GPAI Ledger › PLLuM 2512 Base (Ministry of Digital Affairs of Poland) › Capture 12 Aug 2026

PLLuM 2512 Base — capture 20260812T211745Z

Verify: sha256sum 464c9eaf38a9e718edf079cc0ada62ff6c76364f9d0feb2f549d83d89897139d.pdf must equal the hash above (the filename IS the expected hash); ots verify 464c9eaf38a9e718edf079cc0ada62ff6c76364f9d0feb2f549d83d89897139d.pdf.ots -f 464c9eaf38a9e718edf079cc0ada62ff6c76364f9d0feb2f549d83d89897139d.pdf (opentimestamps.org) proves the capture time (fresh proofs report 'pending' until bitcoin-anchored, typically within a day).

Extracted text

Machine-extracted text (layout may be lost; the authoritative content is the stored file above).

1

Wzór publicznego streszczenia treści treningowych dla
modeli AI ogólnego przeznaczenia wymaganego na
podstawie art. 53 ust. 1 lit. d) rozporządzenia (UE)
2024/1689 (akt w sprawie sztucznej inteligencji)

Wersja streszczenia:  1.0
Ostatnia aktualizacja:  11/05/2026
General information
1. Informacje ogólne
1.1. Identyfikacja dostawcy
Dane osobowe i dane
kontaktowe dostawcy:
Ministerstwo Cyfryzacji
ul. Królewska 27
00-060 Warszawa
Tel.: +48 22 250 01 10
Adres e-mail: kancelaria@cyfra.gov.pl

1.2. Identyfikacja modelu
Wersje nazwy modelu:
● PLLuM-4B-base-2512
● Llama-PLLuM-8B-base-2512
● PLLuM-12B-base-2512
Zależności modelu:
● PLLuM-4B-base-2512 jest wynikiem adaptacji językowej
(kontynuacji pretreningu) modelu fundamentalnego Gemma-3-4b-pt
● Llama-PLLuM-8B-base-2512 jest wynikiem adaptacji językowej
(kontynuacji pretreningu) modelu fundamentalnego Llama-3.1-8B
● PLLuM-12B-base-2512 jest wynikiem adaptacji językowej
(kontynuacji pretreningu) modelu fundamentalnego Mistral -Nemo-
12B
Data wprowadzenia
modelu do obrotu w Unii: 21/05/2026

1.3 Formy, ogólna wielkość danych treningowych i inne cechy
charakterystyczne

Forma

Wielkość danych treningowych

Rodzaj treści

x Tekst
☐ mniej niż 1 mld tokenów
x 1 mld do 10 bln tokenów
☐ ponad 10 bln tokenów

Działania ukierunkowane były na możliwie
szerokie spektrum typów tekstów i obszarów
tematycznych. Wyraźnie zwiększony był
jedynie udział danych pochodzących z
domeny urzędowej.
Przykładowe typy tekstów wchodzące do
danych treningowych:
● urzędowe
● naukowe
● media społecznościowe i teksty
potoczne
● publikacje prasowe
● artystyczne / retoryczne
● kody źródłowe

2

Najpóźniejsza data danych:
nabycie/zgromadzenie na
potrzeby trenowania modelu:

12/2025
Model nie jest stale trenowany z wykorzystaniem nowych lub
dynamicznych danych po tej dacie.
Opis cech językowych
ogólnych danych
treningowych:
Dane treningowe obejmują głównie dane w języku polskim z udziałem
danych w języku angielskim. Dane w języku angielskim stanowią ok.
20% danych polskich.
Inne istotne cechy ogólnych
danych treningowych:

Dane treningowe obejmują teksty z różnorodnych domen i rejestrów
języka polskiego z uwzględnieniem jego współczesnych norm, konwencji
stylistycznych oraz aktualnego użycia w komunikacji pisemnej. Istotną
cechą danych treningowych jest duży udział treści odzwierciedlających
język formalny, w tym nomenklaturę urzędową, administracyjną oraz
charakterystyczne st ruktury językowe stosowane w dokumentach
oficjalnych, regulacjach oraz korespondencji i komunikacji
instytucjonalnej.

2. List of dat a sources
2. Wykaz źródeł danych

2.1. Zbiory danych dostępne publicznie

Czy do trenowania modelu wykorzystano publicznie dostępne zbiory
danych?   x tak     ☐ nie
Jeżeli tak, należy określić
formę(-y) treści objętych
odpowiednimi zbiorami
danych:
X tekst   ☐obraz   ☐ wideo  ☐ dźwięk ☐ inna (należy określić)
Wykaz dużych publicznie
dostępnych zbiorów
danych:
CommonCrawl – archiwum CC -MAIN-2025-38
(https://data.commoncrawl.org/crawl-data/CC-MAIN-2025-38/index.html) z
września 2025 – zostało użyte w części; zbiór przefiltrowano pod kątem języka
polskiego oraz według wyników dodatkowej weryfikacji istnienia zastrzeżeń,
przed dokonaniem eksploracji tekstów i danych oraz odrzucenia adresów URL
i domen, według wykorzystanych środków ochrony przed treściami
nielegalnymi.
Zrzut polskojęzycznej Wikipedii  z dnia 2025-07-01 (plwiki,
https://dumps.wikimedia.org/backup-index.html).
Zrzut angielskojęzycznej Wikipedii  z dnia 2025 -09-20 (enwiki,
https://dumps.wikimedia.org/backup-index.html) został użyty w części;
dodatkowo przefiltrowany za pomocą klasyfikatora kontekstu/kultury polskiej.
Wybrane podzbiory zbioru danych RedPajama -Data-1T
(https://huggingface.co/datasets/togethercomputer/RedPajama-Data-1T –

3

ostatnia aktualizacja zbioru danych w repozytorium HuggingFace: 17 czerwca
2024 r.):
● podzbiór arxiv został użyty w części; przefiltrowany według lat
2020+, do treningu wykorzystano wyłącznie artykuły dostępne na
wybranych otwartych licencjach; przefiltrowane dane zostały
dodatkowo ograniczone ilościowo
● podzbiór github został użyty w części, dane zostały ograniczone
ilościowo
● podzbiór stackexchange został użyty w części; przefiltrowany
według lat 2020+ i dodatkowo ograniczony ilościowo.
Podzbiór FineWeb-Edu
(https://huggingface.co/datasets/HuggingFaceFW/fineweb-edu) sample -10BT
(2013 – czerwiec 2025) został użyty w części; przefiltrowany według wyników
dodatkowej weryfikacji istnienia zastrzeżeń, przed dokonaniem eksploracji
tekstów i danych oraz odrzucenia adresów URL i domen, według
wykorzystanych środków ochrony przed treściami nielegalnymi, dodatkowo
ograniczony ilościowo.
Podzbiór FineWeb (https://huggingface.co/datasets/HuggingFaceFW/fineweb)
sample-10BT (lato 2013 – czerwiec 2025) został użyty w części; przefiltrowany
według wyników dodatkowej weryfikacji istnienia zastrzeżeń, przed
dokonaniem eksploracji tekstów i danych oraz odrzucenia adresów URL i
domen, według wykorzystanych środków och rony przed treściami
nielegalnymi, dodatkowo ograniczony ilościowo.
Ogólny opis innych
publicznie dostępnych
zbiorów danych
niewymienionych
powyżej:

Słowosieć (http://plwordnet.pwr.wroc.pl/wordnet/, 2005–2025) – zbiór danych
użyty w części (wykorzystano jednostki leksykalne, ich definicje oraz
przykłady użycia) i przekształcony w zasób tekstowy w typie słownikowym z
odfiltrowanymi elementami potencjalnie wzmacniającymi tendencje modeli do
generowania treści toksycznych.

2.2 Prywatne niedostępne publicznie zbiory danych pozyskane od osób
trzecich

2.2.1. Zbiory danych licencjonowane do celów handlowych przez podmioty uprawnione
lub ich przedstawicieli
Czy została zawarta transakcyjna umowa licencyjna
lub transakcyjne umowy licencyjne z podmiotami
uprawnionymi lub ich przedstawicielami? X tak     ☐ nie
Jeżeli tak, należy określić formę(-y) treści objętych
odpowiednimi zbiorami danych:  X tekst   ☐ obraz   ☐ wideo
☐ dźwięk ☐ inne

2.2.2. Prywatne zbiory danych uzyskane od innych osób trzecich
Czy pozyskano od osób trzecich prywatne
zbiory danych, które nie są objęte ☐ tak     X nie

4

licencjonowaniem, o którym mowa w
sekcji 2.2.1, takie jak dane uzyskane od
dostawców prywatnych baz danych lub od
pośredników w zakresie danych?
Jeżeli tak, należy określić formę(-y) treści
objętych odpowiednimi zbiorami danych:  ☐ tekst   ☐ obraz   ☐ wideo  ☐ dźwięk ☐ inna
Jeżeli takie prywatne zbiory danych
uzyskane od innych osób trzecich są
publicznie znane, należy je wskazać:  —
Ogólny opis nieznanych publicznie
prywatnych zbiorów danych uzyskanych od
osób trzecich

—

2.3 Dane zebrane w procesach automatycznego przeszukania i pozyskania
z internetu

Czy przez dostawcę lub w jego
imieniu były wykorzystywane roboty
indeksujące?
X tak     ☐ nie
Jeżeli tak, należy podać nazwę
(nazwy) robota indeksującego/jego
identyfikator:
Użyto dedykowanych rozwiązań (narzędzi/ skryptów), które nie
miały określonej nazwy formalnej.

Cele robota indeksującego (robotów
indeksujących):
Celem narzędzi/ skryptów było pozyskanie tematycznie
zróżnicowanych danych z  publicznie dostępnych dokumentów
według ustalonych rodzajów treści i źródeł.

Ogólny opis zachowania robota
indeksującego:
Rozwiązania operowały na wcześniej wyselekcjonowanej liście
adresów internetowych. Nie podejmowały prób omijania
mechanizmów CAPTCHA, sekcji chronionych hasłem ani
paywalli. Pomiędzy zapytaniami wprowadzono opóźnienia, aby
uniknąć nadmiernego obciążania serwerów źródłowych.
Okres zbierania danych: Od 03/2025 do 11/2025
Wyczerpujący opis rodzaju treści i
źródeł internetowych, w odniesieniu
do których zastosowano robota
indeksującego:

Treści obejmują główne dokumenty urzędowe wyodrębnione z
załączników (.pdf, .doc, .docx itp.) znajdujących się na polskich
portalach organów władzy publicznej i jednostek
podległych/nadzorowanych ( gov.pl) i w zasobach Biuletynu
Informacji Publicznej (BIP).

Pozyskiwano wyłącznie treści w języku polskim. Źródła
weryfikowano pod kątem zastrzeżeń związanych z eksploracją
tekstów i danych.
Rodzaj formy:  X tekst   ☐ obraz   ☐ wideo  ☐ dźwięk ☐ inna

5

Streszczenie najistotniejszych nazw
domen, w odniesieniu do których
zastosowano robota indeksującego:
Poszczególne subdomeny w domenie . gov.pl oraz domeny
adresujące zasoby Biuletynu Informacji Publicznej (BIP).
Dodatkowe uwagi:
W sposób automatyczny pozyskiwano również treści z platformy
Biblioteka Nauki (bibliotekanauki.pl), teksty z Dziennika Ustaw
Rzeczypospolitej Polskiej i Monitora Polskiego oraz Dziennika
Urzędowego Unii Europejskiej (eur -lex.europa.eu). Treści
(artykuły i książki naukowe) z platformy Biblioteka Nauki oraz
teksty z Dziennika Ustaw Rzeczypospolitej Polskiej i Monitora
Polskiego były pozyskiwane w sposób automatyczny, ale bez
użycia robotów indeksujących – w powyższych przypadkach
wykorzystano oficjalne API tych serwisów.

W przypadku Dziennika Urzędowego Unii Europejskiej
skorzystano z opcji pobierania zrzutu danych dla posiadaczy kont
UE ( datadump.publications.europa.eu). Status tych danych
sprawdzano cyklicznie, z zastosowaniem mechanizmu
automatycznego, a kolejne dane pobierano już poprzez API.
2.4 Dane użytkownika

Czy do trenowania modelu wykorzystano dane
pochodzące z interakcji użytkownika z modelem
sztucznej inteligencji (np. prompty i dane
wprowadzane przez użytkownika)?

☐ tak     X  nie
Czy do trenowania modelu wykorzystano dane
zgromadzone w wyniku interakcji użytkowników
z innymi usługami lub produktami dostawcy?

☐ tak     X nie
Jeżeli tak, należy przedstawić ogólny opis usług
lub produktów dostawcy, które wykorzystano do
gromadzenia danych użytkownika:

—

2.5 Dane syntetyczne

Czy w celu trenowania modelu
zostały stworzone przez
dostawcę lub w jego imieniu
dane syntetyczne
wygenerowane przez sztuczną
inteligencję?

X tak     ☐ nie
Jeżeli tak, jaką formę mają
dane syntetyczne:
 X tekst   ☐ obraz   ☐ wideo  ☐ dźwięk  ☐ inna
Jeżeli tak, należy określić
model lub modele AI ogólnego
przeznaczenia
wykorzystywane do
generowania danych

DeepSeek-V3 model ( https://huggingface.co/deepseek-ai/DeepSeek-V3),
nie ustalono udostępnienia streszczenia.

Mixtral-8x22B-Instruct-v0.1 ( https://huggingface.co/mistralai/Mixtral-
8x22B-Instruct-v0.1), nie ustalono udostępnienia streszczenia.

6

syntetycznych, jeżeli są one
udostępnione na rynku:

Informacje na temat innych
modeli sztucznej inteligencji,
w tym własnych modeli
sztucznej inteligencji dostawcy
nie udostępnionych na rynku,
wykorzystywanych do
generowania danych
syntetycznych w celu
trenowania modelu, do którego
to streszczenie ma
zastosowanie:

—

2.6 Inne źródła danych

Czy do trenowania modelu wykorzystano inne
źródła danych niż opisane w sekcjach 2.1–2.5?   X tak     ☐ nie
Jeżeli tak, należy przedstawić opis tych danych
oraz źródeł tych danych:

Zbiór instrukcji wykorzystanych do wyżarzania
(ang. annealing) modeli, opracowany przez
anotatorów:
- tworzone ręcznie od podstaw polecenia
oraz odpowiadające im odpowiedzi;
- tworzone ręcznie od podstaw polecenia
oraz ręcznie skorygowane i
dostosowywane odpowiedzi generowane
przez modele językowe udostępniane na
otwartych licencjach.
Materiały złożone z elementów udostępnianych na
szerokich otwartych licencjach, elementów
niepodlegających ochronie prawnoautorskiej lub w
odniesieniu do których autorskie prawa majątkowe
wygasły.
1. Data processing aspects
3. Aspekty przetwarzania danych
3.1. Respektowanie zastrzeżenia praw wynikających z wyjątku lub
ograniczenia dotyczącego eksploracji tekstów i danych

Czy są Państwo sygnatariuszami kodeksu postępowania
dotyczącego modeli AI ogólnego przeznaczenia, w
którym przewidziano zobowiązania do przestrzegania

☐ Tak     X Nie

7

zastrzeżeń praw wynikających z wyjątku lub
ograniczenia TDM?

Należy opisać środki wdrożone przed rozpoczęciem
trenowania modelu w celu przestrzegania zastrzeżeń praw
wynikających z wyjątku lub ograniczenia dotyczącego
eksploracji tekstów i danych przed gromadzeniem danych
i w jego trakcie, w tym protokołów i rozwiązań opt -out
uznanych przez dostawcę lub, w stosownych
przypadkach, przez osoby trzecie, od których pozyska no
zbiory danych:

W trakcie opracowywania modelu wdrożono
zróżnicowane środki mające na celu
uwzględnienie dokonanych wyraźnie
zastrzeżeń dotyczących TDM.

Z uwagi na to, że znacząca część danych
wykorzystanych na potrzeby pretrenowania
pochodziła z zasobów publicznie
udostępnionych w taki sposób, aby każdy
mógł mieć do nich dostęp w miejscu i czasie
przez siebie wybranym, podejmowane
działania dotyczyły zastrzeżeń dokonanych
w formacie przeznaczonym do odczytu
maszynowego wraz z metadanymi.

W przypadku otwartego zbioru danych
Common Crawl przeznaczonego do
trenowania dużych modeli językowych
uwzględniano dokumenty tekstowe
pozyskane ze snapshotów Common Crawl
zgromadzonych przez robota indeksującego,
powszechnie identyfikowanego jako CCBot,
zgodnie z zapewnieniem CommonCrawl
działającego z poszanowaniem
obowiązujących protokołów, umożliwiając
prawidłowe pozyskiwanie i utrwalanie treści
stron internetowych w oparciu o jasno
określone reguły zawarte w pliku robots.txt.

Zbiory składające się z oczyszczonych i
zdeduplikowanych anglojęzycznych danych
internetowych pochodzących z
CommonCrawl, w tym wchodzących w skład
datasetów FineWeb i FineWeb -Edu,
włączono w zbiór pretreningowy na tej samej
zasadzie.

W ramach kolejnego wdrożonego środka
przeprowadzano weryfikację, według listy
domen adresujących uwzględniane zasoby,
w celu potwierdzenia braku zastrzeżeń w
związku ze zwielokrotnianiem zasobów.
Weryfikację prowadzono z wykorzystaniem
zautomatyzowanego narzędzia działającego
zgodnie z protokołem REP, który nakłada na
roboty sieciowe obowiązek odczytywania i
stosowania się do instrukcji określonych w
pliku robots.txt.

Weryfikację pliku robots.txt stosowano
każdorazowo w przypadku zwielokrotniania
zasobów bezpośrednio ze źródeł publicznie
udostępnionych w taki sposób, aby każdy
mógł mieć do nich dostęp w miejscu i czasie
przez siebie wybranym.

8

Wprowadzono także środek polegający na
dodatkowej zautomatyzowanej analizie
uwzględnianych materiałów w oparciu o
dedykowany wykaz sformułowań, wykaz
kluczowych fraz, zliczanie i agregowanie
wyników. Automatyczna weryfikacja
obejmowała zarówno pliki robots .txt, jak i
szeroki zakres plików tekstowych, ze
szczególnym uwzględnieniem plików
pierwszego poziomu, a także plików
zawierających typową dokumentację
formalną stron internetowych (warunki
korzystania z usług, polityki prywatności,
itp.).

Ze względu na fakt, że pozyskiwanie
zasobów było ukierunkowane przede
wszystkim na źródła polskojęzyczne,
wdrożono dodatkowy środek w postaci
analiz zespołów anotatorskich, uzupełniający
działanie środka automatycznego w
przypadkach wymagających w szczególności
rozstrzygnięcia wątpliwości natury
językowej.

Dodatkowe uwagi:
Z uwagi na formalną specyfikę formuły
projektu dotyczącego realizacji modelu,
Kodeks GPAI opublikowany na stronach
Unii Europejskiej zgodnie z informacją
dostępną pod adresem:  https://digital-
strategy.ec.europa.eu/pl/policies/contents-
code-gpai („Kodeks”) nie podlegał
sygnowaniu.
Niezależnie od faktu opublikowania
Kodeksu w czasie, w którym prace
projektowe znajdowały się na
zaawansowanym etapie, według wszelkich
analiz i najlepszej wiedzy, formalne
założenia projektowe od początku realizacji
prac uwzględniały zasady, wartości i śr odki
zbieżne z tymi, które zostały ujęte w
Kodeksie. Dotyczy to  w szczególności
należytej staranności w zakresie
przestrzegania zastrzeżeń praw
wynikających z wyjątku lub ograniczenia
TDM, na poziomie nie niższym od
wynikającego z przepisów prawa i zakresu
zobowiązań ujętych w Kodeksie, w
szczególności poprzez wdrożenie
adekwatnych środków dedykowanych temu
celowi.

9

3.2 Usuwanie nielegalnych treści

Ogólny opis wprowadzonych
środków:
W celu przeciwdziałania wykorzystaniu nielegalnych treści
stosowano filtrowanie danych na poziomie adresów URL oraz
domen, w oparciu o “czarną listę” utworzoną na podstawie trzech
źródeł – dwóch krajowych i dodatkowo trzeciego zagranicznego
(ośrodka uniwersyteckiego). Dodatkowo korzystano z zasobów
publikowanych przez krajowy CERT/CSIRT NASK i konsultacji
specjalistycznych.
Respektowano skuteczne środki technologiczne (zgodnie z
definicją zawartą w  art. 6 ust. 3 Dyrektywy 2001/29/WE),
mających na celu zapobieganie lub ograniczanie
nieautoryzowanych działań w odniesieniu do utworów i innych
przedmiotów chronionych prawami autorskimi, w szczególności
poprzez przestrzeganie technologicznych blokad lub ograniczeń
dostępu narzuconych przez modele subskrypcji lub paywalle.
Według najlepszej wiedzy nie korzystano ze stron internetowych
udostępniających publicznie treści, które, były uznawane przez
sądy lub organy publiczne w Unii Europejskiej i Europejskim
Obszarze Gospodarczym za trwale oraz wielokrotnie naruszające
prawa autorskie lub prawa pokrewne, na skalę komercyjną.
Dla mitygacji ryzyka zastosowano podejście oparte na przyznaniu
generalnie wyższego priorytetu zasobom pochodzącym ze źródeł,
do których:
- zastosowanie miały przepisy Rozporządzenia 2022/2065
(DSA), zgodnie z zakresem wynikającym z art. 2 DSA, ze
szczególnym uwzględnieniem mechanizmów prawnych, o
których mowa w art. 16-18, art. 20-21 i art. 35 DSA;
-  w zakresie wykraczającym poza obszar stosowania DSA,
zastosowanie miały mechanizmy prawne o zbliżonym
charakterze, w szczególności pozwalające odbiorcom usług
zgłaszanie nielegalnych treści (w tym tekstów i danych
udostępnianych bez wymaganej zgody podm iotów
uprawnionych) i blokowanie przez podmioty udostępniające ich
dostępności.

3.3. Inne informacje

Inne istotne informacje na temat
przetwarzania danych:

Dodatkowo, w celu minimalizowania ryzyka generowania przez
systemy AI, z którymi zintegrowany może zostać model, danych
wyjściowych mogących naruszać prawa autorskie lub prawa
pokrewne, wdrożono środki mające na celu zapobieganie
generowaniu przez modele danych wyjściowych, powielających
treści treningowe w sposób naruszający takie prawa.