README.md

---
language:
- pl
license: cc-by-sa-4.0
library_name: transformers
pipeline_tag: text-generation
tags:
- gpt2
- gollem
- polish
- sft
- from-scratch
- amd-rocm
base_model: SlayerLab/goLLeM-110M-PL
model-index:
- name: goLLeM-110M-PL-SFT-merged
  results:
  - task: {type: text-classification, name: Polish topic classification}
    dataset: {type: sdadas/8tags, name: 8Tags (Polish), split: test}
    metrics:
    - {type: accuracy, value: 0.110247, name: Accuracy (PL)}
    - {type: f1, value: 0.034779, name: Macro-F1 (PL)}
  - task: {type: text-classification, name: Polish sentiment (in-domain)}
    dataset: {type: allegro/klej-polemo2-in, name: PolEmo2-IN (Polish), split: test}
    metrics:
    - {type: accuracy, value: 0.423823, name: Accuracy (PL)}
    - {type: f1, value: 0.242625, name: Macro-F1 (PL)}
  - task: {type: text-classification, name: Polish sentiment (out-of-domain)}
    dataset: {type: allegro/klej-polemo2-out, name: PolEmo2-OUT (Polish), split: test}
    metrics:
    - {type: accuracy, value: 0.356275, name: Accuracy (PL)}
    - {type: f1, value: 0.169887, name: Macro-F1 (PL)}
  - task: {type: text-generation, name: English zero-shot (cross-lingual transfer)}
    dataset: {type: blimp, name: BLiMP (English), split: train}
    metrics: [{type: acc, value: 0.5404, name: acc (EN)}]
  - task: {type: text-generation, name: English zero-shot (cross-lingual transfer)}
    dataset: {type: EleutherAI/lambada_openai, name: LAMBADA OpenAI (English), split: test}
    metrics: [{type: acc, value: 0.0223, name: acc (EN)}, {type: perplexity, value: 55056.11, name: perplexity (EN)}]
  - task: {type: text-generation, name: English zero-shot (cross-lingual transfer)}
    dataset: {type: hellaswag, name: HellaSwag (English), split: validation}
    metrics: [{type: acc_norm, value: 0.2817, name: acc_norm (EN)}]
  - task: {type: text-generation, name: English zero-shot (cross-lingual transfer)}
    dataset: {type: piqa, name: PIQA (English), split: validation}
    metrics: [{type: acc_norm, value: 0.5065, name: acc_norm (EN)}]
  - task: {type: text-generation, name: English zero-shot (cross-lingual transfer)}
    dataset: {type: sciq, name: SciQ (English), split: test}
    metrics: [{type: acc_norm, value: 0.6000, name: acc_norm (EN)}]
  - task: {type: text-generation, name: English zero-shot (cross-lingual transfer)}
    dataset: {type: allenai/ai2_arc, config: ARC-Easy, name: ARC-Easy (English), split: test}
    metrics: [{type: acc_norm, value: 0.2597, name: acc_norm (EN)}]
  - task: {type: text-generation, name: English zero-shot (cross-lingual transfer)}
    dataset: {type: allenai/ai2_arc, config: ARC-Challenge, name: ARC-Challenge (English), split: test}
    metrics: [{type: acc_norm, value: 0.2270, name: acc_norm (EN)}]
---

# GoLLeM-110M-PL-SFT-merged

> **Wydanie eksperymentalne / Experimental release.** Model nie jest przeznaczony do zastosowań produkcyjnych ani wysokiego ryzyka.

Instruction-tuned (SFT) wersja **GoLLeM-110M-PL** — małego, polskojęzycznego modelu bazowego typu decoder-only, wytrenowanego **od zera** na konsumenckiej karcie **AMD Radeon RX 7900 XTX** (ROCm/WSL2, Windows), bez NVIDII i bez chmury. Implementacja GPT-2 (nanoGPT-style) + własny polski tokenizer BPE. Wersja `merged` = wagi SFT scalone do formatu `GPT2LMHeadModel` (ładowalne standardowym `transformers`).

## Architektura i tokenizer

| Właściwość | Wartość |
|---|---:|
| Typ | GPT-2-style decoder-only Transformer |
| Warstwy / głowy / d_model | 12 / 12 / 768 |
| Maksymalny kontekst | 512 tokenów |
| Słownik | 32 000 (polski byte-level BPE, dynaword-32k) |
| Parametry | ~110M (weight-tied embeddings) |
| Token specjalny | `<|endoftext|>` = 0 |
| Format | `GPT2LMHeadModel`, safetensors |

## Baza, dane i trening

- **Model bazowy:** [SlayerLab/goLLeM-110M-PL](https://huggingface.co/SlayerLab/goLLeM-110M-PL) (ckpt_00060733), pretrenowany od zera na korpusie **dynaword-expansion** (HPLT v3.0 `pol_Latn`, ~1,35 mld tokenów, 1 epoka), PII-scrubbed. **Język treningu: 100% polski.**
- **SFT:** grounded-QA, **26 194 par** (4 autorów, CC-BY-SA-inherit); 3 epoki, lr 2e-5, weight decay 0.1, batch 16 × accum 4 (efektywny 64), ~3 min 40 s na RX 7900 XTX (ROCm).
- **Gate treningowy:** PII 0, regurgitacja 0 (model składa ze wzorców, nie recytuje danych); forma odpowiedzi 15/15 (0 kontynuacji, 0 boilerplate).

## Ewaluacja

Zero-shot, pełne splity. Ewaluacja pokrywa **dwa języki**: **polski (3 benchmarki)** — realna kompetencja modelu — oraz **angielski (7 benchmarków)** — transfer międzyjęzykowy (model jest jednojęzyczny polski, więc EN mierzy transfer, nie zdolność). **Bateria EN:** `lm-evaluation-harness` 0.4.12 (te same taski i wersja co karta [Pollock](https://huggingface.co/SlayerLab/pollock-mini-lm-125m)). **Bateria PL:** port protokołu dmpod (`eval_pl_bench`, mean-loglikelihood-per-token, length-normalized, accuracy + macro-F1). Pomiar: SlayerLab (Latarnik/Hart), 2026-08-27, RX 7900 XTX.

### 🇵🇱 Bateria POLSKA — kompetencja (random: 8Tags .125, PolEmo2 .25)

| Benchmark | Język | Accuracy | Macro-F1 | Próbki |
|---|:---:|---:|---:|---:|
| 8Tags | 🇵🇱 PL | 0.1102 | 0.0348 | 4 372 |
| PolEmo2-IN | 🇵🇱 PL | 0.4238 | 0.2426 | 722 |
| PolEmo2-OUT | 🇵🇱 PL | 0.3563 | 0.1699 | 494 |

### 🇬🇧 Bateria ANGIELSKA — transfer międzyjęzykowy (random: BLiMP/PIQA .5, reszta ~.25)

| Benchmark | Język | Metryka | Wynik |
|---|:---:|---|---:|
| BLiMP | 🇬🇧 EN | acc | 0.5404 |
| LAMBADA OpenAI | 🇬🇧 EN | acc | 0.0223 (ppl 55056) |
| HellaSwag | 🇬🇧 EN | acc_norm | 0.2817 |
| PIQA | 🇬🇧 EN | acc_norm | 0.5065 |
| SciQ | 🇬🇧 EN | acc_norm | 0.6000 |
| ARC-Easy | 🇬🇧 EN | acc_norm | 0.2597 |
| ARC-Challenge | 🇬🇧 EN | acc_norm | 0.2270 |

**Interpretacja (uczciwie):** to model **polski** (trenowany 100% PL). Bateria 🇵🇱 mierzy realną kompetencję, bateria 🇬🇧 — transfer międzyjęzykowy. Na EN wypada ~losowo (LAMBADA ppl 55056 = nie przewiduje angielskiego następnego słowa) — to oczekiwane dla modelu monolingwalnego, nie wada. Sygnał jest tam, gdzie powinien: PolEmo2-IN 0.424 (nad losowym 0.25). Uwaga porównawcza: względem bazy GoLLeM-110M-PL SFT nie podniósł zdolności zero-shot klasyfikacji (8Tags pozostaje ~losowo; wzrost accuracy PolEmo2 idzie w parze ze spadkiem macro-F1 = przesunięcie ku klasie większościowej). Model najlepiej traktować jako **completion/instruction-following bazowej skali**, nie jako klasyfikator. Confound porównań z modelami innej klasy: różny słownik i długość kontekstu.

## Użycie

```python
import torch
from transformers import AutoModelForCausalLM, AutoTokenizer

model_id = "SlayerLab/goLLeM-110M-PL-SFT-merged"
tok = AutoTokenizer.from_pretrained(model_id)
model = AutoModelForCausalLM.from_pretrained(model_id).eval()

ids = tok("Polska to kraj położony w", return_tensors="pt").input_ids
out = model.generate(ids, max_new_tokens=80, do_sample=True, temperature=0.8,
                     top_k=40, repetition_penalty=1.3, pad_token_id=0)
print(tok.decode(out[0], skip_special_tokens=True))
```

## Ograniczenia i odpowiedzialne użycie

- Mały model (110M) — generuje **pewnie brzmiące nieprawdy** i potrafi dryfować z tematu; wiedza faktograficzna jest ograniczona skalą.
- Trenowany i oceniany głównie po polsku; po angielsku ~losowo (transfer).
- Kontekst 512 tokenów, brak filtrów bezpieczeństwa na wyjściu.
- **PII:** może generować prawdopodobnie brzmiące imiona/adresy = **konfabulacje**, nie dane realnych osób; kontaktowe PII (telefon/e-mail/PESEL) było scrubowane w korpusie (model zwraca tagi `[Telefon]`/`[PII]`). Weryfikacja wyjścia po stronie użytkownika.

## Licencja i pochodzenie

- Licencja: **CC-BY-SA-4.0** (dziedziczona po danych SFT grounded-QA, CC-BY-SA-inherit).
- Model i trening: **Arkadiusz Słota / SlayerLab**. Architektura oparta na GPT-2 / nanoGPT.