AI-SI

Uczenie SI — 6 października 2026 (cały dzień)

Opis wyników rozwojowych. Kod rdzenia, wagi i dane pozostają prywatne. Wszystkie liczby dotyczą opisanych, ograniczonych testów, a nie ogólnego rozumienia języka. Wyniki negatywne zostały zachowane.

1. Sieć odpowiedzi ze źródła

• Diagnoza: wszystkie błędy na teście nauczyciela dotyczyły źródeł, w których dwa zdania mają różne wzorce. Takich źródeł nie było w treningu. Model zapamiętywał też pary liczb zamiast kopiować wartość ze źródła.
• Trening: generator mieszanych wzorców, symbole jako nazwy, źródła z 3–4 urządzeniami, warunki w przetasowanej kolejności. Etykiety pochodzą z niezależnego parsera, a 40% każdej partii to powtórka starych danych.
• Wynik: nowy test zamrożony przed treningiem 33→67/96, test nauczyciela 19→32/32, regresja 89→92/93. Z kontrolerem 96/96, bez błędnie potwierdzonych odpowiedzi. Wdrożone.

2. Trzy stany tylko tam, gdzie trzeba

• Bramka zakresu (uczona): powitania i wyjaśnienia dostają stan „nie dotyczy”. Obliczenia, źródła, kod, brak danych, zakaz i pytania o fakty zachowują trzy stany. Na zamrożonym teście 52/53, bez pominiętej weryfikacji.
• Głowa stanu: pełni rolę kontroli krzyżowej tylko w trasach liczbowych i może jedynie obniżyć stan. Bez weta dokładnej równości myli różnice mniejsze niż zakres treningu, dlatego weto pozostaje.
• Zakaz w rozmowie: daje stan „odrzucone / zatrzymaj”.

3. Polski interfejs

• Uczony maper polskich pytań (formy z SJP.PL → intencje rdzenia) zastąpił stały słownik zdań. Wcześniej każde inne sformułowanie dawało tę samą odmowę.
• Wyniki: 28/31 na pierwszym teście; 49/71 na drugim zamrożonym teście, a po dodaniu parafraz od Qwena średnio 54/71.
• Filtr parafraz: ślepa klasyfikacja przez Qwena nic nie wnosiła.
• Niezrozumiane pytania dostają podpowiedź, co SI potrafi.
• Słownik synonimów (otwarty tezaurus, bo SJP PWN blokuje automatyczne pobieranie): podmiana słów w działaniu zamieniała bezpieczne „nie rozpoznaję” na błędne odpowiedzi; uczony decydent też tego nie naprawił. Nie wdrożono.
• Naprawiony błąd: źródło wpisane bez słowa „Źródło:” było brane za „brak danych”.

4. Zadania słowne (rdzeń angielski, polski przez translator)

• Parsery: dwa nanoGPT (po 459 392 parametry) zamieniają treść na działanie, a liczy dokładny kalkulator.
• Most liczby–struktura (zasada odniesienia TIMDR): parser widzi znaczniki N1, N2…, a liczby wstawia narzędzie. Wcześniej 39 z 51 błędów brało się z przepisywania cyfr. Po zmianie znane wzory 249→296/300.
• Pętla samoucząca z walidatorem i kanałami TIMDR:
  • bez sita utrwalała własne błędy (kanał zaskoczenia pokazywał 0 przy złej operacji);
  • z sitem przepuszczała tylko to, co modele już umiały.
• Generator kompozycyjny (osoba × czasownik ze słownika operacji × przedmiot × pytanie): pomógł głównie przy nowych czasownikach.
• Pętla z niezależnym sędzią (bez człowieka):
  • Qwen pisze nowe zadania i rozwiązuje je osobno, podając tylko liczbę;
  • etykietą zostaje jedyne działanie na liczbach z treści, które daje ten wynik;
  • w 4 rundach powstało 566 etykiet; ręczna kontrola próbki: 25/25 poprawnych.
• Wynik: nowe szablony zdań 26→145/210 (najlepsza runda 3; runda 4 już gorsza, czyli nasycenie). Nowe czasowniki spadały wraz z kolejnymi rundami.
• Bezpiecznik: wersja z rana potwierdzała błędne odpowiedzi na nowych sformułowaniach. Naprawa:
  • kanał operacji przyjmuje tylko słowa specyficzne dla danej operacji;
  • kanał nowości (odniesienie do znanego obszaru zdań) blokuje potwierdzanie zdań niepodobnych do znanych.

  Po zmianie: 0 błędnych potwierdzeń na wszystkich zamrożonych testach. Progi dobrano po obejrzeniu wyników, a wersję wybrano na tych samych testach, więc są one teraz rozwojowe.

• Polskie zadania słowne nigdy nie dostają stanu „potwierdzone”: SI pokazuje interpretację do potwierdzenia.

5. Rozmiar

Nowe moduły z 6 października mają ok. 1,25 mln parametrów i ok. 5 MB wag. Wszystkie aktywne sieci nanoSI to ok. 3,15 mln parametrów. Qwen3-4B służy wyłącznie do przygotowania danych i nie odpowiada użytkownikowi.

6. Most WordNet dla nieznanych czasowników (noc 6/7 października)

• Działanie: nieznany odmieniony czasownik w miejscu czasownika (po imieniu, zaimku, „and”, „then”) → forma podstawowa → otwarty angielski WordNet (Princeton; synonimy i dwa poziomy pojęć nadrzędnych) → znany czasownik ze słownika SI w tej samej formie. Dopiero potem zadanie czyta parser. Diagnostyka pokazuje podmianę, np. squandered → dropped.
• Wieloznaczność: podmiana tylko wtedy, gdy wszystkie znaczenia słowa wskazują jedną operację (np. „procure” prowadzi i do „get”, i do „give”, więc nie jest ruszane). Zdania z oznakami mnożenia lub dzielenia nie są zmieniane. Pomiar kontrolny: bez tej blokady wyniki są takie same albo gorsze (nowy test 284 zamiast 285, nowe ramy 62 zamiast 68), więc blokada nie odbiera trafnych podmian.
• Rozmiar: mapa 1799 czasowników, ok. 89 KB; bez internetu i bez dodatkowych bibliotek. Wagi parserów bez zmian.
• Wynik: nowy test zamrożony przed pracą (24 czasowniki nieobecne w żadnych danych SI) 208→286/300 dla pierwszej wersji. Poprawki bezpieczeństwa dodano po obejrzeniu wyników innego testu, więc dalsze liczby są rozwojowe: ten sam test 285/300, starszy test nowych czasowników 187→276/300, znane wzory 300/300, nowe szablony 145/210, nowe ramy 68/300 bez zmian. 0 błędnych potwierdzeń na wszystkich testach.
• Wyniki negatywne naprawione przed wdrożeniem: pierwsza wersja podmieniała rzeczowniki („tickets” → „gives”), słowo „out” w „Work out” oraz „distributes” w zdaniach o dzieleniu.
• Ograniczenia: 3 z 24 czasowników testowych nie mają w WordNecie drogi do słownika SI („claim”, „scoop up”, „dispose of”); most obejmuje tylko czasowniki dodawania i odejmowania.

7. Most pytań (7 października, po północy)

• Diagnoza: na nowych ramach zdań (68/300) większość błędów brała się z nieznanego sformułowania pytania. Po ręcznym podstawieniu znanego pytania wynik rósł do 156/300.
• Test: przed budową zamrożono nowy test (300 zadań ze znaną treścią i 22 nowymi pytaniami napisanymi ręcznie).
• Działanie: mały klasyfikator pytań (hashowane słowa, regresja logistyczna) rozpoznaje klasę pytania: stan, pozostałość, suma, udział na każdego, stan początkowy. Nieznane pytanie zamienia na znane pytanie tej samej klasy. Dane: 432 przykłady, w tym parafrazy pytań treningowych od Qwena; etykietą jest klasa parafrazowanego pytania, a pytania testowe wykluczono. Próg wybrano walidacją krzyżową przed testem. Most rusza tylko pytania z nieznanymi słowami, przedmiot bierze wyłącznie z pytania, a porównań nie zmienia.
• Wynik: nowy test 247→272/300, 0 błędnych potwierdzeń. Pierwsza wersja psuła jednak wcześniejsze testy (nowe szablony 145→118: „What is left?” stawało się „How many away are left?”). Po poprawce (liczby rozwojowe): nowe ramy 68→97/300, pozostałe testy bez zmian, 0 błędnych potwierdzeń. Wagi parserów bez zmian.

8. Sprawdzian na prawdziwych zadaniach i klasyfikator działania (7 października, rano)

• Sprawdzian: 1730 jednodziałaniowych zadań z otwartych zbiorów SVAMP i ASDiv, pisanych przez ludzi. Zestaw zamrożono przed pierwszym uruchomieniem.
• Wynik negatywny: parser trafiał 178/1730 (10%). Na zadaniach z dwiema liczbami 174/905, czyli prawie tyle co losowe zgadywanie (160). Parser nauczył się naszych szablonów, a nie czytania zadań, więc mosty poprawiały wynik tylko w tym sztucznym świecie. Bezpiecznik zadziałał: 7 potwierdzeń, wszystkie poprawne.
• Nowe podejście: liniowy model rankingowy wybiera kandydata (liczba A, liczba B, działanie) na podstawie słów pytania, słów wokół liczb, kolejności i wielkości. Ma 160 KB wag i uczy się na prawdziwych zadaniach z otwartego MAWPS; usunięto 345 zadań podobnych do testu.
• Wynik:
  • czysty: 848/1730 (49%), zadania z dwiema liczbami 576/905 (64%);
  • wersja rozszerzona o etykiety pętli sędziego i zadania kompozycyjne (rozwojowa): 927/1730.
• Ograniczenie: pewność modelu na obcych zadaniach jest źle skalibrowana (przy p ≥ 0,98 ok. 20% błędów), dlatego model nigdy sam nie potwierdza.
• W SI: odpowiada parser, gdy oba parsery są zgodne i ugruntowane; w pozostałych przypadkach klasyfikator, ze stanem „do potwierdzenia”.
  • prawdziwe zadania: 178 → 854/1730;
  • nowe ramy: 97 → 125;
  • nowe szablony: 145 → 161;
  • koszt: test nieznanych czasowników 285 → 274;
  • 0 błędnych potwierdzeń.

9. Kalibracja i wskazówki ról liczb (7 października, rano)

• Kalibracja (wynik negatywny): zestaw prawdziwych zadań podzielono losowo na połowy A (dobór reguł) i B (sprawdzenie). Żadne połączenie kanałów (pewność, zgodność modeli, odporność na podmianę liczb) nie dało zera błędów. Najostrzejsza reguła myliła się w ok. 10% przypadków: wszystkie kanały mają tę samą ślepą plamkę, czyli zadania odwrotne.
• Więcej zdań logicznych: generator schematów (zmiana, łączenie, porównanie, grupy; niewiadoma w dowolnej roli). Na nowych zdaniach ze schematów model trafia 98%, ale bez wskazówek nie przenosi tego na zdania ludzi.
• Wskazówki ról liczb: liczba w zdaniu z „now/left/total” to wynik albo całość, „more than” to porównanie, „each” to grupy; do tego typ pytania i słowo „some”. Model sam uczy się, które połączenie ról daje które działanie.
• Wynik: połowa A 476→503, połowa B (nieużywana do strojenia) 451→497. W SI prawdziwe zadania 854→925/1730 (53,5%), nowe ramy 125→133; 0 błędnych potwierdzeń. Potwierdzanie nadal niebezpieczne (ok. 8% błędów nawet przy p ≥ 0,999), więc klasyfikator pozostaje „do potwierdzenia”.
• Bez zysku: „drugie spojrzenie” na wynik kandydata, 20 000 zdań schematów oraz wskazówka liczby pasującej do pytania ze zdaniami-zmyłkami.

10. Pętla samouczenia z koordynatorem (7 października, południe)

• Koordynator nauki: jedna pętla dla modułów-wtyczek: Qwen jako źródło przykładów → sito → automat rośnięcia pojemności → podmiana wag tylko po poprawie, z kopią zapasową. Podpięte: zadania słowne i polski maper pytań. Okienko podglądu pokazuje schemat, tekst Qwena, werdykt sita, trening i decyzję.
• Runda 1, zadania słowne: 150 przyjętych zadań od Qwena; kandydat A 499 (próg 508), straż B 471 (czynny 497) → wagi bez zmian.
• Runda 1, polski maper: 169 przyjętych parafraz; mniej błędnych intencji (7→3), ale więcej „nie rozpoznaję” (TEST3 44→38) → wagi bez zmian.
• Kontrola: dane Qwena dają zysk w granicach szumu na połowie rozwojowej i stały spadek na straży (8–12 zadań). Są czyste i szablonowe, więc nie przenoszą się na zadania pisane przez ludzi. Pętlę zatrzymano: zabezpieczenie zadziałało, a kolejne rundy dodawałyby te same dane.

11. Czytnik kontekstu połączony z modelem ról (7 października, popołudnie)

• Czytnik kontekstu: mała dwukierunkowa sieć rekurencyjna (ok. 190 tys. parametrów) czyta zadanie słowo po słowie. Dla każdej liczby ocenia jej kontekst z obu stron i porównuje go z pytaniem. Sam trafia słabo (445 na połowie B), bo szybko uczy się przykładów na pamięć.
• Połączenie z modelem ról: wspólna ocena kandydata, z wagą dobraną na połowie A. Połowa B (jedno sprawdzenie): 497 → 512. Każdy model poprawia błędy drugiego.
• W SI: prawdziwe zadania 925 → 944/1730. Koszt: syntetyczne nowe ramy 133 → 118. 0 błędnych potwierdzeń.

12. Polski maper: katalog sprawdzonych zdań i czytnik kontekstu (7 października, wieczór)

• Wzór: nauczyciel z 4 października. Etykiety ustala autor katalogu, a nauczyciel nie może ich wymyślać.
• Katalog: 248 polskich zdań dla 22 intencji; zdania pokrywające się z testami są usuwane automatycznie.
• Czytnik kontekstu: czyta formy podstawowe SJP.PL po kolei i jest połączony z dotychczasowym maperem.
• Wynik na zamrożonym teście (jedno sprawdzenie): 44 → 64/72; błędne intencje 7 → 3; „nie rozpoznaję” 21 → 5. Test rozwojowy 54 → 68/71.
• Zastrzeżenie: katalog i ten test pisał ten sam autor, więc możliwe jest podobieństwo stylu.
• Regresja: bez zmian.

13. Lokalny tłumacz neuronowy PL→EN (7 października, wieczór)

• Model: Opus-MT pl-en (Helsinki-NLP) w formacie transformers, 218 MB, ok. 0,1–0,4 s na zdanie na CPU.
• Tłumaczenie zdanie po zdaniu: model z kilku zdań naraz tłumaczy tylko pierwsze.
• Kontrola SI: liczby, także zapisane słowami, muszą przejść bez zmian, a przeczenie lub zakaz musi zostać zachowane; inaczej tłumaczenie jest odrzucane.
• Polskie zadania słowne (150): dotychczasowa ścieżka 24, sam tłumacz 47, połączenie 51. W połączeniu tłumacz obsługuje dodawanie, mnożenie i porównania oraz to, czego dotychczasowa ścieżka nie rozpoznaje.
• Wynik negatywny: tłumacz EN→PL (opus eng-zlw) dawał halucynacje i powtórzenia, więc odpowiedzi po polsku zostają z ustalonych zdań SI.

14. Moduły danych: tabele i arkusze, dokumenty, daty i terminy (7 października, wieczór)

Trzy moduły bez sieci neuronowych, kierowane przed tłumaczeniem; Qwen nieużywany. Zasady SI: dokładne liczenie, niezależny walidator, trzy stany, cytat źródła.

• Tabele i arkusze: CSV (wykrywanie separatora, polski przecinek dziesiętny, „zł”) i XLSX. Liczenie na liczbach dziesiętnych, walidator to drugie obliczenie inną drogą. Kolumny rozpoznawane po formach podstawowych SJP.PL i małym słowniku PL/EN. Strażnik słów: każde słowo polecenia musi zostać użyte (działanie, kolumna, filtr), inaczej wynik jest do potwierdzenia. Strażnik wykrył w trakcie budowy błąd, który inaczej byłby fałszywym potwierdzeniem („suma kwot w kwietniu” liczyła cały rok).
• Dokumenty: wyszukiwanie zdań po formach podstawowych z wagą rzadkości słów; potwierdzenie tylko, gdy jedno zdanie zawiera wszystkie istotne słowa pytania, a wycinek pasuje do rodzaju pytania (ile, kiedy, do kiedy, gdzie, kto, godziny, jak długo). Brak słowa pytania w dokumencie → odpowiedź „nie ma w dokumencie”. Pytania tak/nie zawsze do potwierdzenia.
• Daty i terminy: różnica dni, dodawanie dni, tygodni, miesięcy i lat (koniec miesiąca jak w art. 112 k.c.), dzień tygodnia, termin w weekend (art. 115 k.c.). Walidator: numer dnia juliańskiego i kongruencja Zellera.

Zamrożony test	Potwierdzone poprawne	Błędne potwierdzenia
Tabele (12) + tabele z datami (3)	15/15	0
Dokumenty (12) + terminy w dokumentach (4)	15/16 (16. — informacji nie ma w dokumencie, poprawnie odrzucone)	0
Daty (11)	9/11 (nieistniejąca data i brak daty — poprawnie niepotwierdzone)	0

Regresja: router nie przechwycił żadnego z 14 453 tekstów z dotychczasowych testów i danych (pierwsza wersja modułu dat brała 18 zadań typu „how many days” — poprawione: wymagana prawdziwa data). Pozostałe testy bez zmian.

15. Nauka z Wikipedii — SI sama wybiera, czego się uczy (7/8 października, noc)

• Czytanie: losowe artykuły angielskiej Wikipedii. Do każdego hasła SI bierze z Wikidaty wszystkie liczby i daty i zadaje sobie pytania; odpowiada z tekstu artykułu modułem dokumentów. Wikidata jest tylko sędzią. Gdy wartości z Wikidaty nie ma w artykule, a SI odpowiada z tekstu, jest to „niezgodność źródeł”, liczona osobno (w pierwszym przebiegu 3 z 4 „błędów” były błędnymi datami w Wikidacie).
• Wybór SI: co rundę rodzaj faktu z największą liczbą przykładów możliwych do nauczenia; rodzaje haseł (biografie, filmy…) dobierane według tego, ile faktów do nauki dają, jałowe pomijane bez czytania.
• Kandydaci z własnych porażek: most słów, słowo nieobowiązkowe, reguła nazwy hasła, wzorzec otoczenia wartości (0–2 znaki/słowa z każdej strony; odpowiedź tylko, gdy wzorzec daje jedną wartość). Najlepszy krok najpierw, potem przycinanie kroków bez zysku.
• Bramka: 120 zamrożonych haseł nigdy nieużywanych do nauki — więcej trafień, bez nowych błędów czytania, bez spadku w żadnej kategorii, zamrożony test modułów danych bez zmian.

Przebieg	Czego SI się nauczyła	Zamrożone trafione (215 pytań)	Błędy czytania
start	—	0	0
7.10, 23:25	„birth” = „born”, „date” nieobowiązkowe	19	0
8.10, 02:26	wzorzec „– [DATA]” (śmierć)	40	0
8.10, 02:30	„on [DATA]”, „[DATA].” (publikacja)	45	0
8.10, 02:31	„( [DATA]”, „[DATA] –”, „born on [DATA],” (urodzenie)	64	0

Bramka zablokowała regułę „nazwa hasła domyślna” (+4 błędne) i wzorce dla ogólnej daty zdarzenia „point in time” (+1 błędne).

16. Pytania o fakty, polska Wikipedia i sufit nauki (8 października)

• Pytania o fakty w czacie: stała tabela rodzajów pytań (urodzenie, śmierć, wydanie, założenie, ludność, powierzchnia, wysokość) i nazwa hasła; polskie pytanie szukane w polskiej Wikipedii (zna odmianę nazw), czytany angielski artykuł tym, czego SI się nauczyła; wartość sprawdzana w Wikidacie. Zamrożony test offline (126 pytań z zamrożonych haseł, po polsku i po angielsku): 62 potwierdzone dwoma źródłami (urodzenie 37, śmierć 20, wydanie 5), 8 z różnymi źródłami pokazanymi obok siebie.
• Kolejne przebiegi angielskie: wzorce dla ogólnej daty zdarzenia („at the [DATA]”, „the [DATA]”) — zamrożone 64 → 75, 0 błędów czytania. Kategoria dwa razy z rzędu odrzucona przez bramkę jest odkładana na 3 rundy.
• Polska Wikipedia: SI sama nauczyła się „ur. [DATA]” i „zm. [DATA]” — zamrożone polskie hasła 0 → 86 z 287, 0 błędów czytania.
• Osobne konfiguracje języków: wspólna konfiguracja dawała 3 błędne potwierdzenia na angielskich hasłach po polskiej nauce (każda bramka sprawdzała tylko swój język). Rozdzielone; moduł dokumentów wybiera konfigurację po języku pytania.
• Automat rośnięcia wzorców: przy zastoju kategorii z co najmniej 8 przykładami do nauczenia okno wzorców rośnie (2 → 5 słów/znaków z każdej strony). W polskim przebiegu urosło do 5; szersze wzorce dawały +3 trafienia i +2 błędne potwierdzenia — odrzucone.
• Sufit: przy nauce mostów i wzorców w zdaniach dalsze przebiegi przestały przynosić poprawę w obu językach; pętla kończy się sama.

Następny krok

Liczby-zmyłki w pytaniach o różnicę (największa grupa błędów) wymagają rozumienia, która wielkość odpowiada któremu fragmentowi pytania; prosty model liniowy osiąga tu nasycenie.