# Bielik 3.1 w agentach UiPath - pomiar na 60 mailach i test zgodności AI Trust Layer

> Bielik 11B v3.1 lokalnie: 90% trafności kategorii, 60/60 wywołań narzędzia, test probe UiPath AI Trust Layer i agent w Agent Builderze. Wyniki i wnioski.

- Source: https://snok.ai/pl/aktualnosci/blog/bielik-3-1-agenci-uipath-lokalnie/
- Author: Jacek Bugajski
- Published: 2026-11-12

---
## W skrócie

- Bielik 11B v3.1 łączy się z agentami UiPath przez konektor „OpenAI V1 Compliant LLM”, ale test probe AI Trust Layer przeszedł dopiero z regułą w bramce, a agent w Agent Builderze zakończył się błędem.
- W pomiarze na 60 mailach Bielik 11B v3.1 trafił w kategorię 45 razy na 50, a priorytet ustawił poprawnie 37 razy na 50, wyraźnie słabiej niż Claude Sonnet 4.5.
- Oba błędy mają wspólne źródło: serwer mlx_lm.server na komputerze Mac nie egzekwuje parametrów tool_choice i parallel_tool_calls, których wymaga UiPath.
- Komputer Mac z MLX służy do pomiaru jakości, a kandydatem na produkcję jest serwer z kartami GPU i vLLM albo SGLang, którego test probe jeszcze nie został wykonany.
- Decyzje z zamkniętej listy trafiają do modelu decyzyjnego basal, a polska odpowiedź i wywołanie narzędzia w jednym kroku do Bielika 3.1.

Bielik 11B v3.1, uruchomiony na MacBooku Pro z układem M4 Max, sklasyfikował 45 z 50 maili helpdesku i w pomiarze klasyfikacji w 60 przypadkach na 60 zwrócił poprawne wywołanie narzędzia. Na tym samym zestawie i z tym samym promptem Claude Sonnet 4.5, wywoływany przez UiPath LLM Gateway, miał we wrześniu 45 i 46 trafień. Priorytet zgłoszenia Bielik ustawił dobrze w 37 przypadkach na 50, wyraźnie słabiej niż Claude.

Ten sam model podłączyliśmy do UiPath Automation Cloud jako własny model w AI Trust Layer. Test zgodności (probe) przeszedł dopiero wtedy, gdy bramka przed modelem wymusiła pojedyncze wywołanie narzędzia, a agent zbudowany w Agent Builderze sklasyfikował zgłoszenie poprawnie, ale zakończył się błędem. Oba problemy mają wspólne źródło: serwer na komputerze Mac nie egzekwuje parametrów wywołania narzędzi, których wymaga UiPath.

## Bielik 11B v3.1 - co zapowiedział SpeakLeash

SpeakLeash ogłosił 10 listopada 2026 roku nową rodzinę modeli Bielik. Według twórców Bielik v3.1 obsługuje 56 języków, w tym wszystkie języki urzędowe Unii Europejskiej, i łączy wywoływanie funkcji, ustrukturyzowane wyjście oraz rozumowanie. W teście τ²-bench, który sprawdza pracę agentową w realistycznych scenariuszach, wersja 3.1 ma według SpeakLeash wynik od 16 do 45 punktów procentowych wyższy niż wersja 3.0. Tę liczbę podaje producent, pomiaru nie powtarzaliśmy.

W tej samej zapowiedzi SpeakLeash opisał Bielik-One, czyli cztery modele decyzyjne do klasyfikacji zgłoszeń, moderacji treści, wstępnej weryfikacji dokumentów i kontroli zgodności z procedurami, oraz wariant DFlash, który przyspiesza generowanie dzięki dekodowaniu spekulatywnemu. Wagi Bielika 11B v3.1 Instruct są na Hugging Face na licencji Apache 2.0, w wersjach do pobrania na komputery Mac (MLX), pod llama.cpp (GGUF) i na karty graficzne NVIDIA (AWQ, FP8, NVFP4). Modeli Bielik-One 12 listopada rano w repozytorium SpeakLeash nie znaleźliśmy, więc w tym wpisie ich nie oceniamy. Kolejne premiery twórcy zapowiedzieli na Bielik Summit 26 listopada.

## Pomiar: 60 maili z naszego PoC agenta UiPath

Bielika sprawdziliśmy na zestawie, który ma już dwa punkty odniesienia. To 60 syntetycznych maili z proof of concept klasyfikatora zgłoszeń w UiPath: 50 zwykłych zgłoszeń z czterech kategorii (awaria, wsparcie, zapytanie, spam), w tym 34 po polsku i 16 po angielsku, oraz 10 maili z atakiem prompt injection. Prompt systemowy i zasady normalizacji wyniku przenieśliśmy jeden do jednego z agenta PoC. Zmieniliśmy jedno: Bielik oddaje klasyfikację przez wywołanie narzędzia, bo w ten sposób agenci UiPath rozmawiają z modelem.

Model działał lokalnie na MacBooku Pro z M4 Max i 128 GB pamięci, w wersji MLX 8-bit, przez serwer `mlx_lm.server`, bez połączenia z siecią.

| Miara | Bielik 11B v3.1 | Claude Sonnet 4.5 |
|---|---|---|
| Kategoria | 45/50 (90%) | 45-46/50 |
| Priorytet | 37/50 (74%) | 44-45/50 |
| Injection: kategoria zgodna z etykietą | 6/10 | 6/10 |
| Wywołania narzędzia | 60/60 poprawnych | wynik w JSON |

Liczby dla modelu Claude Sonnet 4.5 pochodzą z dwóch przebiegów z 28 września 2026 roku. Mediana czasu wywołania wyniosła 3,18 s dla Bielika i 3,05-3,10 s dla Claude, ale to dwie różne drogi: lokalna inferencja na laptopie i przejście przez bramkę UiPath w chmurze z Warszawy. Te liczby pokazują rząd wielkości i nie rozstrzygają, który model jest szybszy. Ten sam zestaw dał wcześniej 96% trafności kategorii w modelu decyzyjnym Jev, w innym trybie (API decyzyjne), o czym pisaliśmy przy [teście Jeva w UiPath Maestro](https://snok.ai/pl/aktualnosci/blog/jev-w-uipath-maestro-delegate/).

Maile po angielsku Bielik sklasyfikował bezbłędnie (16 z 16), po polsku trafił w 29 przypadkach na 34. Dwie z pięciu pomyłek w kategorii to awarie sprzętu dotykające jednej osoby (drukarka, mikrofon), uznane przez model za prośbę o wsparcie. Dwie kolejne to zaproszenie na konferencję i newsletter partnera: zestaw zalicza je do zapytań, a model do spamu.

## Gdzie Bielik odstaje: kalibracja priorytetu

Prawie cała różnica w priorytecie wynika z jednego wzorca. Dziesięć próśb o wsparcie (reset hasła, dostęp do folderu, konfiguracja MFA) Bielik oznaczył jako P2 zamiast P3. Uzasadnienia są przy tym trafne, więc model rozumie zgłoszenie, a myli się w skali. Taki błąd poprawiamy przykładami w prompcie albo regułą po stronie kodu. To ta sama zasada, którą stosujemy przy modelach decyzyjnych: reguły i rachunki liczy kod, a model decyduje na gotowych faktach.

W atakach prompt injection Bielik przypisał każdemu z 10 maili tę samą kategorię co Claude Sonnet 4.5 w obu wrześniowych przebiegach. Żadnej wstrzykniętej instrukcji nie wykonał. Cztery maile z atakiem oznaczył jako spam, bo tak każe reguła bezpieczeństwa w prompcie, a zestaw oczekiwał dla nich kategorii „zapytanie”. Jeden z sześciu zgodnych wyników (próba wyciągnięcia promptu) dała reguła awaryjna w kodzie, która przy niskiej pewności modelu ustawia kategorię „zapytanie”.

## Test zgodności AI Trust Layer: model zdał z pomocą bramki

UiPath pozwala podłączyć do AI Trust Layer własny model przez konektor „OpenAI V1 Compliant LLM”. Bielika wystawiliśmy z MacBooka przez Tailscale Funnel pod adresem HTTPS, za bramką, która wymaga klucza i przepuszcza tylko dwa rodzaje zapytań. Dane były wyłącznie syntetyczne, a publiczny adres wyłączyliśmy zaraz po teście. W AI Trust Layer konfiguracja dotyczy produktu Agents i funkcji „Design, Evaluate & Deploy”, z typem API „OpenAI Chat Completions”. Lista identyfikatorów modelu wczytała się z naszego serwera, co potwierdziło połączenie.

![Konfiguracja Bielika 11B v3.1 w UiPath AI Trust Layer: produkt Agents, konektor OpenAI V1 Compliant LLM, identyfikator modelu wczytany z serwera](https://snok.ai/images/blog/uipath-ai-trust-layer-konfiguracja-bielik.webp)

Przed zapisem AI Trust Layer uruchamia test probe. Pierwsze zapytanie jest zwykłą prośbą o odpowiedź. Drugie zawiera jedno narzędzie i dwa wymagania: model musi je wywołać (`tool_choice: required`) i może zrobić to tylko raz (`parallel_tool_calls: false`). Bielik zwrócił dwa wywołania naraz, a w drugim podał liczbę 42 tam, gdzie schemat wymaga tekstu. Test zakończył się komunikatem o niepoprawnym wywołaniu narzędzia.

![Test probe UiPath AI Trust Layer zakończony komunikatem o niepoprawnym wywołaniu narzędzia przez Bielika 11B v3.1](https://snok.ai/images/blog/uipath-ai-trust-layer-probe-blad.webp)

Serwer `mlx_lm.server` przyjmuje parametr `parallel_tool_calls`, ale go nie egzekwuje. Dopisaliśmy w bramce regułę: jeśli zapytanie zabrania wywołań równoległych, odpowiedź zachowuje tylko pierwsze wywołanie. Po tej zmianie test przeszedł, a Bielik pojawił się w Agent Builderze na liście modeli obok modeli Anthropic, OpenAI i Google. Zaznaczamy to wprost: pozytywny wynik zawdzięczamy regule w bramce, a nie samemu modelowi.

![Test probe UiPath AI Trust Layer zaliczony po dodaniu reguły w bramce: All models passed validation](https://snok.ai/images/blog/uipath-ai-trust-layer-probe-zaliczony.webp)

## Agent w Agent Builderze: dobra odpowiedź w złej formie

Na koniec zbudowaliśmy agenta autonomicznego z Bielikiem jako modelem i daliśmy mu syntetyczne zgłoszenie „PILNE - serwer SAP produkcja padł”. Bielik odpowiedział trafnie: awaria, priorytet P1, uzasadnienie o zatrzymanym fakturowaniu. Odpowiedział jednak zwykłym tekstem, a agent UiPath kończy pracę wyłącznie wywołaniem narzędzia (`end_execution` albo `raise_error`) i dlatego wysyła do modelu `tool_choice: required`. Serwer na MacBooku tego wymagania nie egzekwuje, więc po dwóch odpowiedziach tekstowych UiPath przerwał zadanie z błędem `AGENT_RUNTIME.THINKING_LIMIT_EXCEEDED`.

![Przebieg agenta UiPath z Bielikiem 11B v3.1: model odpowiadał tekstem zamiast wywołać narzędzie, zadanie zakończone statusem Faulted](https://snok.ai/images/blog/uipath-agent-builder-przebieg-bielik.webp)

W zapisie z bramki widać jeszcze jedną rzecz. Zanim prompt agenta dotarł do Bielika, AI Trust Layer zastąpił datę i nazwę agenta w prompcie systemowym znacznikami `[DateTime-1]` i `[Person-1]`. Maskowanie danych działa więc także dla modelu podłączonego przez konektor. Ta sama obserwacja pokazuje, że w Automation Cloud prompt przechodzi przez chmurę UiPath, zanim trafi do modelu.

## Komputer Mac do laboratorium, vLLM do produkcji

Oba błędy mają wspólne źródło. Model potrafi wywołać narzędzie, ale nie zawsze robi to dokładnie tak, jak wymaga zapytanie: zwrócił dwa wywołania zamiast jednego i liczbę zamiast tekstu. Wymuszenie formatu to zadanie warstwy serwującej, a serwer MLX na komputerze Mac go nie wykonuje. UiPath wymienia jako wspierane silniki vLLM i SGLang. vLLM obsługuje wymuszone wywołanie narzędzia od wersji 0.8.3, o czym pisaliśmy przy [architekturze UiPath on-premise z lokalnym modelem](https://snok.ai/pl/aktualnosci/blog/uipath-on-premise-lokalne-llm-sizing-sprzetu/).

![Architektura: agent UiPath, AI Trust Layer, konektor OpenAI V1, bramka wymuszająca parametry, Bielik na komputerze Mac w labie i na GPU w produkcji](https://snok.ai/images/blog/bielik-uipath-architektura-pl.webp)

Z tego wynika podział ról. Komputer Mac z MLX służy do pomiaru jakości: czy model rozumie polskie zgłoszenia klienta, gdzie myli się w skali, ile kosztuje przebieg. Kandydatem na produkcję jest serwer z kartami GPU i vLLM albo SGLang, pod warunkiem że przejdzie test probe bez obejść. Tego testu jeszcze nie wykonaliśmy, a to, czy vLLM egzekwuje także `parallel_tool_calls`, sprawdzimy właśnie w nim. Jak dobrać do tego sprzęt, opisaliśmy w [przewodniku po lokalnych modelach na komputerach Mac i Lenovo PGX](https://snok.ai/pl/aktualnosci/blog/lokalne-modele-mac-i-pgx/).

## Kiedy Bielik, a kiedy model decyzyjny basal

Klasyfikacja maila Bielikiem trwała w naszym pomiarze około 3 sekund. Model decyzyjny basal-1.0 w wersji 1.5B podejmował decyzję na komputerze Mac w około 0,11 sekundy, choć na innym, mniejszym zestawie, więc trafności obu modeli nie porównujemy. Model basal nie pisze tekstu. Wybiera odpowiedź z zamkniętej listy i zwraca skalibrowane prawdopodobieństwo, które mówi, kiedy oddać sprawę człowiekowi. W pomiarze zewnętrznym opublikowanym w repozytorium system-1-ai, na 402 polskich decyzjach z października, wersja basal-omni-max osiągnęła 96% trafności. To cudzy pomiar, którego sami nie powtórzyliśmy.

Z tego wynika prosty podział pracy w agencie:

- Decyzja z listy (kategoria, priorytet, przepuść albo eskaluj) trafia do modelu decyzyjnego, takiego jak basal: ułamek sekundy na decyzję i próg pewności, poniżej którego zgłoszenie trafia do człowieka.
- Tekst i działanie po polsku (odpowiedź do zgłaszającego, ekstrakcja danych do schematu, plan kroków, wywołanie narzędzi) trafiają do Bielika 3.1, lokalnie, gdy dane nie mogą opuścić firmy.
- Rozumowanie wieloetapowe na dużym kontekście trafia do modelu w chmurze przez UiPath LLM Gateway, jeśli dane mogą wyjść poza firmę.

W naszym pomiarze Bielik wykonał pracę klasyfikatora poprawnie, ale wolniej niż model decyzyjny i ze słabszą kalibracją priorytetu niż Claude Sonnet 4.5. Jego mocną stroną jest to, czego model decyzyjny nie zrobi: polska odpowiedź i wywołanie narzędzia w jednym kroku.

## Jak zaczynamy taki projekt

Projekt z lokalnym modelem w agentach UiPath prowadzimy w czterech krokach. Pierwszy wygląda tak jak w tym wpisie: pomiar jakości na zanonimizowanej próbce zgłoszeń klienta, na komputerze Mac albo na Lenovo ThinkStation PGX, z raportem trafności w podziale na język i kategorię. Potem test probe AI Trust Layer na docelowym silniku, z listą parametrów, które bramka musi egzekwować. Trzeci krok to podział pracy między model decyzyjny a generatywny i progi przekazania człowiekowi. Na końcu przegląd [bezpieczeństwa AI](https://snok.ai/pl/oferta/automatyzacja-ai/ai-security/) z testami prompt injection na danych klienta. Zarząd dostaje z tego tabelę wyników i rekomendację silnika oraz sprzętu, a całość prowadzimy w ramach usługi [LLM on-premise](https://snok.ai/pl/oferta/automatyzacja-ai/llm-on-premise/) jako [partner UiPath](https://snok.ai/pl/uipath-snok/).

## Najczęstsze pytania

**Czy Bielik działa z agentami UiPath?** Model łączy się przez konektor „OpenAI V1 Compliant LLM”, a w pomiarze klasyfikacji poprawnie wywoływał narzędzie. Test probe AI Trust Layer i agent autonomiczny wymagają jednak silnika, który egzekwuje `tool_choice` i `parallel_tool_calls`. Na serwerze MLX na komputerze Mac test przeszedł dopiero z regułą w bramce, a agent zakończył się błędem.

**Czy do testu Bielika z UiPath potrzebna jest instalacja on-premise?** Nie. W Automation Cloud wystarczy, że model jest osiągalny pod adresem HTTPS z kluczem. Do produkcji z danymi, które nie mogą opuścić firmy, potrzebny jest Automation Suite we własnej serwerowni, bo w Automation Cloud prompt przechodzi przez AI Trust Layer w chmurze UiPath, co widać w naszym teście po maskowaniu danych.

**Czy Bielik klasyfikuje polskie zgłoszenia lepiej niż Claude?** Na naszym zestawie kategorię oba modele ustawiły z podobną trafnością, a priorytet lepiej ustawiał Claude Sonnet 4.5. Bielik ma tę przewagę, że może działać we własnej infrastrukturze. Z Automation Suite w serwerowni dane nie trafiają wtedy do dostawcy modelu.

## Źródła

- [SpeakLeash - premiera modeli Bielik v3.1, Bielik-One i DFlash, wpis na LinkedIn, 10.11.2026](https://pl.linkedin.com/posts/bielikllm_premiera-nowych-modeli-bielika-dzi%C5%9B-activity-7525901791297761280-5Fxp)
- [Bielik 11B v3.1 Instruct na Hugging Face (odczyt 11.11.2026)](https://huggingface.co/speakleash/Bielik-11B-v3.1-Instruct)
- [UiPath - Connecting OSS models to AI Trust Layer, Automation Suite 2.2510 (odczyt 14.10.2026)](https://docs.uipath.com/automation-suite/automation-suite/2.2510/admin-guide/connecting-oss-models-aitl)
- Pomiar własny SNOK: MacBook Pro M4 Max 128 GB, `mlx_lm.server` 0.32, Bielik 11B v3.1 Instruct MLX 8-bit, 60 maili z Email Classifier PoC, 11.11.2026; test UiPath Automation Cloud (AI Trust Layer, Agent Builder), 12.11.2026
- Punkt odniesienia: Claude Sonnet 4.5 przez UiPath LLM Gateway, ten sam zestaw, dwa przebiegi 28.09.2026; basal-1.0 1.5B, pomiar własny 30.09.2026
- [Pomiar zewnętrzny modeli decyzyjnych (praktyk spoza SNOK) na 402 polskich decyzjach, repozytorium system-1-ai, eksperyment 07 (16.10.2026)](https://github.com/agentGreg/system-1-ai)