Popraw opis projektu i tokeny specjalne

README.md

@@ -45,7 +45,7 @@ model-index:
 
 Nazwa modelu luźno nawiązuje do gestu malarskiego Jacksona Pollocka i idei kontrolowanego eksperymentu z przypadkiem. nanoGPT pełni tu rolę płótna, na którym różne dane, konfiguracje i decyzje treningowe tworzą odmienne wzorce zachowania modelu. Istotny jest nie tylko końcowy rezultat, ale również obserwacja procesu i wpływu poszczególnych składników eksperymentu.
 
-Prostota jest celowa: projekt ma pomagać osobom rozpoczynającym tworzenie modeli zrozumieć, które decyzje dotyczące architektury, danych i treningu wpływają na wynik, a następnie przenieść te metody do własnych eksperymentów.
+Prostota jest celowa: projekt ma pomagać osobom rozpoczynającym tworzenie modeli — włączając w to autora — zrozumieć, które decyzje dotyczące architektury, danych i treningu wpływają na wynik, a następnie przenieść te metody do własnych eksperymentów.
 
 ### Architektura i tokenizer
 
@@ -57,7 +57,7 @@ Prostota jest celowa: projekt ma pomagać osobom rozpoczynającym tworzenie mode
 | Maksymalny kontekst | 2048 tokenów |
 | Słownik | 12 288 tokenów |
 | Tokenizer | byte-level BPE, pretokenizacja w stylu GPT-2 |
-| Tokeny specjalne | `<|endoftext|>`, `<|im_start|>`, `<|im_end|>` |
+| Tokeny specjalne | <code>&lt;&#124;endoftext&#124;&gt;</code>, <code>&lt;&#124;im_start&#124;&gt;</code>, <code>&lt;&#124;im_end&#124;&gt;</code> |
 
 ### Dane
 
@@ -207,7 +207,7 @@ def fibonacci(n):)) = (n - 1) + (n - 1) + ( n - 1) + ( n - 2) + ( n - 1) + ( n -
 
 The model's name loosely refers to Jackson Pollock's painterly gesture and to the idea of a controlled experiment with chance. nanoGPT serves as a canvas on which different data, configurations, and training decisions create distinct patterns of model behavior. What matters is not only the final result, but also observing the process and the influence of each component of the experiment.
 
-The simplicity is intentional. The project is meant to help newcomers understand how architecture, data, and training choices affect model quality and reuse the same methods in their own experiments.
+The simplicity is intentional. The project is meant to help newcomers — including the author — understand how architecture, data, and training choices affect model quality and reuse the same methods in their own experiments.
 
 ### Architecture and tokenizer
 

release_manifest.json

@@ -10,8 +10,8 @@
   },
   "artifacts": {
     "README.md": {
-      "bytes": 11914,
-      "sha256": "e4e446e1417a5785621dee53622403d626e0ff43faaee051a1af60b2c18b940a"
+      "bytes": 12057,
+      "sha256": "bc4300a7944d3e9ed2725478458266979a42e496e17a289fbd4737d95149d366"
     },
     "LICENSE.md": {
       "bytes": 2257,