42:I[185,["/_next/static/chunks/3xnt26d00_zk-.js","/_next/static/chunks/2aeejfufo02km.js","/_next/static/chunks/42spz6paskvb6.js","/_next/static/chunks/06x30xgfe6iur.js","/_next/static/chunks/2qm8z4gyuajgj.js","/_next/static/chunks/3jnlvw-emqotx.js"],"SendEmailButton"] 44:I[63625,["/_next/static/chunks/3xnt26d00_zk-.js","/_next/static/chunks/2aeejfufo02km.js","/_next/static/chunks/42spz6paskvb6.js","/_next/static/chunks/06x30xgfe6iur.js","/_next/static/chunks/2qm8z4gyuajgj.js","/_next/static/chunks/3jnlvw-emqotx.js"],"AddToLibraryButton"] 45:I[29721,["/_next/static/chunks/3xnt26d00_zk-.js","/_next/static/chunks/2aeejfufo02km.js","/_next/static/chunks/42spz6paskvb6.js","/_next/static/chunks/06x30xgfe6iur.js","/_next/static/chunks/2qm8z4gyuajgj.js","/_next/static/chunks/3jnlvw-emqotx.js"],"ShareButton"] 46:I[58016,["/_next/static/chunks/3xnt26d00_zk-.js","/_next/static/chunks/2aeejfufo02km.js","/_next/static/chunks/42spz6paskvb6.js","/_next/static/chunks/06x30xgfe6iur.js","/_next/static/chunks/2qm8z4gyuajgj.js","/_next/static/chunks/3jnlvw-emqotx.js"],"ProcessEpisodeButton"] 47:I[45269,["/_next/static/chunks/3xnt26d00_zk-.js","/_next/static/chunks/2aeejfufo02km.js","/_next/static/chunks/42spz6paskvb6.js","/_next/static/chunks/06x30xgfe6iur.js","/_next/static/chunks/2qm8z4gyuajgj.js","/_next/static/chunks/3jnlvw-emqotx.js"],"SignupCTA"] 3a:["$","time",null,{"dateTime":"2026-07-22T07:13:37.000Z","children":"July 22, 2026"}] 3b:["$","span",null,{"aria-hidden":true,"children":"·"}] 3c:["$","span",null,{"children":"00:54:10"}] 43:T579,

Folytatjuk a múlt héten megkezdett mélyfúrást a nyelvmodellek készítésében, ebben kalauzaink Gyöngyössy Natabara⁠ és ⁠Nemeskey Dávid⁠, a Racka⁠ nyelvmodell fejlesztői. Az adásból kiderül, milyen fázisai és kihívásai vannak a kis nyelvre fejlesztett LLM feltanításának. A nulláról indított tanítás helyett a Qwen 4B modell folytatólagos előtanítását választották, mivel nem állt rendelkezésre elegendő, jó minőségű magyar szövegadat. A tokenizálót ötletesen szabták át a magyar nyelvre, ez 50–60 százalékkal gyorsította a generálást, a Komondor szuperszámítógépen, LoRA-eljárással végzett tanítás pedig összesen 2,1 GPU-évet igényelt. Szó esett még a digitális szuverenitásról, a hazai kutatás finanszírozási kihívásairól, valamint a következő lépésekről is: nagyobb, 30 milliárd paraméteres modellekről és magyar preferenciaadatokra épülő RLHF-fejlesztésről.