Język polski najlepszy do pracy z AI. Wyniki amerykańskich badań mówią same za siebie

Język polski najlepszy do promptowania AI

Polski – jako jeden z najtrudniejszych języków świata – stanowi niebagatelne wyzwanie dla każdego, kto podejmuje się jego nauki. AI okazało się w tym kontekście wyjątkowo pojętnym uczniem. Ba, upodobało sobie właśnie naszą rodzimą mowę. Mimo stosunkowo niewielkich zasobów w języku polskim, służących do trenowania dużych modeli językowych, to właśnie on zajął bowiem pierwsze miejsce pod kątem wydajności w formułowaniu promptów o długim kontekście. 

Ranking, w którym przoduje, sformułowano na podstawie badania “One ruler to measure them all: Benchmarking multilingual long-context language models”, przeprowadzonego przez zespół naukowców z University of Maryland oraz Microsoftu. 

Badacze wykonali test porównawczy, w ramach którego sprawdzili wydajność promptowania w 26 różnych językach dla modeli: OpenAI o3-mini-high, Google Gemini 1.5 Flash, Qwen2.5 (7B i 72B), Llama 3.1 (8B), Llama 3.3 (70B) oraz DeepSeek-R1. Stosowane przez nich polecenia były przy tym wyjątkowo długie, kontekstowe (do nawet 128 tys. tokenów). Rezultat? – Zaskakujący nawet dla samych naukowców: 

Eksperymenty z otwartymi i zamkniętymi modelami LLM ujawniają rosnącą różnicę w wydajności między językami o niskich i wysokich zasobach, wraz ze wzrostem długości kontekstu z 8 tys. do 128 tys. tokenów. Co zaskakujące, język angielski nie jest językiem o najwyższej wydajności w zadaniach długiego kontekstu (zajął 6. miejsce na 26), a na szczyt listy wysuwa się język polski

– możemy przeczytać w raporcie z badania. 

Skuteczność promptowania AI w różnych językach – ranking

Kompletny ranking wydajności poszczególnych języków w kontekście obszernego promptowania AI prezentuje się następująco: 

1. polski – 88%
2. francuski – 87%
3. włoski – 86%
4. hiszpański – 85%
5. rosyjski – 84%
6. angielski – 83.9%
7. ukraiński – 83.5%
8. portugalski – 82%
9. niemiecki – 81%
10. holenderski – 80%
11. norweski – 79%
12. szwedzki – 78%
13. duński – 77%
14. węgierski – 76%
15. fiński – 75%
16. czeski – 73%
17. japoński – 72%
18. wietnamski – 71%
19. perski – 70%
20. serbski – 69%
21. koreański – 66%
22. hindi – 65%
23. chiński – 62.1%
24. tamilski – 61%
25. swahili – 55%
26. sesotho – 45%

Źródło: Yekyung Kim, Jenna Russell, Marzena Karpinska, Mohit Iyyer, “One ruler to measure them all: Benchmarking multilingual long-context language models”, arxiv.org, dostęp: 25.10.2025