_version_ 1866912723065896960
author Pęzik, Piotr
Żarnecki, Filip
Kaczyński, Konrad
Cichosz, Anna
Deckert, Zuzanna
Garnys, Monika
Grabarczyk, Izabela
Janowski, Wojciech
Karasińska, Sylwia
Kujawiak, Aleksandra
Misztela, Piotr
Szymańska, Maria
Walkusz, Karolina
Siek, Igor
Chrabąszcz, Maciej
Kołos, Anna
Karlińska, Agnieszka
Seweryn, Karolina
Krasnodębska, Aleksandra
Betscher, Paula
Cieślińska, Zofia
Kowol, Katarzyna
Wilczek, Artur
Trzciński, Maciej
Dziewulska, Katarzyna
Roszko, Roman
Bernaś, Tomasz
Vaičenonienė, Jurgita
Roszko, Danuta
Levchuk, Paweł
Kowalski, Paweł
Prawdzic-Jankowska, Irena
Kozłowski, Marek
Dadas, Sławomir
Poświata, Rafał
Wróblewska, Alina
Krasnowska-Kieraś, Katarzyna
Ogrodniczuk, Maciej
Rudolf, Michał
Rybak, Piotr
Saputa, Karolina
Wołoszyn, Joanna
Oleksy, Marcin
Koptyra, Bartłomiej
Ferdinan, Teddy
Woźniak, Stanisław
Piasecki, Maciej
Walkowiak, Paweł
Wojtasik, Konrad
Janz, Arkadiusz
Kazienko, Przemysław
Moska, Julia
Kocoń, Jan
author_facet Pęzik, Piotr
Żarnecki, Filip
Kaczyński, Konrad
Cichosz, Anna
Deckert, Zuzanna
Garnys, Monika
Grabarczyk, Izabela
Janowski, Wojciech
Karasińska, Sylwia
Kujawiak, Aleksandra
Misztela, Piotr
Szymańska, Maria
Walkusz, Karolina
Siek, Igor
Chrabąszcz, Maciej
Kołos, Anna
Karlińska, Agnieszka
Seweryn, Karolina
Krasnodębska, Aleksandra
Betscher, Paula
Cieślińska, Zofia
Kowol, Katarzyna
Wilczek, Artur
Trzciński, Maciej
Dziewulska, Katarzyna
Roszko, Roman
Bernaś, Tomasz
Vaičenonienė, Jurgita
Roszko, Danuta
Levchuk, Paweł
Kowalski, Paweł
Prawdzic-Jankowska, Irena
Kozłowski, Marek
Dadas, Sławomir
Poświata, Rafał
Wróblewska, Alina
Krasnowska-Kieraś, Katarzyna
Ogrodniczuk, Maciej
Rudolf, Michał
Rybak, Piotr
Saputa, Karolina
Wołoszyn, Joanna
Oleksy, Marcin
Koptyra, Bartłomiej
Ferdinan, Teddy
Woźniak, Stanisław
Piasecki, Maciej
Walkowiak, Paweł
Wojtasik, Konrad
Janz, Arkadiusz
Kazienko, Przemysław
Moska, Julia
Kocoń, Jan
contents This paper describes the instruction dataset used to fine-tune a set of transformer-based large language models (LLMs) developed in the PLLuM (Polish Large Language Model) project. We present a functional typology of the organic, converted, and synthetic instructions used in PLLuM and share some observations about the implications of using human-authored versus synthetic instruction datasets in the linguistic adaptation of base LLMs. Additionally, we release the first representative subset of the PLLuM instruction corpus (PLLuMIC), which we believe to be useful in guiding and planning the development of similar datasets for other LLMs.
format Preprint
id arxiv_https___arxiv_org_abs_2511_17161
institution arXiv
publishDate 2025
record_format arxiv
spellingShingle The PLLuM Instruction Corpus
Pęzik, Piotr
Żarnecki, Filip
Kaczyński, Konrad
Cichosz, Anna
Deckert, Zuzanna
Garnys, Monika
Grabarczyk, Izabela
Janowski, Wojciech
Karasińska, Sylwia
Kujawiak, Aleksandra
Misztela, Piotr
Szymańska, Maria
Walkusz, Karolina
Siek, Igor
Chrabąszcz, Maciej
Kołos, Anna
Karlińska, Agnieszka
Seweryn, Karolina
Krasnodębska, Aleksandra
Betscher, Paula
Cieślińska, Zofia
Kowol, Katarzyna
Wilczek, Artur
Trzciński, Maciej
Dziewulska, Katarzyna
Roszko, Roman
Bernaś, Tomasz
Vaičenonienė, Jurgita
Roszko, Danuta
Levchuk, Paweł
Kowalski, Paweł
Prawdzic-Jankowska, Irena
Kozłowski, Marek
Dadas, Sławomir
Poświata, Rafał
Wróblewska, Alina
Krasnowska-Kieraś, Katarzyna
Ogrodniczuk, Maciej
Rudolf, Michał
Rybak, Piotr
Saputa, Karolina
Wołoszyn, Joanna
Oleksy, Marcin
Koptyra, Bartłomiej
Ferdinan, Teddy
Woźniak, Stanisław
Piasecki, Maciej
Walkowiak, Paweł
Wojtasik, Konrad
Janz, Arkadiusz
Kazienko, Przemysław
Moska, Julia
Kocoń, Jan
Computation and Language
Artificial Intelligence
This paper describes the instruction dataset used to fine-tune a set of transformer-based large language models (LLMs) developed in the PLLuM (Polish Large Language Model) project. We present a functional typology of the organic, converted, and synthetic instructions used in PLLuM and share some observations about the implications of using human-authored versus synthetic instruction datasets in the linguistic adaptation of base LLMs. Additionally, we release the first representative subset of the PLLuM instruction corpus (PLLuMIC), which we believe to be useful in guiding and planning the development of similar datasets for other LLMs.
title The PLLuM Instruction Corpus
topic Computation and Language
Artificial Intelligence
url https://arxiv.org/abs/2511.17161