Emne

Modeller & værktøjsvalg

Vælg mellem ChatGPT, Claude, Gemini, Copilot, ræsonnerende modeller samt hostet eller lokal inferens.

22 historier (9 artikler · 13 videoer)

Start her

Et par gode steder at begynde, før du går på opdagelse i hele oversigten.

Flere i dette emne

12 min læsning
Artikel

Optimer inferensomkostninger: cachelagring af prompts, styring af modelvalg og kontrol af output

Byg en sporingsbaseret omkostningsmodel for inferens, optimér de største målte omkostningsposter, og dokumentér, at hver ændring bevarer opgavekvaliteten.

Avanceret
13 min læsning
Artikel

Finjustering i 2026: et LoRA- og QLoRA-eksperiment med dokumentationen i centrum

Afgør, om parametereffektiv finjustering er berettiget, styr dataene, fastlås et reproducerbart eksperiment, sammenlign resultater på et adskilt testsæt og i sikkerhedstests, og mål modeldriften før idriftsættelse.

Avanceret
6 min læsning
Artikel

Gratis eller betalt ChatGPT: Det får du faktisk med en opgradering

En sammenligning uden jargon mellem gratis ChatGPT, ChatGPT Plus og ChatGPT Pro — hvad der ændres, når du opgraderer, og hvordan du afgør, om du overhovedet har brug for det.

Ny inden for AI
10 min læsning
Artikel

Valg og prompting af ræsonnerende modeller

Indstillinger for ræsonnement ændrer kvalitet, svartid, pris og undertiden promptadfærd. En praktisk vejledning i at vælge dem ud fra evaluering frem for tommelfingerregler.

Let øvet
12 min læsning
Artikel

Vælg mellem prompting, RAG og finjustering (og hvornår de skal kombineres)

Prompting, RAG og finjustering er de tre store greb til at tilpasse LLM'er til dit problem. De passer hver især til nogle problemer og ikke til andre. Her er en ramme for valget, de realistiske omkostninger og de produktionsmønstre, hvor kombinationen virker bedst.

Avanceret
11 min læsning
Artikel

Selvhostet eller administreret inferens: en efterprøvbar nulpunktsmodel

Hvornår slår selvhosting API-kald? Beregningerne, de praktiske driftsforhold og de mønstre, der adskiller teams, der bør selvhoste, fra dem, der bør fortsætte med at betale for administreret inferens.

Avanceret
19 minutter
Video

Er det slutningen på RAG? Anthropics NYE prompt-caching

Prompt Engineering. Gennemgår Anthropics promptcaching op mod Geminis context caching med konkrete latenstid- og omkostningsreduktioner pr. use case (long-document chat, few-shot, multi-turn). Nedbrydningen af cache-write-tillæg kontra cache-read-rabat er præcis det, artiklen antager, når den taler om, hvornår caching betaler sig.

Avanceret
56 minutter
Video

Build Hour: prompt-caching

OpenAI. OpenAIs egen Build Hour om promptcaching — 1024-token-tærsklen, kravet om prefix-stabilitet, stejle audio-caching-rabatter for realtime (tjek den aktuelle prisside for den præcise sats), time-to-first-token-effekter ved lange inputs. Nyttig, når du dimensionerer engineering-indsatsen for faktisk at ramme cachen pålideligt på dine produktionsprompts.

Avanceret
157 minutter
Video

Fine-tuning af LLM-modeller – kursus i generativ AI

freeCodeCamp.org. Det lange kursus går fra teori til kode og dækker kvantisering, LoRA, QLoRA og PEFT med Llama 2 og Gemma. Det viser et konkret hardwaremiljø og konkrete VRAM-budgetter, som gør artiklens diskussion af eksperimenter uden en klynge mere håndgribelig. Resultaterne gælder det viste miljø og er ikke et generelt løfte om, hvad almindelig udviklerhardware kan klare.

Avanceret
59 minutter
Video

Udvikling af en LLM: opbygning, træning og finjustering

Sebastian Raschka. Sebastian Raschka gennemgår finjusteringens placering i den bredere proces for træning af LLM'er, herunder instruktionsfinjustering, klassifikationsfinjustering, parametereffektive metoder og de afvejninger, artiklen beskriver før en eventuel anbefaling af LoRA. Videoen er nyttig som fagligt overblik, når et team skal vurdere, om finjustering overhovedet er det rigtige næste skridt.

Avanceret
15 minutter
Video

Er ChatGPT Plus pengene værd? Min opdaterede anmeldelse for 2025

Ryan Doser. Ryan gennemgår alle funktioner, der reelt er låst bag abonnementet til $20 — brugsgrænser, avanceret stemmetilstand, grænser for billeder og Sora, tilpassede GPT'er samt niveauet med ræsonnerende modeller — og sammenligner dem med aktuelle gratis alternativer som Claude, Gemini og Perplexity. Antallet af visninger er i den lave ende, fordi emnet er smalt, men dette er den klareste aktuelle sammenligning side om side, som ikke ender i hype. Derfor valgte vi den frem for de mere højtråbende videoer om, at "Plus ændrede mit liv".

Ny inden for AI
19 minutter
Video

Alle AI-modeller forklaret

Tina Huang. En overskuelig gennemgang af det aktuelle modellandskab opdelt i flagskibsmodeller, letvægtsmodeller, mellemklassen og specialiserede modeller med konkrete eksempler på, hvad hvert niveau egner sig til. Videoen dækker den del af artiklen, der handler om at kende mulighederne før routing, og Huang beskriver afvejningen mellem omkostning og kapacitet uden at gøre benchmarkresultater til hele beslutningsgrundlaget.

Let øvet
9 minutter
Video

RouteLLM opnår 90% GPT-4o-kvalitet OG 80% BILLIGERE

Matthew Berman. Videoen gennemgår LMSYS' RouteLLM-artikel og kode. En lille klassifikator placeres foran et par af stærke og svage modeller og vælger, hvilken model der skal kaldes. I den viste evaluering nås omtrent 95% af den stærke models kvalitet til en brøkdel af omkostningen. Visningstallet ligger under den sædvanlige grænse på 100k, men videoen viser konkret modelrouting frem for blot at sammenligne modeller og passer derfor direkte til artiklens afvejning mellem kvalitet og omkostninger.

Let øvet
9 minutter
Video

RAG vs. fine-tuning

IBM Technology. Strammere fokus på de to teknikker, teams oftest forveksler. Går dybere ind i datafreshness, kildeattribution og inference-time-hastighedsargumentet for finjustering. Værd at se, hvis du specifikt forsøger at argumentere imod et unødvendigt fine-tune-projekt.

Avanceret
13 minutter
Video

RAG vs Fine-Tuning vs Prompt Engineering: Optimering af AI-modeller

IBM Technology. En klar whiteboard-gennemgang af alle tre teknikker med deres respektive omkostninger — retrieval-latenstid, træningscompute og catastrophic forgetting, grænserne for prompt-only-løsninger — og de kombinationer, der faktisk giver mening i produktion. Det afsluttende eksempel på et juridisk AI-system, der bruger alle tre, er næsten præcis artiklens "hvornår skal de kombineres"-argument.

Avanceret
131 minutter
Video

Sådan bruger jeg LLM'er

Andrej Karpathy. Brug eksemplerne på modeller og abonnementer som baggrund for artiklens kontrollerede sammenligning. Test egnede kandidater på din egen opgave; produktnavne og abonnementer er eksempler fra deres tid.

Begynder
17 minutter
Video

Den nye, klogeste AI: Claude 3 – testet mod Gemini 1.5 + GPT-4

AI Explained. Ældre end artiklen (marts 2024), men metoden er det nyttige: én omhyggelig anmelder kører de samme svære opgaver — OCR, theory of mind, instruktionsfølgning, matematik — gennem tre frontier-modeller side om side og viser præcis, hvor hver af dem knækker. Modelnavnene er forældede; rammen for at sammenligne modeller er det ikke.

Begynder
32 minutter
Video

Hurtig LLM-inferens med vLLM og PagedAttention

Anyscale. Videoen forklarer et eksempel med 60–80% spild af GPU-hukommelse, PagedAttention og batching. Den giver baggrund for omkostningsmodellen ved ens kvalitet; mål kapacitet og udnyttelse for din egen belastning.

Avanceret
19 minutter
Video

Alle AI-modeller forklaret

Tina Huang. Det 19 minutter lange overblik over modelfamilier giver baggrund for sammenligningen på en kontrollerbar opgave. Tjek det valgte værktøjs aktuelle modelmuligheder; artiklen kræver ikke, at du holder dig til ét produkt i en måned.

Ny inden for AI