Tilhørende videoer

LLM-stacken i 2026: modeller, inferens, værktøjer og afvejninger — ledsagende videoer

Artiklen gennemgår det landskab, en ingeniør faktisk skal vælge fra i 2026 — frontier-API'er, open-weights-modeller, inferensservere, gateways, eval- og observerbarhedsværktøjer — og de trade-offs, der afgør, hvilke stykker du kan bytte, og hvilke du ikke kan. Disse to talks er den bedste face-to-face-kontekst for den valgflade: den ene er en langsom, teknisk gennemgang af, hvordan de modeller, du vælger imellem, faktisk bygges, den anden er et skarpere blik på, hvordan de modeller omformer resten af den stack, du sætter omkring dem.

Primært valg

3:31:24

Dybdegående 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.

Hvad du bør få ud af dette: Forstå den moderne LLM-stack godt nok til at ræsonnere om tokens, træning, værktøjer og fejl.

Forudsætninger: Engineering-baggrund hjælper; ingen ML-forudsætninger, men budgetér til runtime på tre en halv time.

Bemærkning fra AI Expert: Modelnavne, priser og kapaciteter ændrer sig hurtigt. Brug den til beslutningsmønsteret, og verificér derefter aktuel modeladfærd, før du adopterer det.

Åbn videoside

Også værd at se

39:32

Andrej 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.

Hvad du bør få ud af dette: Evaluér produktidéer med partial autonomy, hvor mennesker beholder kontrollen over high-risk-beslutninger.

Forudsætninger: Ingen — den kan ses uden forberedelse; den parres godt efter den dybdegående gennemgangs træningsopskrift-forankring.

Bemærkning fra AI Expert: Modelnavne, priser og kapaciteter ændrer sig hurtigt. Brug den til beslutningsmønsteret, og verificér derefter aktuel modeladfærd, før du adopterer det.

Åbn videoside