Models & Tool Choice
Choose between ChatGPT, Claude, Gemini, Copilot, reasoning models, and hosted or local inference.
27 historier (12 artikler · 15 videoer)
Start her
Et par gode steder at begynde, før du går på opdagelse i hele oversigten.
6 min læsningChatGPT, Claude, Gemini eller Copilot — hvilken skal en begynder vælge?
Fire udbredte AI-assistenter forklaret i et letforståeligt sprog. En ikke-teknisk guide til at vælge din første AI ud fra de værktøjer, du allerede bruger, og det, du faktisk ønsker af den.
Ny inden for AI
7 min læsningVælg den rette model til opgaven: en beslutningsguide til 2026
Hvilken model du bør vælge til forskellige opgavetyper. GPT, Claude, Gemini, ræsonneringsvarianter og modeller med åbne vægte med beslutningsregler og eksempler fra midten af 2026, ikke en tidløs rangliste.
Begynder
10 min læsningOrkestrering af flere modeller: routing efter omkostninger, latenstid og kvalitet
Routing af forskellige opgaver til forskellige modeller kan reducere omkostninger eller latenstid, men kun evaluering af den konkrete arbejdsbelastning kan vise, om den ekstra kompleksitet betaler sig. Her er mønstrene, målingerne og fejltilstandene.
Let øvetFlere i dette emne
13 min læsningLLM-stacken i 2026: modeller, inferens, værktøjer og afvejninger
En praktiserende arkitekts blik på LLM-stacken i 2026 — modelniveauer, inferensudbydere, orkestreringslag, evalueringsværktøjer og de afvejninger, der faktisk betyder noget, når AI sættes i produktion.
Avanceret
10 min læsningChain-of-thought, self-critique og tree-of-thoughts — hvornår du skal bruge hvad
Tre ræsonnementsteknikker, der kan forbedre AI-resultater på vanskelige problemer, og afvejningen mellem omkostninger og udbytte ved at bruge dem. Med konkrete prompts, direkte sammenligninger og de faldgruber, som moderne ræsonnerende modeller medfører.
Let øvet
12 min læsningOptimer 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 læsningFinjustering 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 læsningGratis 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 læsningLokal AI på din Mac: Ollama, LM Studio, og hvad 7B-modeller reelt kan
Lokal AI er blevet moden. Med Ollama eller LM Studio og en moderne Mac kan du køre kompetente modeller offline, gratis og privat. Her er, hvad der virker, hvad der ikke gør, og hvilke anvendelser der reelt har gavn af det.
Let øvet
10 min læsningValg 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 læsningVælg 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 læsningSelvhostet 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
211 minutterDybdegående gennemgang af LLM'er som ChatGPT
Andrej Karpathy. Dette er den klareste end-to-end-forklaring på YouTube af, hvad en LLM faktisk er — pretraining, tokenization, SFT, RLHF, reasoning RL, tool use, hallucinationer — på det detaljeniveau, en ingeniør behøver for at ræsonnere om model-trade-offs. Se den én gang, og beslutningerne "GPT-class vs. open-weights vs. reasoning model" i artiklen holder op med at føles som brandvalg og begynder at føles som valg af træningsopskrift.
Avanceret
40 minutterAndrej Karpathy: Software ændrer sig (igen)
Y Combinator. Karpathys AI Startup School-keynote rammesætter LLM'er som en ny slags computer — utility, fab og OS rullet sammen — og argumenterer for "partial autonomy"-produkter med et menneske-kontrolleret leash. Det er den klareste artikulation af den stack-niveau mentale model, artiklen antager: at du vælger inferensvendors og tooling til et programmerbart substrate, ikke en chatbot.
Avanceret
19 minutterEr 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 minutterBuild 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 minutterFine-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 minutterUdvikling 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 minutterEr 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 minutterAlle 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 minutterRouteLLM 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 minutterRAG 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 minutterRAG 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 minutterSådan bruger jeg LLM'er
Andrej Karpathy. Karpathy bruger eksplicitte kapitler på "Be aware of the model you're using, pricing tiers" og "Thinking models and when to use them" og bliver ved med at skifte mellem ChatGPT, Claude, Gemini, Grok og Perplexity resten af gennemgangen. Det er det nærmeste, du kommer, til at se artiklens cheat sheet anvendt live af nogen med stærke holdninger til, hvornår hvert niveau gør sig fortjent.
Begynder
17 minutterDen 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 minutterHurtig LLM-inferens med vLLM og PagedAttention
Anyscale. Præsentationen rapporterer, at en enkel LLM-server i det viste miljø spilder 60–80 % af GPU-hukommelsen, forklarer hvordan PagedAttention bruger en sideinddeling inspireret af operativsystemer, og viser de 24×-tal for gennemløb, som artiklen omtaler. Tallene stammer fra den beskrevne opsætning og udgør ikke et generelt sammenligningsgrundlag. De giver kontekst til artiklens forsigtige antagelse om 50 % udnyttelse.
Avanceret19 minutterAlle AI-modeller forklaret
Tina Huang. Et roligt kort på 19 minutter over de vigtigste modelfamilier — OpenAI's GPT-serie, Anthropic's Claude, Google's Gemini og aktørerne inden for open source — samt hvilket niveau i hver familie der er værd at bruge tid på. Når artiklen har sagt "vælg én, og hold dig til den i en måned", forklarer videoen, hvad rullemenuen inde i det valgte produkt faktisk tilbyder. Den er oprigtigt holdningspræget uden at være en provokerende hurtig konklusion.
Ny inden for AI