język, matematykę, programowanie i pracę ze źródłami, inspirowany TIMDR jako punktem wyjścia do budowy sterownika współpracy.
Publiczne repo zawiera interfejs, integrację, narzędzia treningowe, testy i dokumentację; rdzeń SI/TIMDR, wagi, checkpointy i pamięć użytkownika pozostają prywatne. Zakres publikacji.
Poniższe funkcje dotyczą prywatnego silnika i ograniczonych prób rozwojowych; samo pobranie repo nie udostępnia wszystkich modułów.
Wyniki, liczby neuronów, rozmiary wag, historia zmian, ograniczenia i propozycja wdrożenia: szczegółowy opis projektu.
Aktualizacja uczenia własnych wag — 4 października 2026.
Zamknięcie etapu: generalizacja i przebiegi do trzech kroków.
Osobna bramka SI przed Qwenem ocenia zakaz, kolejność, ograniczenia i brak danych; checkpoint ma 3,03 MB, a z Qwenem bez adaptera uzyskano 4/4 poprawnych odpowiedzi w małej próbie.
SI może służyć do wyboru i wywoływania modeli językowych, programistycznych, matematycznych, wyszukujących, wizyjnych, audio i sygnałowych po podłączeniu ich danych oraz kontroli wyników. W tym etapie sprawdzono bramkę tylko z Qwenem; nie zmienia ona jego wag i nie zastępuje walidatora odpowiedzi. Kolejny test decyzji dał 11/12, z jednym nadmiernym zatrzymaniem poprawnego zadania.
Szczegóły, historia prób i zakres zarządzania modelami.
Uruchom_AI_SI.bat albo python run_ui.py w tym repo.--backend; bez działającego silnika interfejs zgłosi brak połączenia.Aktualny eksperyment językowy: wdrożony GPT i klasyfikator mają łącznie 854 537 parametrów i 4 754 288 bajtów wag. Ostatni kandydat treningowy ma 1 050 862 parametrów i 4 216 773 bajty wag; mniejszy zapis wynika z innej struktury checkpointów, nie mniejszej liczby parametrów. Parametry nie są liczbą neuronów. Są to rozmiary wybranych wag, nie całego SI ani środowiska. Wymagania nowego pakietu nie zostały zmierzone na drugim komputerze.
Folder roboczy prywatnego SI zmierzony 4 października 2026 r. zajmował 9,29 GB (8,65 GiB), w tym modele, historię treningu i kopie wag; środowisko Python przechowywane osobno nie jest wliczone.
Pakiet do przeniesienia, po pominięciu historii, kopii i starego Bielika, szacujemy na 2,7–3 GB dla SI + Qwen albo 5,7–6 GB z Embedding, Reranker i obrazami; audio oraz Python z bibliotekami zwiększają rozmiar. Są to szacunki, nie pomiar gotowego instalatora. Wagi ostatnio trenowanego adaptera poleceń zajmują około 1,05 MB — to jeden element SI, nie cały rdzeń.
| Wariant | RAM | Procesor | Wolny SSD z bibliotekami |
|---|---|---|---|
| SI + Qwen | 8 GB orientacyjnie; zalecane 16 GB | współczesny 64-bit, około 4 rdzeni | 8–10 GB |
| Z obrazami i wyszukiwaniem | 16 GB orientacyjnie; wygodniej 32 GB | około 6–8 rdzeni | 12–15 GB |
To orientacyjne wymagania dla obecnej konfiguracji Windows, nie minima potwierdzone testami na tych komputerach. Zużycie zależy od kontekstu, bibliotek oraz liczby modułów uruchomionych jednocześnie. Rozmiar plików nie jest zapotrzebowaniem na RAM.
Obecny Qwen uruchamiany jest przez silnik CPU. GPU można podłączyć przez backend CUDA dla NVIDIA lub Vulkan dla zgodnych kart AMD/Intel i sterowników; zobacz oficjalną dokumentację llama.cpp. Wymaga to odpowiedniej wersji silnika i konfiguracji przenoszenia warstw na GPU, bez ponownego treningu wag. GPU przyspieszy głównie Qwena i większe moduły; mały adapter SI może pozostać na CPU. Obsługa Vulkan w llama.cpp nie oznacza automatycznie przyspieszenia wszystkich modułów Python.
Dla obecnego Qwena karta z 6–8 GB VRAM daje orientacyjny zapas; dokładne zużycie należy zmierzyć przy wybranym kontekście. Nie zweryfikowano jeszcze gotowego pakietu GPU ani jego wydajności. Przeniesienie na drugi komputer wymaga także zależności, sterowników i konfiguracji ścieżek — samo skopiowanie folderu nie gwarantuje uruchomienia.
To prototyp oceniany w niewielkich, kontrolowanych próbach, a nie potwierdzony odpowiednik ogólnych modeli AI. Odczyt źródła nie oznacza uczenia wag, przejście podanych testów nie gwarantuje poprawności dowolnego programu, a większa liczba neuronów sama nie dowodzi poprawy. Szczegółowe wyniki i ich zakres pozostają dostępne w pełnej dokumentacji.
Ujednolicono trzy stany, domknięto ograniczoną pętlę decyzji z historią użytkownika, połączono lekkie narzędzia i powtórzono testy aktualnej instalacji. Zachowano niewdrożonych kandydatów po treningu oraz zapisano lokalne przekazanie pracy. Wyniki i ograniczenia.