Peira πεῖρα

πεῖρα · experience gained by trying · skúsenosť získaná skúšaním

Small models that learn your environment by working in it. Malé modely, ktoré sa učia vaše prostredie tým, že v ňom pracujú.

Peira adapts an open language model to an unfamiliar environment — your tools, your formats, your rules — from its own verified experience. Every update is checked against the previous model before it is used. Peira prispôsobí otvorený jazykový model neznámemu prostrediu — vašim nástrojom, formátom a pravidlám — z jeho vlastnej overenej skúsenosti. Každá aktualizácia sa pred použitím porovná s predchádzajúcim modelom.

See what is measuredČo je zmerané Get in touchOzvite sa

The delta: the mean of many trials, one change of the weights. It is kept only if it passes the check. Delta: priemer mnohých pokusov, jedna zmena váh. Zostane, len ak prejde kontrolou.

Models stop learning when they ship Modely sa prestanú učiť, keď ich nasadíte

A language model is trained once and then frozen. In your environment it keeps making the same mistakes: wrong formats, actions your tools refuse, steps that lead nowhere. Jazykový model sa natrénuje raz a potom je zmrazený. Vo vašom prostredí opakuje tie isté chyby: nesprávne formáty, akcie, ktoré vaše nástroje odmietnu, kroky, ktoré nikam nevedú.

Large hosted models cannot learn your environment, and often your data may not leave your servers at all. Veľké modely v cloude sa vaše prostredie nenaučia a vaše dáta často vôbec nesmú opustiť vaše servery.

Small open models run on your own hardware — but out of the box they do not know your world. Malé otvorené modely bežia na vašom vlastnom hardvéri — no samy od seba váš svet nepoznajú.

Learning by trying, with a check before every update Učenie skúšaním, s kontrolou pred každou aktualizáciou

  1. WorkPracuje

    The model works on real tasks in your environment. The environment itself says what succeeded and what it refused.Model rieši skutočné úlohy vo vašom prostredí. Prostredie samo povie, čo sa podarilo a čo odmietlo.

  2. Learn from what workedUčí sa z toho, čo fungovalo

    Verified successes become lessons.Overené úspechy sa stávajú lekciami.

  3. Learn from what was refusedUčí sa z toho, čo bolo odmietnuté

    Refused and failed actions become negative experience: what not to do here.Odmietnuté a neúspešné akcie sa stávajú negatívnou skúsenosťou: čo tu nerobiť.

  4. Check before useKontrola pred použitím

    Each update is compared with the current model on fresh tasks. An update that makes anything measurably worse is not used.Každá aktualizácia sa porovná s aktuálnym modelom na nových úlohách. Aktualizácia, ktorá čokoľvek merateľne zhorší, sa nepoužije.

Runs on your hardware. Training settings are measured on the machine, not guessed — with pichak, our open-source tool. Beží na vašom hardvéri. Nastavenia tréningu sa merajú na danom stroji, nie odhadujú — nástrojom pichak, ktorý sme zverejnili ako open source.

What we have measured Čo sme zmerali

Small models, early experiments. Every comparison is paired: the same tasks, the same random seeds, before and after. Malé modely, skoré experimenty. Každé porovnanie je párové: tie isté úlohy, tie isté náhodné semienka, pred a po.

Refused actions per episode Odmietnuté akcie na epizódu
base model základný model 58.9 58,9 + experience + skúsenosť 8.3 8,3 − what failed − čo zlyhalo 0.5 0,5

58.958,9 → 0.50,5

refused actions per episode in 7 ARC-AGI-3 games the model never learned from. Subtracting negative experience added valid moves (13 : 2 paired episodes, p = 0.007). odmietnutých akcií na epizódu v 7 hrách ARC-AGI-3, z ktorých sa model nikdy neučil. Odčítanie negatívnej skúsenosti pridalo platné ťahy (13 : 2 párových epizód, p = 0,007).

The model learned to act in games it had never seen. Winning them is the next milestone. Model sa naučil konať v hrách, ktoré nikdy nevidel. Vyhrávať ich je ďalší míľnik.

Qwen3-1.7B · 56 episodes / variantepizód / variant

15 → 27 / 100

fresh tasks after one training round: a new task family learned (0 → 13 of 25) while the old one was kept (14 → 13). nových úloh po jednom tréningovom kole: naučená nová rodina úloh (0 → 13 z 25), pričom stará zostala (14 → 13).

Qwen3-0.6B · one runjeden beh

No measurable forgettingBez merateľného zabúdania

General maths (GSM8K, 200 problems) before and after learning: 171–178 solved against 176, no significant change (p ≥ 0.33). Všeobecná matematika (GSM8K, 200 úloh) pred učením a po ňom: 171 – 178 vyriešených oproti 176, bez významnej zmeny (p ≥ 0,33).

Qwen3-1.7B · 5 variants of experiencevariantov skúsenosti

Harmful update stoppedŠkodlivá aktualizácia zastavená

An update that raised the loss on general text by 2.8 nats was rejected by the check; the previous model stayed in use. Aktualizáciu, ktorá zvýšila stratu na všeobecnom texte o 2,8 natu, kontrola odmietla; zostal predchádzajúci model.

Qwen3-0.6B · method comparisonporovnanie metód

Not shown yet — our next milestones Zatiaľ neukázané — naše ďalšie míľniky

  • nextďalej Winning in unseen environments. In ARC-AGI-3 no level is completed yet, and exploration is still below random play. Výhry v neznámych prostrediach. V ARC-AGI-3 zatiaľ nie je prejdená ani jedna úroveň a skúmanie je stále pod úrovňou náhodnej hry.
  • nextďalej Transfer between environments with different interfaces. Prenos medzi prostrediami s rôznym rozhraním.
  • nextďalej Outperforming a large general model inside a customer's own environment, at a fraction of the cost. Prekonať veľký všeobecný model vo vlastnom prostredí zákazníka za zlomok ceny.

We publish these as milestones, not as claims. Zverejňujeme ich ako míľniky, nie ako tvrdenia.

Open research Otvorený výskum

The scientific questions behind Peira — adaptation during inference, reuse of past experience, forgetting, and transfer between domains — are studied openly in a master's thesis at the Technical University of Košice. Results, method descriptions and evaluation data will be published. Vedecké otázky, na ktorých Peira stojí — adaptácia počas inferencie, využitie predošlej skúsenosti, zabúdanie a prenos medzi doménami — skúmame otvorene v diplomovej práci na Technickej univerzite v Košiciach. Výsledky, opis metódy a hodnotiace dáta zverejníme.

pichak — measuring training settings instead of guessing them — is open source (MIT) on PyPI. pichak — meranie nastavení tréningu namiesto hádania — je open source (MIT) na PyPI.

Talk to us Ozvite sa

We are looking for first partners with a well-defined environment — internal tools, structured data, code — where a small model should learn to act correctly. And for a co-founder. Hľadáme prvých partnerov s jasne vymedzeným prostredím — interné nástroje, štruktúrované dáta, kód —, v ktorom sa má malý model naučiť konať správne. A spoluzakladateľa.

Oleksandr Pichak

Founder · Košice, SlovakiaZakladateľ · Košice, Slovensko

[email protected]