# Dodatek: decyzje użytkownika przed pomiarem (pilot PL, PLLuM-12B-chat-2512)

Data decyzji: 2026-10-17. Decyzje podał użytkownik w wiadomości w czasie sesji (treść wskazana przez niego jako zalecenie zewnętrznego narzędzia i przez niego przyjęta). Preflight przed decyzjami: commit kodu `aed7a9c2c79cc2140d255bef6a0dee142c8f492f`, 36/36 PASS, manifest DRAFT `e5bd5eebf066`. To nie jest wynik pomiaru; badany model nie był uruchamiany.

## Decyzje
- **D1** Zatwierdzone: angielskie `v_minus_F1` (v7) i oś globalna, estymowane wyłącznie z zapisanych angielskich aktywacji, są stosowane do aktywacji PL bez ponownej estymacji na PL. Analizy v7 i osi globalnej pozostają odrębne.
- **D2** Zatwierdzone: porównanie kierunków `unit(mean only_F1 − mean deploy)` i `unit(mean only_F8 − mean deploy)` między EN zmierzonym w tej sesji a historycznym EN, te same 37 zadań, warstwy 10/19/20/30, zatrzymanie przy `1 − cos > 0,005`. Jest to kontrola zgodności tych kierunków, nie dowód pełnej identyczności wszystkich aktywacji (diagnostyki per prompt są zapisywane, ale nie są bramką).
- **D11** Zatwierdzone: flaga diagnostyczna długości = 95% przedział bootstrap korelacji Spearmana (długość vs rzut na oś) nie zawiera 0 oraz |rho| ≥ 0,30. Nie zmienia automatycznie werdyktu (a)/(b)/(c). Flaga jest wyliczana po fakcie z `analysis/results_main37.json` (`length.<lang>.spearman`, `.ci95`); kod analizy nie został zmieniony.
- **D12** Zatwierdzone wykonanie pilota bez kontroli autora. Kontrola jest NIEWYKONANA i stanowi ograniczenie badania. Bez ponownego losowania i bez zastępowania jej kontrolą między modelami.
- **D13** Zatwierdzone wykonanie mimo niespełnionych kryteriów długości F8: stosunek SD (PL/EN) 1,532 przy limicie 1,5; różnica długości dodatku F8 27,2 tokena przy limicie ±5. Progi, wartości i status NIESPEŁNIONE bez zmian; jest to odstępstwo zaakceptowane przed pomiarem, a nie spełnienie kryteriów.
- **Recenzja natywna 48 zestawów PL** pozostaje niewykonana; przyjęta jako ograniczenie. Walidacja techniczna nie zastępuje oceny jakości tłumaczenia.
- **D6** Cel prywatny, atrybucje i oznaczenie adaptacji zachowane. Zależność HarmBench: patrz niżej.
- **D8** Zatwierdzone zamrożenie main37: 111 EN + 111 PL = 222 prompty, bez rozszerzenia 11 i bez D5. Zamrożenie nastąpiło po wyjaśnieniu D6. Etapy s4–s6 nie są uruchamiane.

## D6: czy używany jest materiał HarmBench
Żaden plik HarmBench (CSV zachowań) nie jest pobierany ani używany w tym przebiegu. Pośrednio TAK: 37 zadań main37 pochodzi z EvalAwareBench, którego karta danych (`eval_bench/DATACARD.md`, Provenance) podaje, że zadania są adaptacjami HarmBench wykonanymi potokiem wspieranym przez LLM. Angielskie prompty są budowane z commitu `2961c17e…` EvalAwareBench, a polskie teksty są ich adaptacjami (wygenerowanymi przez Claude, bez recenzji natywnej). Licencja zbiorów zachowań HarmBench nie została potwierdzona (kod HarmBench: MIT wg źródła wtórnego). Skutki dla tego przebiegu: dane pozostają w prywatnym datasecie, nic nie jest publikowane, nic nie jest trenowane. Przed jakąkolwiek publikacją polskich promptów licencja HarmBench musi zostać sprawdzona osobno.

## Ograniczenia i rozróżnienia, które obowiązują w raportowaniu
1. Zadania oceniane uczestniczyły także w estymacji angielskiego v7 (De i siedem czynników uczących używają tych samych 48 zadań). To NIE jest test na niezależnych zadaniach. Dotyczy to też angielskiego wyniku nagłówkowego.
2. Trzy różne liczby nie mogą być mieszane: (i) historyczne F1@L19 = 0,6072048611 na 48 zadaniach, (ii) EN zmierzone w tej sesji na 37 zadaniach main37 oraz EN z zapisanych aktywacji na 37 zadaniach, (iii) wynik PL na 37 zadaniach. Wartość (i) nie jest punktem odniesienia dla (iii) bez wskazania różnicy zbiorów zadań.
3. Teksty PL są wygenerowane przez model, bez recenzji natywnej; brak kontroli autora; brak powtórzeń z innym ziarnem; jedna konfiguracja sprzętowa.
4. Po zamrożeniu nie wolno zmieniać tekstów ani analizy bez odnotowania zmiany i ponownej weryfikacji (nowy hash manifestu, nowy preflight).