DeepSeek V3.2, Llama 4.1 i przyszłość open-source — przegląd listopad 2025

Open-source w LLM w 2025 dojrzał. To już nie tylko hobbystyczne projekty — DeepSeek, Meta, Alibaba, Mistral dostarczają modele konkurujące z komercyjnymi flagshipami. Listopad przyniósł serię nowych release-ów: DeepSeek V3.2, Llama 4.1, Qwen 3 i inne. Co to znaczy dla polskiej firmy z wymogiem on-premise / prywatnej instancji. Przegląd ze wskazaniami praktycznymi.

DeepSeek V3.2

DeepSeek to chiński projekt, który w 2025 zdobył uznanie globalnie za stosunek jakości do kosztu treningu. V3.2 to iteracja V3 z lepszym reasoning i niższym kosztem inference. Architektura: Mixture of Experts (MoE) 236B parametrów total, ~21B aktywnych per token.

Plusy DeepSeek V3.2

• Open weights — można pobrać i hostować.
• Reasoning na poziomie GPT-4o w niektórych benchmarkach.
• MoE = niższy koszt inference (znacznie tańszy od dense modeli o podobnej jakości).
• API dostępne z chińskiego cloud-u po atrakcyjnej cenie.

Minusy / ryzyka

• Pochodzenie chińskie — niektórzy klienci nie akceptują (RODO, sankcje USA).
• Wymagania sprzętowe — full model wymaga klastra z 8+ H100.
• Polski wciąż słabszy niż w Claude.
• Compliance EU niedoprecyzowana.

Llama 4.1

Meta wypuściła Llama 4 wiosną 2025, a Llama 4.1 jako iterację jesienią. Trzy warianty: Scout (lekka), Maverick (średnia), Behemoth (duża). Architektura także MoE. Llama dalej dominuje w polskiej społeczności open-source ze względu na ekosystem.

Llama 4.1 w polskim biznesie

• Scout (109B total, 17B aktywne) — działa na pojedynczym H100. Realne wdrożenie u polskiego klienta.
• Maverick (400B total, 17B aktywne) — wymaga klastra, ale dla większych instalacji.
• Polski poprawiony, ale dalej za Bielikiem 2.3 (specjalizacja).
• Licencja Llama 4 zaktualizowana — bardziej business-friendly.

Model	Param. (total / act.)	VRAM min.	Polski	Koszt mies. hostingu
Bielik 2.3	11B / 11B	16 GB	4,4/5	~ 2 200 zł
Llama 4 Scout	109B / 17B	80 GB	4,1/5	~ 7 800 zł
DeepSeek V3.2	236B / 21B	klaster 8x80GB	3,7/5	~ 24 000 zł
Qwen 3 (72B)	72B / 72B	140 GB	3,9/5	~ 11 200 zł
Mistral Medium 3	22B / 22B	48 GB	4,0/5	~ 4 500 zł

Qwen 3

Alibaba wypuściła Qwen 3 w listopadzie 2025. Mocny w reasoning, bardzo dobry w kodowaniu. Polski słabszy. Warianty od 7B do 235B parametrów. Licencja Apache 2.0 dla większości modeli, co czyni go business-friendly.

Mistral Medium 3

Francuski Mistral wypuścił Medium 3 z naciskiem na praktyczność. 22B parametrów dense, działa na pojedynczym H100, wydajny w europejskich językach (w tym polskim). Dla EU klientów to dobra opcja "europejski stack" (Mistral + Bielik + RedAI).

Strategia open-source dla polskiej firmy 2026

Stack rekomendowany dla małej firmy (5-30 osób)

1. Bielik 2.3 lokalnie — dla codziennych zadań po polsku.
2. Claude/GPT przez API — dla najtrudniejszych zadań.
3. Nie wdrażaj Llama 4 Scout — overkill na tej skali.

Stack rekomendowany dla średniej firmy (30-100 osób)

1. Bielik 2.3 lub Mistral Medium 3 lokalnie — workhorse.
2. Llama 4 Scout lokalnie — dla zadań reasoning, code.
3. Claude Sonnet 4.5 przez API — dla najtrudniejszych.

Stack rekomendowany dla większej firmy (100+ osób)

1. Llama 4 Maverick lokalnie — flagship lokalnego deployment.
2. Bielik 2.3 jako specialist polski.
3. Claude Opus 4.1 jako "ostateczna instancja" dla najtrudniejszych.
4. Gemini 3 Pro dla scenariuszy Workspace-heavy.

Sprzętowy realizm

Open-source pociąga koszt sprzętu. Pojedynczy H100 to dziś ~28-32 tys. USD. Klastry 8x H100 — 250-300 tys. USD. Dla większości polskich firm 5-200 osób to za drogo na własność. Stąd model RedAI prywatnej instancji — dzielony sprzęt, izolowany kontekst, kontrola nad danymi.

Zapowiedzi i co czeka w 2026

• DeepSeek R2 (rozumowanie) — zapowiedź na I kw. 2026.
• Llama 5 — Meta sugeruje połowę 2026.
• Bielik 3 — SpeakLeash celuje w wiosnę 2026, większy model, multimodal.
• PLLuM 12B — większa wersja od konsorcjum NASK.
• Mistral Large 3 — odpowiedź na Llama Maverick.

Pułapki strategii open-source

1. "Free" != "tanio" — model jest free, ale GPU/operations nie.
2. Aktualizacje — każda nowa wersja modelu = retest, czasem fine-tune.
3. Brak SLA — open-source nie gwarantuje, że model będzie dostępny za rok w danej formie.
4. Polski talent — operowanie LLM-em on-premise wymaga ML engineera. To 18-28 tys. zł/mies.
5. Compliance — model open-source nie zwalnia z RODO. Nawet pomaga, ale wymaga procedur.

Podsumowanie

Open-source LLM-y w 2025 dojrzały na tyle, że dla polskiej firmy z wymogiem on-premise to realna opcja. Wybór modelu = wybór kompromisu jakość/koszt/sprzęt/polski. RedAI integruje wszystkie wymienione modele w prywatnej instancji — wybieracie wedle workflow, nie wedle dostawcy. Pokażemy wam architekturę hybrid open-source + komercyjny dopasowaną do skali waszej firmy.