Polski model AI basal-omni-1.0-ultra, stworzony przez Remigiusza Kinasa, zajął pierwsze miejsce wśród modeli z otwartymi wagami w rankingu JevBench. Uzyskał 82,5 pkt w zestawieniu Capability Score i znalazł się przed otwartymi modelami OpenAI oraz Microsoftu. Wyżej w całej tabeli jest tylko zamknięty model kettei-fat firmy Sqwish, dostępny przez API, z wynikiem 86,3 pkt.
Ten wynik wymaga kontekstu. JevBench nie sprawdza, który model najlepiej pisze teksty albo kod. Test mierzy podejmowanie decyzji z zamkniętej listy odpowiedzi. Ocenia trafność (Intelligence) oraz kalibrację (Calibration), czyli zgodność deklarowanej pewności z faktyczną skutecznością. Ranking prowadzi Benchmark Heaven, a każdy model przechodzi około 1500 decyzji. Basal zdobył 74,1 pkt za trafność i 91,0 pkt za kalibrację.
Model decyzyjny, nie czatbot
Basal nie generuje dłuższych odpowiedzi. Czyta tekst, obraz lub nagranie, dostaje pytanie z ustaloną listą możliwych odpowiedzi i zwraca prawdopodobieństwo dla każdej z nich. Projekt obejmuje silnik basal-serve udostępniony na GitHubie oraz dwie rodziny modeli: basal-2.0, opartą na polskim Bieliku v3, i basal-omni, zbudowaną na Gemma 4 31B od Google. Rodzina omni obsługuje tekst i obrazy, a część wariantów także dźwięk.
Model dostrojono na około 640 tys. decyzji po polsku i angielsku. Udostępniono go na licencji Apache 2.0. Parametry są nastawione na skalę: mediana czasu odpowiedzi to 0,102 s, a koszt 1000 decyzji wynosi 0,045 USD. Do uruchomienia potrzeba około 62 GB pamięci GPU, w wariancie FP8 około 32 GB. Kinas jest Principal AI Researcherem w Ingenix.ai i współtwórcą modeli Bielik.
Co to znaczy dla polskich firm
Najbardziej oczywiste zastosowania to powtarzalne decyzje w back office. Chodzi o przydział zgłoszeń do działów, weryfikację dokumentów, wyciąganie danych z faktur czy wybór kolejnego kroku dla agenta AI. Takie zadania często obsługuje dziś duży model ogólny, rozliczany za tokeny i działający w chmurze dostawcy. Mały, wyspecjalizowany model bywa w nich szybszy i tańszy.
Otwarte wagi pozwalają uruchomić basal na własnej infrastrukturze. Dane klientów nie trafiają wtedy do zewnętrznego podmiotu, co upraszcza analizę zgodności z RODO. Kalibracja ma też wymiar praktyczny. Jeśli pewność modelu dobrze odpowiada jego skuteczności, decyzje z niską pewnością można automatycznie kierować do pracownika.
Miejsce w rankingu to jednak punkt wyjścia, a nie gwarancja jakości. JevBench obejmuje wąską kategorię zadań, a dane każdej firmy wyglądają inaczej. Zanim model trafi do procesu, warto sprawdzić go na kilkuset własnych, ręcznie oznaczonych przypadkach. Na tej podstawie łatwiej ustalić próg pewności, poniżej którego decyzję podejmuje człowiek.
Źródło: ITwiz: Polski model AI wyprzedził rozwiązania OpenAI i Microsoftu (21 października 2026) oraz AIPORT.pl: basal-omni-1.0-ultra na czele JevBench wśród otwartych modeli decyzyjnych (19 października 2026).
