# Raport końcowy: pilot polski, transfer międzyjęzykowy `v7` na PLLuM-12B-chat-2512

Stan: 2026-10-17. Opis zakończonego pomiaru, bez nowych pomiarów i bez zmiany wyników. Dokumenty zamrożone nie zostały zmienione. Indeks artefaktów z hashami: `INDEKS_ARTEFAKTOW_PILOT_PL.json`.

## 0. Co to jest

Zakończony pomiar transferu międzyjęzykowego: angielski `v7` i oś globalna, estymowane z zapisanych aktywacji angielskich, zastosowane do polskich promptów (37 zadań `main37`, 3 warunki, 222 prompty łącznie z kontrolą angielską), jeden przebieg, jedna realizacja polskich tekstów, warstwy 10/19/20/30 (19 główna). **To nie jest pełna realizacja pierwotnego planu bez odstępstw** (sekcja 3).

## 1. Wynik główny (main37, F1, `v7`, PL − EN, ziarno 0, 1000 powtórzeń)

| Warstwa | EN | PL | PL − EN | CI 95% |
|---|---|---|---|---|
| 10 | 0,669 | 0,681 | +0,012 | [−0,048; +0,074] |
| **19** | 0,633 | 0,584 | **−0,050** | [−0,099; +0,001] |
| 20 | 0,613 | 0,584 | −0,029 | [−0,082; +0,025] |
| 30 | 0,539 | 0,512 | −0,027 | [−0,092; +0,034] |

F8: AUROC PL ≥ 0,928 na wszystkich warstwach (L19: EN 0,954, PL 0,975); cos(F8, oś) PL: L19 0,727, L20 0,732, L30 0,724 (L10 0,614). Wiarygodność natywnego F1 po połowach (L19): EN 0,681, PL 0,665.

## 2. Werdykt formalny

**Nierozstrzygnięty; (c) przy zastosowaniu pierwotnego warunku kontroli długości.**

- (c) wymienia „kontrola długości nie zaliczona”. Pierwotna kontrola długości (plan, sekcja „Polskie teksty”) obejmowała dodatek F8 w granicach ±5 tokenów. Zmierzono +27,2 tokenu (iloraz SD 1,532 wobec limitu 1,5), więc warunek jest niespełniony.
- **D13** (zaakceptowane przed pomiarem, addendum `4f99bcdd…`): „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.” D13 nie określa wpływu na werdykt: zatwierdza wykonanie i zachowuje status NIESPEŁNIONE.
- **Niejednoznaczność pierwszeństwa (a)/(c):** liczbowa część F1 z (a) przeszła na main37 (CI w ±0,10 na 4 z 4 warstw), warunki F8 z (a) również. Plan nie podaje reguły pierwszeństwa między (a) a (c), D13 jej nie dodaje i nie dopisuję jej po wyniku. Werdykt jest zastosowaniem literalnego brzmienia (c).
- **(b) niespełnione:** CI na L19 zawiera 0 (górna granica +0,0007), |różnica| 0,050 < 0,10.
- **Znaki:** L19, L20, L30 są ujemne, więc wymóg tego samego znaku na ≥ 3 z 4 warstw jest spełniony; dodatni L10 nie narusza tej reguły. (b) jest niespełnione z powodu CI na L19 i wielkości różnicy, nie z powodu znaków.

## 3. Trzy warstwy dokumentacji

**A. Oryginalny plan** (Claude Docs `55b81b29-4b9c-44fb-8756-574b56ea4702`, rev 13, 2026-10-15; niezamrożony hashem): 48 zadań, 288 promptów, kryteria (a)/(b)/(c), kontrola długości (F1 ±2 tokeny, SD ≤ 1,5×, dodatek F8 ±5), D5 (drugi zestaw zastępników F1 i spot-check tłumaczenia zwrotnego na 12 zadaniach), D7 (przegląd natywny przez dwie osoby), D8 (zamrożenie preregistracji z hashem w opisie nowego Space), 100/115 par osi: plan mówi 115, dane zawierają 100.

**B. Zmiany przed pomiarem.**
- Dodatek do preregistracji z 2026-10-15 (§4) i wersja 2 z 2026-10-17 (§3, niezamrożone, oznaczone „projekt”): **kontrola autora na 12 zadaniach** (własne wersje ludzkie; lista `SEALED_control_12.json`, sha256 `9c9ce63b…3dcb`). Pochodzi z tych dodatków, **nie z pierwotnego planu**, który zawiera tylko spot-check tłumaczenia zwrotnego na 12 zadaniach w ramach D5. Kontrola autora **nie została wykonana** (D12). Ślepota listy 12 zadań została w v2 opisana jako naruszona.
- Zawężenie do `main37` (37 zadań, 222 prompty), rozszerzenie 11 i D5 wyłączone.
- Zamrożone decyzje (`ADDENDUM_DECYZJE_PL_PILOT.md`, 2026-10-17): D1, D2 (zgodność kierunków, nie identyczność aktywacji), D6 (cel prywatny; HarmBench pośrednio przez EvalAwareBench, licencja niepotwierdzona), D8 (zakres: zamrożenie main37), D11 (flaga długości, diagnostyczna, bez automatycznej zmiany werdyktu), D12, D13, brak przeglądu natywnego.
- **D8 precyzyjnie:** zamrożono kod, korpus i manifest (hash `04c87412…8be87`). Pełnej preregistracji z kryteriami (a)/(b)/(c) nie zamrożono ani nie opublikowano w sposób wymagany pierwotnym planem. Kryteria są tylko w dokumencie planu, poza zamrożonym pakietem.

**C. Analizy po pomiarze** (skrypt `pl_pilot_postanalysis.py`, commit `22c75444…`, CPU, bez modelu):
- Z planu lub niezamrożonego addendum, liczone po fakcie: czułość na 31 zadaniach, flaga D11 i korelacje długości, przeliczenie kryteriów długości z zapisanych `ntok`.
- **Eksploracyjne, bez podstaw w planie ani dodatkach:** analiza deploy-only i zmienność końców CI między ziarnami bootstrapu 0–19.
- Odtworzenie `results_main37.json`: maksymalna różnica 0,0 (231 liczb).

## 4. Czułość na 31 zadaniach (bez 6 zadań E1)

`v7` i oś nadal z 48 zadań angielskich; zmienia się tylko zbiór oceniany.

| Warstwa | EN | PL | PL − EN | CI 95% |
|---|---|---|---|---|
| 10 | 0,684 | 0,710 | +0,026 | [−0,055; +0,114] |
| **19** | 0,658 | 0,606 | **−0,052** | [−0,117; +0,014] |
| 20 | 0,626 | 0,599 | −0,027 | [−0,104; +0,053] |
| 30 | 0,545 | 0,509 | −0,036 | [−0,127; +0,042] |

Kierunek i brak istotności są zgodne z main37. Liczbowa część F1 z (a) (CI w ±0,10) przeszła na main37, ale **nie potwierdziła się w czułości** (0 z 4 warstw). Nie jest to ani bezwarunkowe „tak samo”, ani dowód różnicy. AUROC F8 na 31 zadaniach wynosi 1,000 w obu językach na L10–L20.

## 5. Bootstrap

Zamrożony `pl_pilot_lib.analyse`: próbkowanie po całych zadaniach ze zwracaniem, `default_rng(0)`, 1000 powtórzeń losowanych raz, te same indeksy dla EN, PL i wszystkich warunków, różnica AUROC_PL − AUROC_EN w każdym powtórzeniu, percentyle 2,5/97,5 (interpolacja liniowa, bez korekty obciążenia), `v7` stały (bez reestymacji w powtórzeniach). To metoda zamrożona przed pomiarem. Nie sprawdziłem linia po linii zgodności z `bootstrap_geometry.py` z eksperymentu angielskiego.

## 6. Diagnostyki długości

- Pooled Spearman ρ (3 warunki) EN/PL: L10 0,561/0,566; L19 0,530/0,575; L20 0,539/0,604; L30 0,509/0,546; CI wszystkich bez zera. **Flaga D11 podniesiona** w obu językach na wszystkich warstwach (diagnostyczna, bez automatycznej zmiany werdyktu).
- ρ_PL − ρ_EN (sparowany bootstrap): L10 +0,005 [−0,106; +0,102]; L19 +0,045 [−0,027; +0,121]; L20 +0,065 [+0,002; +0,133]; L30 +0,037 [−0,034; +0,114]. Cztery warstwy bez poprawki na wielokrotność.
- Korelacja Δ długości z Δ projekcji między zadaniami (L19): only_F1 EN 0,163, PL −0,016; only_F8 EN −0,300, PL −0,098; wszystkie CI zawierają 0.
- Kryteria tekstów (z `ntok`, zgodne z manifestem): F1 +1,16 tokenu, SD 0,885 (spełnione); F8 +27,24, SD 1,532 (niespełnione).
- **Deploy-only: EKSPLORACYJNE, niezaplanowane** (nie było w planie, w addendum ani w manifeście): L19 EN 0,551, PL 0,400; ρ_PL − ρ_EN −0,151 [−0,316; −0,012]. Bez wniosków; nie mieszać z wynikiem głównym.
- **Eksploracyjnie, zmienność ziarna bootstrapu 0–19 (L19 F1, main37):** dolna granica CI poniżej −0,10 w 13 z 20 ziaren, górna poniżej 0 w 11 z 20. Formalnie obowiązuje zamrożone ziarno 0.

## 7. Aktywacje i seed

- D2 zaliczone (1−cos ≤ 0,0027 wobec progu 0,005), ale aktywacje nie są identyczne (mediana względnej różnicy L2 na prompt 1,0–2,5%). Przyczyna nie została jednoznacznie ustalona; nie przypisuję jej bf16 ani batchom, bo nie rozdzielono ich eksperymentalnie.
- Nowe ziarno dla tego samego modelu i promptów nie zmieniłoby aktywacji poza niekontrolowaną niedeterministycznością GPU; ziarno bootstrapu przesuwa tylko końce CI. Nie dodaje niezależnych zadań (37, w czułości 31), więc powtórka nie jest sposobem na zwiększenie ich liczby.

## 8. Ograniczenia

- Jeden przebieg i jedna realizacja tekstów polskich, napisana przez model, bez przeglądu natywnego; brak kontroli autora (D12).
- Zadania oceniane uczestniczyły w estymacji `v7` (dotyczy EN i PL); natywne AUROC F1 (EN 0,915, PL 0,806 na L19) są **w próbie**, nie są niezależną walidacją. Historyczne F1@L19 = 0,6072 dotyczy 48 zadań i nie jest punktem odniesienia dla wyniku PL.
- CI obejmują tylko zmienność po zadaniach; nie obejmują niepewności estymacji kierunku ani autora tekstów.
- D13: kryteria długości F8 niespełnione. Preregistracja z kryteriami niezamrożona hashem. Oś z 100 par, nie 115.
- Licencja zbiorów zachowań HarmBench niepotwierdzona; cel przebiegu prywatny, nic nie opublikowano.

## 9. Wniosek

Dane są zgodne z niewielką różnicą AUROC `v7` na F1 w kierunku PL < EN (około −0,05 na L19), której przy tej liczbie zadań nie da się ani potwierdzić, ani wykluczyć. Formalnie wynik jest nierozstrzygnięty (c) przy zastosowaniu pierwotnego warunku kontroli długości.