# UiPath on-premise z lokalnym modelem LLM - architektura, sizing GPU i dobór modelu

> UiPath Automation Suite z lokalnym LLM: OpenShift, vLLM, rachunek pamięci GPU, dobór modelu i serwerów. Sprawdźcie, ile kart potrzebuje Wasz proces.

- Source: https://snok.ai/pl/aktualnosci/blog/uipath-on-premise-lokalne-llm-sizing-sprzetu/
- Author: Jacek Bugajski
- Published: 2026-10-15

---
UiPath on-premise może korzystać z lokalnego modelu LLM uruchomionego na kartach GPU w Waszej serwerowni. Agenci są dostępni w UiPath Automation Suite od wersji 2.2510.2 z 15 kwietnia 2026 roku, a jednym z modeli, które UiPath rekomenduje dla nich w instalacji własnej, jest gpt-oss-120b - model OpenAI na licencji Apache 2.0, który nie wysyła żadnych zapytań do OpenAI. Modele spoza tej listy także można podłączyć: przez ten sam konektor działają Qwen, Mistral, Bielik czy PLLuM, jeśli przejdą test zgodności.

Firmy, które nie przekazują danych do zamkniętych modeli dostawców z USA, takich jak OpenAI, Anthropic czy Google, do niedawna mogły uruchomić agentów UiPath tylko z modelem w chmurze albo wcale. Wzorcowe środowisko on-premise ma pięć warstw, a liczbę kart GPU wyznacza rachunek pamięci dla wybranego modelu.

## Dlaczego model językowy trafia do własnej serwerowni

**Dostęp do danych przez prawo USA.** CLOUD Act (18 U.S.C. § 2713) zobowiązuje amerykańskiego dostawcę do zachowania lub ujawnienia danych na żądanie władz USA niezależnie od tego, czy dane leżą w USA, czy poza nimi. Region europejski w umowie z dostawcą tego nie zmienia.

**Niepewna podstawa transferu.** Decyzja Komisji Europejskiej o EU-US Data Privacy Framework obowiązuje, ale odwołanie od wyroku, który ją utrzymał, czeka na rozstrzygnięcie przed Trybunałem Sprawiedliwości UE (sprawa C-703/25 P).

**Sieć odseparowana.** Sektor publiczny, obronność i część infrastruktury krytycznej pracują w środowiskach bez połączenia z internetem. Model w chmurze jest tam wykluczony.

**Koszt przy dużym wolumenie.** Zakupiony sprzęt można wykorzystywać przy rosnącym wolumenie zapytań aż do granicy jego pojemności, bez opłaty za każdy token. Czy to się opłaca, rozstrzyga osobny rachunek dla konkretnego procesu.

Opisujemy ryzyka; ocenę prawną konkretnego przetwarzania przeprowadza prawnik. Lokalny model oznacza, że prompty i odpowiedzi nie trafiają do zewnętrznego dostawcy LLM. Pełną lokalność środowiska, w tym przepływy licencyjne samej platformy UiPath, sprawdzamy w konfiguracji każdego komponentu.

## Warunek platformowy: agenci UiPath z lokalnym LLM wymagają OpenShift

Automation Suite wdraża się w trzech wariantach: Automation Suite on Linux (instalator UiPath na Red Hat Enterprise Linux), na zarządzanym Kubernetesie w chmurze (EKS, AKS) albo na OpenShift. Dokumentacja wersji 2.2510 mówi wprost, że integracja z modelami LLM jest wspierana na AKS, EKS i OpenShift. W wariancie Automation Suite on Linux nie ma Agent Buildera, agentów, LLM Gateway, Context Grounding, GenAI Activities, Healing Agenta ani UiPath Maestro.

**Agenci z lokalnym modelem we własnym centrum danych wymagają więc Automation Suite na OpenShift**, bo EKS i AKS to chmura publiczna. Wariant on Linux wystarcza do klasycznej automatyzacji, Document Understanding, AI Center i Action Center. Tę decyzję podejmujemy przed zamówieniem sprzętu, bo OpenShift ma własne wymagania licencyjne i własny model utrzymania.

Obsługę własnego modelu włącza parametr `enableByoAiGateway` w pliku `input.json`, który ustawiamy już w projekcie instalacji. Przed instalacją czytamy też informacje o wydaniach: w wersji 2.2510.3 UiPath opisuje otwarty błąd autoryzacji przy otwieraniu agentów i 17 września 2026 roku sprostował, że poprawki nie ma także w 2.2510.4. Wersję do instalacji wybieramy po lekturze znanych problemów.

## Architektura UiPath on-premise z lokalnym LLM

![Architektura UiPath Automation Suite z lokalnym modelem LLM w serwerowni klienta](https://snok.ai/images/blog/uipath-on-premise-llm-architektura-pl.webp)

**Platforma UiPath.** Automation Suite w trybie wysokiej dostępności to co najmniej trzy maszyny. Wymagania minimalne pakietu Complete w wariancie on Linux (wersja 2.2510) to łącznie 96 vCPU i 192 GB RAM, a na węzeł serwerowy dysk klastra 256 GB (SSD, minimum 1100 IOPS), dysk danych 512 GB i dysk etcd 16 GB. Dla OpenShift liczby wyznaczamy w kalkulatorze Automation Suite Install Sizing Calculator i w planowaniu pojemności dla Waszego wolumenu - UiPath zastrzega, że wartości minimalne nie gwarantują działania produkcyjnego.

**Usługi towarzyszące.** SQL Server 2019 lub nowszy (Insights wymaga wersji 2019 albo 2022), zewnętrzny magazyn obiektów, który UiPath zaleca zamiast magazynu w klastrze (jedną z opcji jest magazyn zgodny z S3), oraz load balancer warstwy L4 bez terminacji TLS.

**Warstwa inferencji.** Osobne serwery GPU z silnikiem, który wystawia API zgodne z OpenAI V1. UiPath wymienia jako wspierane vLLM i SGLang. Ollama i LM Studio dobrze sprawdzają się w labie, ale Ollama nie obsługuje parametru `tool_choice`, a Batch Transform w Context Grounding wymaga od modelu wymuszonego wywołania narzędzia. vLLM obsługuje je od wersji 0.8.3.

**AI Trust Layer i LLM Gateway.** Każde wywołanie modelu przechodzi przez warstwę nadzoru UiPath i trafia do dziennika audytu. Własny model podłączamy konektorem „OpenAI V1 Compliant LLM” w Integration Service, a przed zapisem konfiguracji musi on przejść test walidacyjny (probe). Polityka Automation Ops, która wyłącza model UiPath, nie obejmuje automatycznie własnego modelu tego samego typu, więc reguły dla niego konfigurujemy osobno i sprawdzamy w audycie [AI Security](https://snok.ai/pl/oferta/automatyzacja-ai/ai-security/).

**Węzły dla dokumentów.** Document Understanding korzysta z własnego węzła GPU: 8 vCPU z AVX2, 52 GB RAM i karta z co najmniej 11 GB pamięci. Projekty DU w trybie modern mają osobne minimum: co najmniej 18 vCPU i pięć kart GPU (albo dwie przy inferencji częściowo na CPU), z NVIDIA T4 jako minimalną rekomendowaną kartą. Tych kart nie współdzielimy z modelem językowym; producent tego nie wymaga, to nasza decyzja projektowa.

## Co działa z lokalnym modelem, a co tylko w chmurze

![Funkcje UiPath dostępne z lokalnym modelem i funkcje wymagające chmury](https://snok.ai/images/blog/uipath-on-premise-llm-lokalnie-chmura-pl.webp)

Według matrycy UiPath dla modeli self-hosted lokalny model obsługuje wykonanie i ewaluację agentów, GenAI Activities, Healing Agenta oraz osadzenia (embeddings) i Batch Transform w Context Grounding. Bez dostawcy chmurowego nie zadziałają: DeepRAG i Advanced Extraction, Autopilot, symulacje agentów, Coded Agents wywołujące model, ScreenPlay i selektory semantyczne. IXP do dokumentów nieustrukturyzowanych jest dostępny wyłącznie w Automation Cloud.

Agent z narzędziami, który czyta dokumenty, sprawdza dane w SAP i przygotowuje decyzję dla człowieka, działa w całości na lokalnym modelu. Funkcje z drugiej grupy zastępujemy własnymi komponentami albo z nich rezygnujemy w środowisku odseparowanym.

## Jakie modele działają z UiPath on-premise

UiPath rozróżnia modele rekomendowane, których zgodność przetestował, od pozostałych modeli z API zgodnym z OpenAI V1, które podłączycie tym samym konektorem.

**Modele rekomendowane przez UiPath (2.2510).** Dla agentów i GenAI Activities: GLM 4.5, GLM 4.6, GLM 4.6 V i gpt-oss-120b. Dla Healing Agenta: GLM 4.5, GLM 4.6 i Qwen3 235B.

**Pozostałe modele otwarte.** Instrukcja podłączania modeli open source w AI Trust Layer stwierdza, że działa dowolna bramka zgodna z OpenAI, i nie zawiera listy dopuszczonych modeli. Warunki są dwa: model musi przejść test probe, a do konkretnej funkcji musi spełnić jej wymagania - na przykład wymuszone wywołanie narzędzia dla Batch Transform albo niezawodne wywoływanie funkcji dla agenta. Zgodność modelu spoza listy potwierdza testem zespół wdrożeniowy.

**Qwen.** Qwen3 235B jest na liście UiPath dla Healing Agenta. Nowsze Qwen3.5 (od 27 mld parametrów) są na licencji Apache 2.0 i według karty obsługują ponad 200 języków i dialektów, więc nadają się do testu w roli silnika agenta.

**Mistral.** Mistral Small 4 jest na licencji Apache 2.0 i według karty obsługuje natywne wywoływanie funkcji, ale lista języków w karcie nie wymienia polskiego. Mistral Medium 3.5 ma zmodyfikowaną licencję MIT z wyjątkami dla firm o dużych przychodach.

**Bielik.** Bielik 11B v3.0 od SpeakLeash jest optymalizowany pod polski i udostępniony na licencji Apache 2.0. Karta modelu nie deklaruje natywnego wywoływania funkcji, ale w naszym teście Bielik generował poprawne wywołania narzędzi przez Chat Completions. Repozytorium `bielik-tools` dostarcza parser wywołań dla vLLM.

**PLLuM.** Rodzina PLLuM w wersji 2512 obejmuje modele 4B i 12B na licencji Apache 2.0 (PLLuM-12B powstał na bazie Mistral Nemo) oraz Llama-PLLuM 8B i 70B na licencji Llama 3.1. Według twórców PLLuM sprawdza się szczególnie w tekstach administracji publicznej i prawnych. Karta nie wspomina o wywoływaniu funkcji, więc zgodność z agentami UiPath trzeba sprawdzić testem. PLLuM weryfikowaliśmy w jednym z projektów sektora publicznego na etapie proof of concept.

Polskim organizacjom proponujemy model z listy UiPath jako silnik agenta oraz Bielika albo PLLuM jako model zadaniowy dla tekstów po polsku, wywoływany z GenAI Activities lub przez API. Licencję każdego modelu czyta prawnik, zanim model trafi na produkcję. Polityka użytkowania Llama 4 na przykład nie udziela praw do multimodalnych modeli tej rodziny osobom i firmom z siedzibą w UE, choć zastrzeżenie nie dotyczy użytkowników końcowych gotowego produktu.

## Sizing GPU: wagi, KV cache i liczba równoległych sesji

Pamięć karty rozchodzi się na trzy pozycje.

**Wagi modelu.** Liczba parametrów razy bajty na parametr: 2 bajty w BF16, 1 bajt w FP8, około pół bajta w kwantyzacji 4-bitowej. Llama 3.3 70B zajmuje około 141 GB w BF16, 71 GB w FP8 i 35 GB w INT4. W modelach Mixture of Experts w pamięci muszą znajdować się wagi wszystkich ekspertów: Qwen3-30B-A3B aktywuje około 3 mld parametrów na token, ale zajmuje 61 GB w BF16. Szybkość zależy od parametrów aktywnych, zajętość pamięci - od wszystkich.

**KV cache.** KV cache to pamięć kluczy i wartości mechanizmu uwagi, którą model przechowuje dla każdego tokenu w kontekście każdej sesji. Na token zajmuje `2 × warstwy × głowice KV × wymiar głowicy × bajty`. Dla Llama 3.3 70B to 320 KiB na token w BF16, czyli około 10,5 GB na jedną sesję z kontekstem 32 000 tokenów. Szesnaście takich sesji to około 167,8 GB - ponad dwa razy więcej niż wagi tego modelu w FP8. Dlatego sprzęt dobieramy do pamięci wag, długości kontekstu i liczby równoległych sesji, a przy agentach z długim kontekstem to dwa ostatnie czynniki przesądzają o konfiguracji.

**Rezerwa.** Aktywacje, grafy CUDA i fragmentacja pamięci. W rachunkach przyjmujemy 15 procent pojemności karty - to założenie robocze, które weryfikujemy pomiarem na docelowym sprzęcie.

Wynik zależy też od architektury modelu: gpt-oss-120b ma 36 warstw, ale tylko 18 z nich przechowuje pełny kontekst, a pozostałe 18 działa z oknem przesuwnym 128 tokenów. KV cache rośnie więc dwa razy wolniej, niż wynikałoby z liczby warstw: około 4,72 GB na sesję przy 128 000 tokenów w BF16. Wagi w natywnej kwantyzacji MXFP4 zajmują około 65 GB (checkpoint modelu na Hugging Face); OpenAI deklaruje, że model mieści się na jednej karcie 80 GB.

![Liczba równoległych sesji modelu gpt-oss-120b na różnych konfiguracjach GPU](https://snok.ai/images/blog/uipath-on-premise-llm-sesje-gpu-pl.webp)

Wyniki dla gpt-oss-120b przy KV cache w BF16 i rezerwie 15 procent (obliczenie SNOK, nie benchmark). Przy dwóch kartach jedna instancja modelu jest podzielona między nie (tensor parallel).

| Konfiguracja | Pamięć GPU | Sesje przy 32 tys. | 128 tys. |
|---|---|---|---|
| 1 × RTX PRO 6000 | 96 GB | 13 | 3 |
| 1 × H200 | 141 GB | 46 | 11 |
| 2 × RTX PRO 6000 | 192 GB | 82 | 20 |
| 2 × H200 | 282 GB | 147 | 36 |

KV cache w FP8 zmniejsza zużycie pamięci kontekstu o połowę, co w przybliżeniu podwaja liczbę sesji; wpływ na jakość sprawdzamy na próbce własnych zadań.

Tabela pokazuje granicę wynikającą z pamięci. Liczbę tokenów na sekundę przy danej liczbie użytkowników mierzymy benchmarkiem na docelowej konfiguracji, bo zależy od długości promptów, współdzielenia prefiksów i ustawień vLLM.

Przed zamówieniem trzeba wyjaśnić rozbieżność w dokumentacji: tabela UiPath podaje jako minimum dla modeli 120B i większych osiem kart po 80 GB, a OpenAI deklaruje, że gpt-oss-120b mieści się na jednej karcie 80 GB. Tabela UiPath nie różnicuje konfiguracji według kwantyzacji, a przyczynę rozbieżności trzeba potwierdzić u producenta. Dlatego warianty z jedną albo dwiema kartami traktujemy jako projekt, który przed zamówieniem potwierdzamy z UiPath.

## Serwery GPU do lokalnych modeli LLM - trzy poziomy

![Trzy poziomy sprzętu dla UiPath z lokalnym modelem LLM - lab, start produkcji i skala](https://snok.ai/images/blog/uipath-on-premise-llm-poziomy-sprzetu-pl.webp)

**Lab i proof of concept.** Stacja z układem NVIDIA GB10 (DGX Spark i jej odpowiedniki): 128 GB pamięci współdzielonej i zasilacz 240 W, a według NVIDIA inferencja modeli do 200 mld parametrów. Ograniczeniem jest przepustowość pamięci - 273 GB/s wobec 4,8 TB/s w H200. W naszym labie gpt-oss-120b generuje na GB10 56-60 tokenów na sekundę dla jednego użytkownika (llama.cpp). Taka maszyna służy do oceny modelu, promptów i wywołań narzędzi; jej przydatność dla wielu równoległych użytkowników trzeba zmierzyć dla wybranego modelu i obciążenia. [Stację z GB10 testowaliśmy w naszym labie](https://snok.ai/pl/aktualnosci/blog/lenovo-thinkstation-pgx-gb10-test/).

**Mac Studio.** Apple coraz wyraźniej celuje w lokalne wnioskowanie modeli. Mac Studio z układem M5 Ultra ma do 512 GB pamięci zunifikowanej o przepustowości 1,2 TB/s. Konfiguracje do 256 GB są dostępne od 22 września 2026 roku, a wersję 512 GB Apple zapowiedział na koniec października. Według Apple cztery takie komputery połączone przez Thunderbolt 5 z RDMA wnioskują do trzech razy szybciej niż jeden. W 256 GB mieszczą się wagi gpt-oss-120b (ok. 65 GB) albo Qwen3 235B w kwantyzacji 4-bitowej (ok. 118 GB), z zapasem na kontekst. Na Macu model serwujemy przez MLX albo llama.cpp z API zgodnym z OpenAI, a UiPath wymienia jako wspierane vLLM i SGLang, dlatego Mac Studio traktujemy jako lab albo środowisko dla jednego działu, zawsze po teście probe. Naszym zdaniem to pierwszy krok Apple w stronę zastosowań serwerowych AI; maszynę porównaliśmy z GB10 we wpisie [Mac Studio jako maszyna do PoC](https://snok.ai/pl/aktualnosci/blog/mac-studio-512-gb-vs-dgx-spark-maszyna-do-poc/).

**Start produkcji.** Jeden serwer z dwiema kartami: RTX PRO 6000 Blackwell (96 GB, do 600 W każda) albo H200 NVL (141 GB, do 600 W każda). Obok niego klaster Automation Suite na serwerach CPU. Według rachunku z poprzedniej sekcji ten poziom mieści gpt-oss-120b dla 82 (RTX PRO 6000) albo 147 (H200) równoległych sesji przy kontekście 32 000 tokenów.

**Skala i wysoka dostępność.** Serwery z czterema do ośmiu kart RTX PRO 6000, H200 albo B200. Na tym poziomie planujemy drugi węzeł inferencji za load balancerem, drugi model (na przykład Bielika albo PLLuM dla tekstów po polsku) i zapas na wzrost. Przy ośmiu kartach po 600-700 W zasilanie i chłodzenie uzgadniamy z działem utrzymania serwerowni przed zamówieniem.

## Mniej obciążenia GPU dzięki modelom decyzyjnym

Nie każdy krok agenta wymaga modelu, który generuje tekst. Klasyfikacja zgłoszenia, wybór ścieżki procesu i kontrola akcji agenta to decyzje z zamkniętym zbiorem odpowiedzi. Modele decyzyjne, takie jak Jev firmy TypeSafe, zwracają typowaną decyzję z kalibrowaną pewnością zamiast tekstu.

Jeva zmierzyliśmy 26 września 2026 roku na czterech zadaniach wzorowanych na projektach UiPath, na danych syntetycznych. W klasyfikacji maili osiągnął 96 procent trafności wobec 90-92 procent agenta na Claude Sonnet 4.5, przy medianie czasu 0,42 s zamiast około 5 s. Jev nie liczy: zawyżone faktury zatwierdzał, dopóki kwoty nie policzył kod. Jev działa jako zewnętrzna usługa w chmurze dostawcy, dlatego w środowisku on-premise jego rolę przejmują otwarte odpowiedniki. Polski basal-1.0, zbudowany na Bieliku v3.0 w wersjach 4,5 mld i 1,5 mld parametrów i udostępniony na licencji Apache 2.0, uruchomiliśmy lokalnie na Macu.

W architekturze on-premise model decyzyjny rzędu kilku miliardów parametrów przejmuje routing i kontrolę akcji, a duży model językowy dostaje tylko zadania wymagające generowania tekstu. Ruch do dużego modelu maleje, więc ta sama liczba kart może obsłużyć więcej procesów. Wyniki pomiaru opisaliśmy we wpisie [Jev w UiPath](https://snok.ai/pl/aktualnosci/blog/jev-w-uipath-maestro-delegate/).

## Kolejność prac

Projekt prowadzimy od zadania do sprzętu:

1. Opis procesu i wybór dwóch, trzech zadań dla agenta.
2. Test kandydatów na model w labie, na próbce prawdziwych dokumentów i z prawdziwymi narzędziami.
3. Rachunek pamięci dla zmierzonej długości kontekstu i liczby równoległych sesji.
4. Konfiguracja serwerów i potwierdzenie jej z UiPath.
5. Instalacja Automation Suite z obsługą własnego modelu, podłączenie modelu przez AI Trust Layer i polityki nadzoru.

Agentów z punktami akceptacji człowieka projektujemy w [UiPath Maestro](https://snok.ai/pl/oferta/automatyzacja-ai/uipath-maestro/), według zasad, które opisaliśmy przy [bramkach HITL w AI Trust Layer](https://snok.ai/pl/aktualnosci/blog/hitl-gate-uipath-maestro-ai-trust-layer/).

## Najczęstsze pytania

**Jakie modele wspiera UiPath on-premise?** UiPath rekomenduje dla agentów w Automation Suite 2.2510 modele GLM 4.5, GLM 4.6, GLM 4.6 V i gpt-oss-120b, a dla Healing Agenta GLM 4.5, GLM 4.6 i Qwen3 235B. Inne modele z API zgodnym z OpenAI V1 można podłączyć, jeśli przejdą test probe AI Trust Layer i spełnią wymagania danej funkcji.

**Czy UiPath działa z Bielikiem albo PLLuM?** Technicznie tak - przez konektor OpenAI V1 i silnik vLLM. Żaden z tych modeli nie jest na liście rekomendowanej przez UiPath, więc zgodność, zwłaszcza wywoływanie narzędzi, trzeba potwierdzić testem na własnych zadaniach.

**Ile GPU potrzeba dla gpt-oss-120b?** Model mieści się na jednej karcie 80 GB. Liczbę kart wyznacza liczba równoległych sesji i długość kontekstu: przy 32 000 tokenów jedna H200 mieści około 46 sesji, dwie - około 147 (obliczenie pamięci, nie benchmark). Dokumentacja UiPath podaje dla modeli 120B+ minimum osiem kart 80 GB; tę rozbieżność wyjaśniamy z producentem przed zamówieniem.

**Czy do agentów UiPath z lokalnym modelem wystarczy instalacja na Linuksie?** Nie. W wariancie Automation Suite on Linux nie ma agentów ani LLM Gateway. Integrację z modelami LLM UiPath wspiera na OpenShift oraz na EKS i AKS.

## Co mamy za sobą

W sektorze publicznym wdrożyliśmy UiPath Automation Suite on-premise w sieci odseparowanej od sieci publicznych, zintegrowaliśmy platformę z lokalnym modelem językowym i zbudowaliśmy na niej automatyzację rejestracji spraw z Document Understanding. W administracji centralnej zainstalowaliśmy i dostroiliśmy UiPath w zamkniętym środowisku on-premise. Lokalne modele mierzymy na własnym sprzęcie z układem GB10, a instalacje Automation Suite prowadzą u nas inżynierowie z certyfikatem UiPath Infrastructure Engineer. Nazw klientów nie podajemy ze względu na poufność tych projektów.

SNOK jest [partnerem UiPath Platinum](https://snok.ai/pl/uipath-snok/) i [partnerem Lenovo Platinum](https://snok.ai/pl/lenovo-snok/), więc platformę, model i serwery dobieramy w jednym projekcie. Jeżeli planujecie agentów UiPath bez przekazywania danych do zewnętrznego modelu, zacznijmy od rachunku dla Waszego procesu. Zakres usługi opisuje strona [LLM on-premise](https://snok.ai/pl/oferta/automatyzacja-ai/llm-on-premise/), a rozmowę możecie umówić przez [formularz kontaktowy](https://snok.ai/pl/kontakt/).

## Źródła

- [UiPath - About LLM integration, Automation Suite 2.2510](https://docs.uipath.com/automation-suite/automation-suite/2.2510/admin-guide/about-llm-integration) (odczyt 14.10.2026)
- [UiPath - Connecting OSS models to AI Trust Layer](https://docs.uipath.com/automation-suite/automation-suite/2.2510/admin-guide/connecting-oss-models-aitl) (odczyt 14.10.2026)
- [UiPath - Cross-deployment model feature comparison, 2.2510](https://docs.uipath.com/automation-suite/automation-suite/2.2510/installation-guide/cross-deployment-model-feature-comparison) (odczyt 14.10.2026)
- [UiPath - Hardware and software requirements, 2.2510](https://docs.uipath.com/automation-suite/automation-suite/2.2510/installation-guide/hardware-and-software-requirements) (odczyt 14.10.2026)
- [UiPath - Context Grounding LLM requirements](https://docs.uipath.com/automation-suite/automation-suite/2.2510/admin-guide/context-grounding-llm-requirements) (odczyt 14.10.2026)
- [UiPath - Kubernetes cluster and nodes, OpenShift](https://docs.uipath.com/automation-suite/automation-suite/2.2510/installation-guide-openshift/kubernetes-cluster-and-nodes) (odczyt 14.10.2026)
- [UiPath - Agents release notes 2.2510.2](https://docs.uipath.com/agents/automation-suite/2.2510/release-notes/2-2510-2) (odczyt 14.10.2026)
- [vLLM - Tool calling](https://github.com/vllm-project/vllm/blob/main/docs/features/tool_calling.md) i [Ollama - OpenAI compatibility](https://docs.ollama.com/api/openai-compatibility) (odczyt 14.10.2026)
- [NVIDIA - Mastering LLM Techniques: Inference Optimization](https://developer.nvidia.com/blog/mastering-llm-techniques-inference-optimization/) (17.11.2023)
- Karty modeli na Hugging Face: [gpt-oss-120b](https://huggingface.co/openai/gpt-oss-120b) (z [config.json](https://huggingface.co/openai/gpt-oss-120b/blob/main/config.json)), [Qwen3-30B-A3B-Instruct-2507](https://huggingface.co/Qwen/Qwen3-30B-A3B-Instruct-2507), [Qwen3.5-35B-A3B](https://huggingface.co/Qwen/Qwen3.5-35B-A3B), [Bielik 11B v3.0](https://huggingface.co/speakleash/Bielik-11B-v3.0-Instruct), [PLLuM-12B-instruct-2512](https://huggingface.co/CYFRAGOVPL/PLLuM-12B-instruct-2512) (odczyt 14.10.2026)
- [Meta - Llama 4 Acceptable Use Policy](https://dev.meta.ai/llama/llama4/use-policy/) (odczyt 14.10.2026)
- Specyfikacje NVIDIA: [H200](https://www.nvidia.com/en-us/data-center/h200/), [RTX PRO 6000 Blackwell Server Edition](https://www.nvidia.com/en-us/data-center/rtx-pro-6000-blackwell-server-edition/), [DGX Spark](https://www.nvidia.com/en-us/products/workstations/dgx-spark/) (odczyt 14.10.2026)
- [Apple Newsroom - Mac Studio z M5 Ultra](https://www.apple.com/newsroom/) (25.08.2026)
- [TypeSafe - Jev](https://typesafe.ai/) i [basal-1.0](https://github.com/rkinas/basal) (odczyt 14.10.2026)
- [CLOUD Act, 18 U.S.C. § 2713](https://www.law.cornell.edu/uscode/text/18/2713) i [odwołanie C-703/25 P, Dz.U. C/2025/6610](https://eur-lex.europa.eu/eli/C/2025/6610/oj)

Rachunki pamięci wykonaliśmy 14.10.2026 na parametrach z plików `config.json` modeli, przyjmując konteksty 32 000 i 128 000 tokenów.