[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"layout-ticker":3,"$fU6yL7wojFbVoySMt4L3A_Xlfh4qdfI2CQdJhTYE0Rhw":208,"$fErmagktpDa5Cd2Wk2Vb-oGEmZgAtKrkCZtvfPZrjH8M":236,"atoms-czy-model-jezykowy-sprzed-1931-roku-potrafi-pisac-kod-w-pythonie-talkie-zaskakuje-naukowcow":333},[4,10,16,21,26,31,36,41,46,51,56,61,66,72,77,82,87,92,97,102,107,112,118,123,128,133,138,143,148,153,158,163,168,173,178,183,188,193,198,203],{"slug":5,"draft_id":6,"pillar_id":8},"jak-legalon-obnizyla-koszty-modeli-kodowych-o-65-bez-spowolnienia-pracy-i-jak-to-zrobic-w-twojej-firmie-jaqm",{"title":7},"LegalOn obniżyła dzienne koszty Codex o 65% — jak to działa",{"name":9},"Narzędzia AI",{"slug":11,"draft_id":12,"pillar_id":14},"ai-w-badaniach-kwantowych-jak-jump-trading-automatyzuje-prace-analitykow-w-30-mniej-czasu",{"title":13},"Agenci AI w badaniach ilościowych: przykład Jump Trading",{"name":15},"Praktyczne zastosowania",{"slug":17,"draft_id":18,"pillar_id":20},"jak-asana-obnizyla-koszty-testow-browserowych-o-76-razy-i-jak-to-zrobic-w-twojej-firmie-juz-teraz",{"title":19},"Agenci przeglądarkowi AI w testach: jak Asana obniżyła koszty 76 razy",{"name":15},{"slug":22,"draft_id":23,"pillar_id":25},"jak-ai-w-atlassian-openai-automatyzuje-prace-zespolow-i-jak-to-zrobic-w-twojej-firmie",{"title":24},"Atlassian i OpenAI: co daje ChatGPT i Codex w Jirze — stan na 2026",{"name":9},{"slug":27,"draft_id":28,"pillar_id":30},"jak-ai-przyspiesza-prace-zespolow-it-o-30-ale-tylko-jesli-wiesz-jak-zintegrowac-ja-z-kodem-i-dokumentacja",{"title":29},"Ile naprawdę daje AI zespołowi programistów? Badania, ceny, pomiar",{"name":9},{"slug":32,"draft_id":33,"pillar_id":35},"jak-ai-z-atlassianem-i-openai-przyspiesza-prace-zespolowa-ale-czy-warto-wdrazac-to-w-twojej-firmie",{"title":34},"ChatGPT w firmie: plany Business, ceny i bezpieczeństwo danych (2026)",{"name":9},{"slug":37,"draft_id":38,"pillar_id":40},"jak-zautomatyzowac-analize-danych-w-twojej-firmie-bez-it-i-zaoszczedzic-40-budzetu",{"title":39},"Analiza danych bez działu IT: agenci AI i automatyzacja w 2026",{"name":9},{"slug":42,"draft_id":43,"pillar_id":45},"jak-data-agent-w-chatgpt-work-oszczedza-20-30-czasu-analitykow-bez-kodowania",{"title":44},"Data agent w ChatGPT Work: co potrafi analityk bez kodowania",{"name":9},{"slug":47,"draft_id":48,"pillar_id":50},"jak-ai-zwieksza-wydajnosc-inzynierow-o-21-i-jak-to-zrobic-w-twojej-firmie",{"title":49},"Jak Codex zwiększa wydajność inżynierów — case study 1Password i",{"name":15},{"slug":52,"draft_id":53,"pillar_id":55},"chatgpt-przyspiesza-prace-marketingowa-o-90-jak-to-zrobic-w-twojej-firmie",{"title":54},"ChatGPT Work w marketingu: co przyspiesza, a czego nie zastąpi",{"name":15},{"slug":57,"draft_id":58,"pillar_id":60},"kontrola-agentow-ai-kiedy-twoja-firma-traci-wplyw-nad-dzialaniami-automatyzacji",{"title":59},"Kontrola agentów AI: jak firma zachowuje wpływ nad automatyzacją",{"name":15},{"slug":62,"draft_id":63,"pillar_id":65},"fsm-runtime-vs-llm-dlaczego-polskie-firmy-placa-za-bledne-mutacje-stanu",{"title":64},"FSM runtime vs. LLM: dlaczego polskie firmy płacą za błędne mutacje stanu",{"name":15},{"slug":67,"draft_id":68,"pillar_id":70},"csv-do-raportu-dla-zarzadu-w-30-minut-bez-excela-bez-bolu-glowy",{"title":69},"Raport zarządczy z CSV w kilka minut — jak Claude i Copilot zastępują",{"name":71},"Tutoriale how-to",{"slug":73,"draft_id":74,"pillar_id":76},"jak-zbudowac-wlasny-pipeline-grafow-wiedzy-z-tekstu-w-6-krokach-i-kiedy-to-nie-warto",{"title":75},"Grafy wiedzy z tekstu: kiedy się opłacają, a kiedy to marnotrawstwo",{"name":71},{"slug":78,"draft_id":79,"pillar_id":81},"wspoldzielona-pamiec-dla-agentow-ai-jak-21-wezlow-zmienilo-koszty-debugowania-w-7-domenach",{"title":80},"Współdzielona pamięć agentów AI: jak działa i kiedy się opłaca",{"name":15},{"slug":83,"draft_id":84,"pillar_id":86},"jak-banki-chronia-swoje-algorytmy-i-dlaczego-twoje-agencje-ai-sa-bezbronne",{"title":85},"AI w bankach 2026: jak chronić algorytmy przed zagrożeniami",{"name":15},{"slug":88,"draft_id":89,"pillar_id":91},"agenci-ai-nie-zastepuja-ludzi-tworza-im-nowe-mozliwosci-jak-basis-clay-i-exa-labs-przeksztalcaja-procesy-w-zdolnosci-operacyjne",{"title":90},"Basis, Clay i Exa Labs: co robią agenci AI, a co zostaje człowiekowi",{"name":15},{"slug":93,"draft_id":94,"pillar_id":96},"jak-ocenic-llm-w-produkcji-bez-polegan-na-vibes-trzy-proste-reguly-w-pythonie",{"title":95},"Jak ocenić LLM w produkcji bez „vibes”? Reguły i metryki w Pythonie",{"name":15},{"slug":98,"draft_id":99,"pillar_id":101},"figma-ai-asystent-czy-twoi-projektanci-moga-zrezygnowac-z-myszki",{"title":100},"Figma AI agent: co potrafi asystent projektowania w 2026?",{"name":9},{"slug":103,"draft_id":104,"pillar_id":106},"heym-vs-tradycyjne-narzedzia-kiedy-agent-ai-przestaje-byc-dodatkiem-i-staje-sie-domyslnym-blokiem",{"title":105},"Agent AI jako domyślny blok workflow: Heym, n8n, Make i Zapier w 2026",{"name":9},{"slug":108,"draft_id":109,"pillar_id":111},"langchain-w-pipeline-ie-retrievalowym-sprawdzilismy-to-nie-dziala-tak-jak-sie-wydaje",{"title":110},"LangChain w RAG: co robi, gdzie zwalnia i kiedy go zostawić",{"name":15},{"slug":113,"draft_id":114,"pillar_id":116},"autonomiczny-bot-ai-zhackowal-projekty-microsoftu-i-innych-firm-jak-to-dziala-i-co-to-oznacza-dla-open-source",{"title":115},"Lokalne modele AI w 2026: Ollama, LM Studio i modele polskie",{"name":117},"News & analizy",{"slug":119,"draft_id":120,"pillar_id":122},"ai-nie-jest-najwiekszym-zagrozeniem-to-twoi-pracownicy-otwieraja-drzwi-hakerom",{"title":121},"Exploity i skradzione hasła zamiast AI — co naprawdę atakuje firmy w",{"name":117},{"slug":124,"draft_id":125,"pillar_id":127},"ue-chce-zmusic-google-do-otwarcia-androida-na-konkurencyjne-asystenty-ai-co-to-oznacza-dla-polskich-firm",{"title":126},"Komisja Europejska nakazała Google otworzyć Androida dla",{"name":117},{"slug":129,"draft_id":130,"pillar_id":132},"twoja-architektura-multi-agent-kosztuje-5000-pln-miesiac-na-tokenach-jak-to-zmienic",{"title":131},"Koszty tokenów w architekturze multi-agent: jak je policzyć i obniżyć",{"name":71},{"slug":134,"draft_id":135,"pillar_id":137},"agent-ai-dostal-dostep-do-twoich-systemow-czy-twoja-firma-jest-gotowa",{"title":136},"OWASP Top 10 dla LLM 2026: co zmienia się dla firm z agentami AI",{"name":117},{"slug":139,"draft_id":140,"pillar_id":142},"rag-w-produkcji-dlaczego-80-projektow-zawodzi-juz-po-pierwszym-deploymencie",{"title":141},"RAG w produkcji: od demo do systemu, który działa — co się zmienia",{"name":15},{"slug":144,"draft_id":145,"pillar_id":147},"jak-zbudowac-kontrolna-warstwe-dla-llm-w-produkcji-przyklad-z-100-niezawodnoscia",{"title":146},"Walidacja outputu lokalnych LLM w produkcji: JSON mode, structured",{"name":15},{"slug":149,"draft_id":150,"pillar_id":152},"chi-2026-dlaczego-apple-stawia-na-barcelone-i-co-to-oznacza-dla-twojego-biznesu",{"title":151},"CHI 2026 w Barcelonie: co Apple zaprezentowało naukowcom i jak to",{"name":117},{"slug":154,"draft_id":155,"pillar_id":157},"czy-polska-moze-powtorzyc-sukces-singapuru-ai-w-walce-z-nielegalnym-handlem-gatunkami",{"title":156},"Fin Finder: jak AI pomaga celnikom rozpoznawać płetwy rekinów",{"name":117},{"slug":159,"draft_id":160,"pillar_id":162},"odpowiedzialna-ai-w-microsoft-350-inzynierow-etyki-vs-87-polskich-firm-bez-polityki",{"title":161},"Odpowiedzialna AI w firmach: od zasad Microsoftu do wymogów AI Act",{"name":117},{"slug":164,"draft_id":165,"pillar_id":167},"midi-2020-co-naprawde-zmienilo-sie-w-polskim-ai-po-tej-konferencji",{"title":166},"MIDI 2020: ósma edycja konferencji o inteligentnych maszynach",{"name":117},{"slug":169,"draft_id":170,"pillar_id":172},"dall-e-2-jak-polskie-firmy-moga-zarabiac-na-tekscie-ktory-maluje-obrazy",{"title":171},"Generatory obrazów AI w 2026: co potrafią i jak wybrać narzędzie",{"name":117},{"slug":174,"draft_id":175,"pillar_id":177},"proces-muska-vs-altman-dlaczego-polskie-firmy-ai-wstrzymaly-inwestycje-na-3-miesiace",{"title":176},"Proces Muska vs. Altman: co ujawnił o przyszłości OpenAI i biznesu AI",{"name":117},{"slug":179,"draft_id":180,"pillar_id":182},"lingbot-world-fast-17-fps-w-generowaniu-wideo-czy-to-wystarczy-zeby-wyprzedzic-stability-ai",{"title":181},"LingBot-World-Fast: co potrafi otwarty world model Robbyant",{"name":9},{"slug":184,"draft_id":185,"pillar_id":187},"calowanie-robotow-biznesowy-sens-czy-naukowy-eksperyment",{"title":186},"Roboty społeczne w Polsce: od eksperymentu do praktyki",{"name":117},{"slug":189,"draft_id":190,"pillar_id":192},"gemini-3-5-vs-gpt-5-5-kto-oszukuje-a-kto-naprawde-buduje",{"title":191},"GPT-5.5 vs Gemini 3.5: co naprawdę wiadomo w 2026 roku",{"name":9},{"slug":194,"draft_id":195,"pillar_id":197},"sensenova-vs-flux-klein-ktore-narzedzie-do-edycji-obrazow-ai-oszczedzi-ci-120-godzin-pracy-rocznie",{"title":196},"SenseNova U1.5 vs FLUX 3 Image Klein: co wybrać do edycji zdjęć",{"name":9},{"slug":199,"draft_id":200,"pillar_id":202},"czy-agi-naprawde-nadejdzie-za-kilka-lat-demis-hassabis-kontra-polska-rzeczywistosc",{"title":201},"Kiedy powstanie AGI? Co naprawdę powiedział Demis Hassabis",{"name":117},{"slug":204,"draft_id":205,"pillar_id":207},"inzynieria-promptow-jak-zaczac-bez-wydawania-zlotowki",{"title":206},"Inżynieria promptów: jak zacząć bez wydawania złotówki",{"name":71},[209],{"id":210,"slug":211,"page_type":212,"hub_slug":213,"cover_image":214,"published_at":215,"last_refreshed_at":216,"reviewed_at":217,"reviewed_by":217,"reading_time_min":218,"pillar_id":219,"author_id":223,"draft_id":230},"478e8515-d4a9-4473-ad93-cfed5a06c355","czy-model-jezykowy-sprzed-1931-roku-potrafi-pisac-kod-w-pythonie-talkie-zaskakuje-naukowcow","article","ai-do\u002Fprogramowania","faa6aaef-1261-40a5-b9be-fc2aff8e969f","2026-08-19T02:53:41.666Z","2026-10-23T08:09:40.617Z",null,9,{"id":220,"name":117,"slug":221,"color_token":222},"165808b7-bea9-4eef-8280-014b3d85e6bf","news-analizy","azure",{"display_name":224,"slug":225,"bio_short":226,"social_links":227},"Andrzej Niemiec","andrzej-niemiec","Fanatyk nowych technologii i specjalista w zakresie sztucznej inteligencji.",{"linkedin":228,"x":217,"github":217,"website":229},"https:\u002F\u002Fwww.linkedin.com\u002Fin\u002Fandrzej-niemiec-b3ab60220\u002F","https:\u002F\u002Faion-automation.pl",{"title":231,"meta_description":232,"body_mdx":233,"word_count":234,"schema_type":235},"Talkie: model 13B z wiedzą do 1930 roku i jego próby z kodem","Talkie, model 13B trenowany na tekstach sprzed 1931 roku, w HumanEval generował tylko nieliczne poprawne skrypty w Pythonie. Co to mówi o generalizacji LLM?","## Czy Talkie potrafi pisać kod w Pythonie?\n\nTak, ale w wąskim zakresie. W benchmarku HumanEval model dostawał w promptach przykłady kodu i generował nieliczne poprawne rozwiązania, głównie jednowierszowe programy albo drobne modyfikacje podanych funkcji. Wyraźnie przegrywał z bliźniaczym modelem trenowanym na współczesnym webie. Jednym z opisanych przypadków było odtworzenie funkcji dekodującej szyfr rotacyjny przez zamianę znaku „+” na „−” [1].\n\nPraktyczne asystenty, które piszą kod na co dzień, znajdziesz w hubie [AI do programowania](\u002Fai-do\u002Fprogramowania). Talkie jest w tym zestawieniu ciekawostką badawczą, nie narzędziem pracy.\n\n## Czym jest Talkie i na jakich danych powstał?\n\nTalkie to projekt badawczy, a nie komercyjny produkt czy spółka [1]. Za modelem stoją Nick Levine, David Duvenaud i Alec Radford, a rodzinę modeli pokazano w kwietniu 2026 roku [1]. Polskie omówienie projektu podkreśla ten sam skład zespołu [4]. Popularne opisy ujmują rzecz krótko: to chatbot, który zna jedynie świat sprzed 1931 roku [5], a jego odpowiedzi odzwierciedlają język i sposób myślenia epoki [6].\n\nPodstawowy wariant to talkie-1930-13b-base z 13 mld parametrów [2]. Pretraining objął 260 mld tokenów angielskiego tekstu opublikowanego przed 31 grudnia 1930 roku [1][2]. Nazwa „1930” opisuje więc dane, a nie datę powstania modelu [2]. Wariant instrukcyjny nosi nazwę talkie-1930-13b-it [3].\n\n## Z jakich materiałów zbudowano korpus historyczny?\n\nZ książek, gazet, czasopism, czasopism naukowych, patentów i orzecznictwa [1]. Zbiór jest głównie anglojęzyczny i nie stanowi reprezentatywnego obrazu całej wiedzy świata sprzed 1931 roku [1]. Obok modelu historycznego zespół wytrenował kontrolny talkie-web-13b-base na współczesnym zbiorze FineWeb, żeby mieć punkt odniesienia [1].\n\nSens przedsięwzięcia był metodologiczny: rozdzielić generalizację od zapamiętywania i ograniczyć zanieczyszczenie danych ewaluacyjnych [1]. Model, który nie widział współczesnych testów, trudniej posądzić o to, że je zapamiętał [1].\n\n## Czy model naprawdę nie zna świata po 1930 roku?\n\nNie do końca. Filtr anachronizmów nie był doskonały: model znał elementy prezydentury Roosevelta, New Deal oraz pewne informacje o II wojnie światowej i powojennym porządku [1]. Zespół wykrył też wycieki danych do zbioru treningowego [1].\n\nDodatkowo wariant instrukcyjny trenowano z udziałem współczesnych modeli: online DPO wykorzystywało Claude Sonnet 4.6 jako sędziego, a część syntetycznych rozmów powstała z udziałem Claude Opus 4.6 [1][3]. To osłabia tezę, że całe zachowanie Talkie jest wyłącznie efektem tekstów sprzed 1931 roku [1].\n\n## Co mówią liczby o jakości danych treningowych?\n\nZespół analizował prawie 5000 opisów z rubryki „On This Day” dziennika The New York Times, mierząc zaskoczenie modelu w bitach na bajt [1]. W kontrolowanych eksperymentach OCR obniżał efektywność uczenia do 30 proc., a czyszczenie wyrażeniami regularnymi podnosiło ją do 70 proc. względem tekstów przepisanych przez człowieka [1].\n\nTe liczby dotyczą jakości danych, nie „inteligencji” modelu. Nie należy składać ich w jeden dowód, że Talkie rozumie programowanie [1]. Krótkie omówienie premiery projektu opublikowało też letsdatascience [7].\n\n## Jak Talkie wypada na tle modelu trenowanego na współczesnym webie?\n\nZespół porównał model historyczny z bliźniaczym modelem trenowanym na FineWeb. W standardowych ewaluacjach Talkie wypada słabiej, choć w podstawowych zadaniach rozumienia języka i numeracy różnice były niewielkie [1]. Po odfiltrowaniu pytań anachronicznych luka częściowo się zmniejsza [1].\n\n| Kryterium | talkie-1930-13b-base | talkie-web-13b-base (kontrolny) |\n|---|---|---|\n| Dane treningowe | angielskie teksty sprzed 31 grudnia 1930 r. [1][2] | współczesny web, zbiór FineWeb [1] |\n| Rozmiar | 13 mld parametrów [2] | model bliźniaczy, ta sama skala [1] |\n| HumanEval | nieliczne poprawne rozwiązania, głównie jednowierszowe [1] | wyraźnie lepsze wyniki [1] |\n| Rozumienie języka i numeracy | wyniki zbliżone do kontrolnego [1] | wyniki zbliżone do historycznego [1] |\n| Wiedza o świecie po 1930 r. | śladowa, z wyciekami [1] | pełna [1] |\n\n## Czego ten eksperyment nie dowodzi?\n\nNie dowodzi, że model samodzielnie nauczył się programowania ani że współczesne dane są zbędne [1]. Poprawne odpowiedzi w HumanEval były nieliczne i proste, a model korzystał z przykładów podanych w prompcie [1]. Wyniki są wstępne i dotyczą jednego, anglojęzycznego korpusu [1].\n\nEksperyment pokazuje raczej, jak trudno oddzielić generalizację od zaawansowanego dopasowania wzorców [1]. Dla osób, które budują pipeline'y danych, ciekawszy jest wątek jakości korpusu i kosztu jego czyszczenia [1]. Praktyczne wnioski z pracy z bibliotekami danych zbiera artykuł o [bibliotekach Python do pipeline'ów danych](\u002Fposts\u002F10-bibliotek-python-ktore-przyspiesza-twoje-pipeline-y-danych-w-2026-bez-marketingowego-szumu).\n\n## Czy Talkie można pobrać i uruchomić?\n\nTak. Wagi obu wariantów i biblioteka inference są publiczne w repozytorium na GitHubie oraz na Hugging Face [1][2][3]. Dostępne są opisy techniczne i wątki dyskusyjne społeczności [10]. To nadal eksperyment badawczy, nie produkt z gwarancją dostępności [1].\n\nJeśli interesuje Cię, jak dziś wygląda praktyczne wdrażanie agentów w repozytoriach, zobacz tekst o [AGENTS.md w 60 000 repozytoriów](\u002Fposts\u002F60-000-repozytoriow-github-juz-ma-agents-md-twoj-projekt-czeka). Talkie jest ciekawym kontrapunktem: pokazuje granice tego, co da się wywnioskować z samego tekstu [1].\n\n## Najczęstsze pytania\n\n### Czy Talkie naprawdę potrafi programować w Pythonie?\n\nCzęściowo i w bardzo ograniczonym zakresie. W HumanEval generował nieliczne poprawne rozwiązania, głównie jednowierszowe albo będące drobną modyfikacją przykładu z promptu [1]. Wyraźnie przegrywał z bliźniaczym modelem trenowanym na współczesnym webie [1]. To za mało, by mówić o samodzielnym opanowaniu języka programowania [1].\n\n### Kiedy powstał Talkie?\n\nRodzinę modeli pokazano w kwietniu 2026 roku, a repozytorium i wagi pochodzą z tego samego okresu [1]. Nazwa „1930” odnosi się do granicy danych treningowych, nie do daty powstania projektu [2]. Nie ma wiarygodnego potwierdzenia wcześniejszej publikacji tego modelu [1].\n\n### Ile parametrów ma Talkie?\n\nModel talkie-1930-13b-base ma 13 mld parametrów, a pretraining objął 260 mld tokenów historycznego tekstu [1][2]. Wariant instrukcyjny talkie-1930-13b-it ma tę samą skalę [3]. Kontrolny model trenowany na FineWeb również jest modelem bliźniaczym [1].\n\n### Czy Talkie zna wydarzenia po 1930 roku?\n\nW założeniu nie, w praktyce częściowo. Filtr anachronizmów przepuścił elementy prezydentury Roosevelta, New Deal i niektóre informacje o II wojnie światowej [1]. Zespół wykrył także wycieki danych [1]. Wariant instrukcyjny trenowano dodatkowo z użyciem współczesnych modeli jako sędziów [1][3].\n\n## Źródła\n\n1. [GitHub - talkie-lm\u002Ftalkie](https:\u002F\u002Fgithub.com\u002Ftalkie-lm\u002Ftalkie)\n2. [talkie-lm\u002Ftalkie-1930-13b-base · Hugging Face](https:\u002F\u002Fhuggingface.co\u002Ftalkie-lm\u002Ftalkie-1930-13b-base)\n3. [talkie-lm\u002Ftalkie-1930-13b-it · Hugging Face](https:\u002F\u002Fhuggingface.co\u002Ftalkie-lm\u002Ftalkie-1930-13b-it)\n4. [Talkie 13B - LLM trenowany tylko na tekstach sprzed 1931 roku (devstockacademy, 2026)](https:\u002F\u002Fdevstockacademy.pl\u002Fblog\u002Fbranza-it-i-nowe-technologie\u002Ftalkie-13b-llm-trenowany-tekstami-sprzed-1931-2026)\n5. [Naukowcy stworzyli chatbota, który zna jedynie świat sprzed 1931 (Malwarebytes, 2026)](https:\u002F\u002Fwww.malwarebytes.com\u002Fpl\u002Fblog\u002Fai\u002F2026\u002F04\u002Fresearchers-built-a-chatbot-that-only-knows-the-world-before-1931)\n6. [Bot, który ma wiedzę sprzed 100 lat (Spider's Web, 2026)](https:\u002F\u002Fspidersweb.pl\u002F2026\u002F05\u002Fchatbot-z-1930-roku-talkie.html)\n7. [Talkie Releases 13B Vintage Language Model Trained on 1930s Texts (letsdatascience, 2026)](https:\u002F\u002Fletsdatascience.com\u002Fnews\u002Ftalkie-releases-13b-vintage-language-model-trained-on-1930s-757bdb99)\n8. [Time Travel in a Text Box: Running a 13B Language Model Trained Only on Pre-1931 Text (DEV Community)](https:\u002F\u002Fdev.to\u002Fglad_labs\u002Ftime-travel-in-a-text-box-running-a-13b-language-model-trained-only-on-pre-1931-text-3k99)\n9. [Talkie-1930: An LLM That Has Never Heard of Computers Just Learned to Code (didof.dev)](https:\u002F\u002Fdidof.dev\u002Fblog\u002Ftalkie-1930-llm-reasoning)\n10. [talkie-lm\u002Ftalkie-1930-13b-it · Discussions (Hugging Face)](https:\u002F\u002Fhuggingface.co\u002Ftalkie-lm\u002Ftalkie-1930-13b-it\u002Fdiscussions)",1199,"Article",[237,243,249,255,261,267,273,279,285,291,297,303,309,315,321,327],{"id":238,"slug":239,"pillar_id":240,"draft_id":241},"c4937137-8f24-4234-a7c2-f7d3e90ca928","czy-ameryka-naprawde-odwraca-sie-od-ai-liczby-ktore-powinny-niepokoic-polskie-firmy",{"color_token":222},{"title":242},"Czy Ameryka naprawdę odwraca się od AI? Liczby, które powinny niepokoić polskie firmy",{"id":244,"slug":245,"pillar_id":246,"draft_id":247},"ffcfb1b3-5d39-4a99-943e-65767ee2550e","openai-bez-microsoftu-kto-zyska-a-kto-straci-na-nowych-zasadach-gry",{"color_token":222},{"title":248},"OpenAI bez Microsoftu: kto zyska, a kto straci na nowych zasadach gry",{"id":250,"slug":251,"pillar_id":252,"draft_id":253},"5ff5826f-d4cf-4caf-8a69-994b6fa77ae9","youtube-bez-filmow-czy-google-naprawde-chce-zebys-przestal-ogladac",{"color_token":222},{"title":254},"YouTube bez filmów: czy Google naprawdę chce, żebyś przestał oglądać?",{"id":256,"slug":257,"pillar_id":258,"draft_id":259},"4238f32a-fb55-4bb8-9239-5608031c1079","40-miliardow-dolarow-od-google-kto-naprawde-zyska-na-sojuszu-z-anthropic",{"color_token":222},{"title":260},"40 miliardów dolarów od Google: kto naprawdę zyska na sojuszu z Anthropic?",{"id":262,"slug":263,"pillar_id":264,"draft_id":265},"d8b00ab9-9b58-41c1-b1e7-051a53e3d31c","github-copilot-dlaczego-placisz-wiecej-choc-miales-placic-mniej",{"color_token":222},{"title":266},"GitHub Copilot: dlaczego płacisz więcej, choć miałeś płacić mniej",{"id":268,"slug":269,"pillar_id":270,"draft_id":271},"5ce29e8a-e105-4e5f-88fc-adb136b9f528","co-naprawde-zmienilo-sie-w-umowie-microsoft-openai-i-dlaczego-agi-przestalo-byc-priorytetem",{"color_token":222},{"title":272},"Co naprawdę zmieniło się w umowie Microsoft-OpenAI — i dlaczego AGI przestało być priorytetem",{"id":274,"slug":275,"pillar_id":276,"draft_id":277},"4b968a9d-1ac3-4cd2-9254-63e11faa8d15","dlaczego-elon-musk-przegral-z-openai-jeden-blad-ktory-kosztowal-go-miliardy",{"color_token":222},{"title":278},"Dlaczego Elon Musk przegrał z OpenAI? Jeden błąd, który kosztował go miliardy",{"id":280,"slug":281,"pillar_id":282,"draft_id":283},"a179690b-3757-4b5b-a995-9ff7c9a5505a","egzaminy-w-erze-ai-czy-chatgpt-zdalby-mature-lepiej-niz-twoje-dziecko",{"color_token":222},{"title":284},"Egzaminy w erze AI: Czy ChatGPT zdałby maturę lepiej niż twoje dziecko?",{"id":286,"slug":287,"pillar_id":288,"draft_id":289},"7977e6a4-813b-418d-b5e6-61b31f7dc749","chatgpt-w-rozmowach-o-depresji-czy-zwolnieniach-kiedy-ai-naprawde-rozumie-o-co-chodzi",{"color_token":222},{"title":290},"ChatGPT w rozmowach o depresji czy zwolnieniach — kiedy AI naprawdę rozumie, o co chodzi?",{"id":292,"slug":293,"pillar_id":294,"draft_id":295},"1e7f5934-ce29-4261-a03e-a4e0afcb0529","google-vs-anthropic-kto-naprawde-kontroluje-open-source-ai",{"color_token":222},{"title":296},"Google vs Anthropic: kto naprawdę kontroluje open source AI?",{"id":298,"slug":299,"pillar_id":300,"draft_id":301},"63051d1f-d6f6-49fe-a6fa-5022455ebb92","openai-i-microsoft-kto-zyskuje-kto-traci-na-zerwaniu-wylacznosci",{"color_token":222},{"title":302},"OpenAI i Microsoft: kto zyskuje, kto traci na zerwaniu wyłączności",{"id":304,"slug":305,"pillar_id":306,"draft_id":307},"d4265554-dd8f-4502-ba4b-cc0b01b09ec8","spacex-kontra-aws-kto-zbuduje-chmure-dla-polskiej-ai",{"color_token":222},{"title":308},"SpaceX kontra AWS: kto zbuduje chmurę dla polskiej AI?",{"id":310,"slug":311,"pillar_id":312,"draft_id":313},"2e8d6aab-d5e7-49b3-8bd3-c7d1712da7f8","hermes-agent-vs-gpt-4-kto-naprawde-wygrywa-w-open-source",{"color_token":222},{"title":314},"Hermes Agent vs. GPT-4: Kto naprawdę wygrywa w open-source?",{"id":316,"slug":317,"pillar_id":318,"draft_id":319},"9cef0925-212d-49d4-aa35-46c74c09b9be","nvidia-bije-rekordy-ale-inwestorzy-zaczynaja-liczyc-straty-co-to-oznacza-dla-polskiego-ai",{"color_token":222},{"title":320},"Nvidia bije rekordy, ale inwestorzy zaczynają liczyć straty. Co to oznacza dla polskiego AI?",{"id":322,"slug":323,"pillar_id":324,"draft_id":325},"1ebed8a4-440c-4514-9496-b96f80a6c4f0","karpathy-w-anthropic-kto-teraz-naprawde-wyprzedzi-openai",{"color_token":222},{"title":326},"Karpathy w Anthropic: kto teraz naprawdę wyprzedzi OpenAI?",{"id":328,"slug":329,"pillar_id":330,"draft_id":331},"312e7740-405e-4ee4-9c44-dc7a5936ecb0","deepfake-tuska-watermarki-openai-i-7-kary-co-polskie-firmy-musza-wiedziec-o-pochodzeniu-tresci-ai",{"color_token":222},{"title":332},"Deepfake Tuska, watermarki OpenAI i 7% kary: co polskie firmy muszą wiedzieć o pochodzeniu treści AI",[]]