Modellen
Den statistiska motorn som tar emot input och producerar output. Modellens kapacitet, modalitet, kontextgräns och licens är grundegenskaper — men säger inte hur en färdig tjänst fungerar.
AI-modeller
En modell är inte ett färdigt arbetsflöde och en topplacering är inte ett köpbeslut. Jämför modellfamiljer efter den uppgift som ska lösas, hela systemets kvalitet och de driftkrav som gäller i produktion.
Metodguide uppdaterad 16 juli 2026
703
registrerade modeller
120
modellfamiljer
85
leverantörer
5
modalitetshubbar
Grundbegrepp
Modell, produkt och agent är tre olika lager
Modellnamnet beskriver bara en del av användarupplevelsen. Sökning, systeminstruktioner, minne, verktyg, säkerhetsregler och återförsök kan förändra resultatet mer än en mindre skillnad mellan två modellversioner. Jämför därför både motorn och systemet runt den.
Produkten
Gränssnittet runt modellen: systeminstruktioner, minne, sökning, filer, säkerhetsfilter, integrationer och prisplan. Två produkter kan använda samma modell men ge mycket olika resultat.
Agenten
Ett kontrollflöde som låter en modell välja verktyg, läsa tillstånd, utföra steg och försöka igen. Agentens kvalitet beror på hela systemet, inte bara på modellnamnet.
Input och output
Börja med rätt modalitet
Välj först vilken information modellen måste förstå och vilken typ av resultat den ska skapa. En textmodell med bildinput är inte automatiskt en bildgenerator, och en produkt kan lägga till mediefunktioner som inte tillhör grundmodellen.
Textmodeller
Språkmodeller för analys, skrivande, sökning och strukturerade svar
Bildmodeller
Modeller som förstår, skapar eller redigerar visuellt material
Videomodeller
Videomodeller för generering, redigering och multimodala flöden
Ljudmodeller
Taligenkänning, talsyntes, musik och realtidskonversation
Kodmodeller
Kodmodeller för repositoryarbete, tester, granskning och agenter
Valmetod
Jämför modeller i åtta dimensioner
Börja inte med frågan vilken modell som är bäst. Börja med vilken kombination av kvalitet, kontroll, hastighet och kostnad som krävs för en avgränsad uppgift.
Uppgiftskvalitet
Mät den faktiska leveransen: korrekt klassificering, godkänd kod, användbar analys eller slutförd process. Ett generellt benchmarkresultat är bara indirekt evidens.
Input och output
Kontrollera vilka format modellen verkligen tar emot och producerar: text, bild, PDF, ljud, video, JSON eller kod. Multimodal input betyder inte automatiskt multimodal output.
Verktyg och struktur
För produktionsflöden är function calling, strukturerade outputs, sökning, kodkörning och filhantering ofta viktigare än små skillnader i en leaderboard.
Kontext och retrieval
Ett stort kontextfönster anger maximal kapacitet, inte garanterad återkallning. Testa dokumentplacering, källval, behörigheter och om retrieval ger bättre precision än att skicka allt.
Latens och kapacitet
Mät tid till första token, total svarstid, samtidighet, rate limits och felåterhämtning. En långsam toppmodell kan ge sämre arbetsflöde än en snabbare modell med tydliga eskaleringsregler.
Kostnad per godkänt resultat
Räkna input, output, resonemangsbudget, verktyg, omkörningar och mänsklig granskning. Pris per miljon tokens är inte samma sak som kostnad per slutförd uppgift.
Data och styrning
Bedöm datalagring, träningsanvändning, region, åtkomstkontroll, loggar, leverantörsberoende och krav på lokal drift. Risknivån avgör hur mycket kontroll som behövs.
Livscykel
Skilj stabila versioner från preview och alias. Lås snapshots där reproducerbarhet krävs, följ utfasningsdatum och kör regressions-evals före varje modellbyte.
Licens och kontroll
Proprietär, open weights och open source betyder olika saker
Modellens tillgänglighet avgör vad du kan granska, modifiera och drifta själv. Undvik etiketten open source om endast vikterna är publicerade; kontrollera även licens, kod, data-information och kommersiella begränsningar.
Proprietär API-modell
Leverantören driver modellen
Du får åtkomst genom en tjänst men normalt inte modellvikterna. Fördelen är hanterad infrastruktur; nackdelen är beroende av leverantörens villkor, priser, regioner och versionspolicy.
Öppna vikter
Vikterna kan laddas ned
Öppna vikter kan ge lokal drift och större kontroll, men licensen kan begränsa användning och träningsdata eller träningskod kan saknas. Läs alltid den exakta modelllicensen.
Open Source AI
Mer än tillgängliga vikter
OSI:s definition kräver frihet att använda, studera, modifiera och dela samt tillräcklig data-information, kod och parametrar. Etiketten bör inte användas som synonym till open weights.
Lång kontext
Kontextfönster är kapacitet — inte minne eller garanterad förståelse
Kontextfönstret anger hur mycket input och tidigare output som ryms i en körning. Det säger inte att modellen hittar varje detalj lika säkert, att informationen är aktuell eller att samma innehåll finns kvar mellan sessioner.
För stora dokumentmängder bör du jämföra hel kontext med retrieval: välj relevanta källor, bevara behörigheter, logga vilka dokument som användes och kontrollera svar mot originalet. Ett större fönster kan minska behovet av chunkning men ersätter inte informationsarkitektur.
Testa fakta i början, mitten och slutet av dokumentet, motsägande källor, svenska tabeller och frågor som kräver flera dokument. Forskningen Lost in the Middle visar varför maximal tokenlängd inte bör tolkas som jämn användning av all information.
Evidenskedja
Gå från benchmark till övervakad produktion
Offentliga benchmarkar hjälper dig sålla modellkandidater. Det slutliga beslutet bör komma från en versionslåst eval på dina uppgifter och en kontrollerad övergång i produktion.
- 1
Formulera beslutet
Skriv vad modellen ska göra, vilken data den får, vilka fel som är allvarliga och vad ett godkänt resultat innebär.
- 2
Bygg representativa testfall
Använd riktiga språk, dokumentlängder, verktyg, kantfall och risknivåer. Separera utvecklingsfall från ett skyddat testset.
- 3
Lås körvillkoren
Spara modellversion, systemprompt, temperatur, resonemangsbudget, verktyg, retrievalinställningar och graderingsregler.
- 4
Mät hela systemet
Följ kvalitet, latens, kostnad, antal steg, feltyper, mänsklig korrigering och om uppgiften faktiskt slutfördes.
- 5
Kör shadow mode
Låt den nya modellen arbeta parallellt utan att styra produktionen. Jämför utfall på samma inkommande uppgifter innan trafik flyttas.
- 6
Behåll regressionstesten
Kör om samma eval när modell, prompt, verktyg, data eller säkerhetsregler ändras. Modellval är en livscykel, inte ett engångstest.
Systemdesign
En modell behöver inte lösa allt
En robust arkitektur kan använda en snabb modell som standard, eskalera svåra fall och reservera den dyraste nivån för uppgifter där den ger mätbart bättre slutresultat. Routingreglerna ska vara testbara, loggade och ha fallback vid timeout eller rate limits.
Snabb nivå
Klassificering, extraktion, enkel transformation och andra välavgränsade steg med hög volym.
Balanserad nivå
Normal analys, kodändringar, dokumentarbete och flerstegsuppgifter där kvalitet och kostnad måste vägas samman.
Djup nivå
Svåra eller riskfyllda fall, långvariga agentuppgifter och beslut där extra beräkning eller mänsklig kontroll är motiverad.
Mät routingens precision: hur ofta ett enkelt fall eskaleras i onödan, hur ofta ett svårt fall stannar på en svag nivå och vad hela kedjan kostar per godkänd uppgift. För kontrollflöden med verktyg, läs vidare om AI-agenter och AI-automation.
Nästa steg
Följ rätt evidens för beslutet
Internt länkar vi från modellhubben efter användarens avsikt: utvärdering, agentdesign, automation eller forskning. Det ger en tydligare väg än en blandad lista med relaterat innehåll.
Välja generell modell
Börja med egna svenska arbetsuppgifter och jämför minst kvalitet, latens, kostnad, verktygsstöd och stabil versionsåtkomst.
Bygg en evalkedjaBygga AI-agent
Utvärdera modellens verktygsval tillsammans med kontrollflöde, behörigheter, återförsök, stoppvillkor och mänskliga godkännanden.
Läs agentguidenAutomatisera ett arbetsflöde
Placera deterministisk logik utanför modellen och använd AI där tolkning behövs. Mät idempotens, återhämtning och kostnad per slutförd process.
Planera automationslagrenGranska ett modellpåstående
Följ modellkort, originalpaper, evalprotokoll, versionsdatum och oberoende reproduktion. Marknadsföringsnamnet är inte tillräcklig proveniens.
Granska forskningsunderlagetEntitetsvägar
Börja i en modellfamilj, jämför sedan versionerna
Familjesidor samlar versioner under samma utvecklare och gör det lättare att skilja nivåer, snapshots och modaliteter. Kontrollera alltid verifieringsdatum och gå vidare till verktyg, agenter, företag och publikationer genom modellens relationer.
OpenAI
GPT-5.6
Modellfamilj för professionell analys, kod och verktygsbaserade arbetsflöden. Jämför familjens nivåer mot faktisk uppgiftsrisk och kostnadsbudget.
Anthropic
Claude Fable
Claude-familj inriktad på längre uppgifter och agentarbete. Kontrollera aktuell tillgänglighet, modellnivå och integrationsyta på familjesidan.
Google DeepMind
Gemini 3.x
Multimodal familj för text, kod och Google-anslutna flöden. Skilj stabila modeller från preview och verifiera vilka verktyg varje variant stöder.
Meta
Llama
Open-weight-ekosystem med många distributionsalternativ. Kontrollera licens, kvantisering, hårdvarukrav och vem som tillhandahåller den faktiska endpointen.
Mistral AI
Mistral
Europeiskt modellekosystem med både API- och open-weight-spår. Välj efter språk, driftkrav, licens och verifierad uppgiftskvalitet.
Katalogdata
Alla registrerade modellfamiljer
Katalogen grupperar lagrade modellposter efter leverantör. Den är en navigations- och faktayta, inte en universell kvalitetsranking. Enskilda specifikationer kan skilja mellan API, region, preview, snapshot och tredjepartsleverantör.
Aion Labs
1 modellfamilj
Amazon
1 modellfamilj
Anthracite Org
1 modellfamilj
Arcee Ai
1 modellfamilj
Assemblyai
1 modellfamilj
Baai
1 modellfamilj
Baidu
2 modellfamiljer
Bytedance
1 modellfamilj
Bytedance Seed
1 modellfamilj
Canopylabs
1 modellfamilj
OpenAI
6 modellfamiljer
Anthropic
5 modellfamiljer
Mistral AI
5 modellfamiljer
Cognitivecomputations
1 modellfamilj
Cohere
3 modellfamiljer
Deepgram
1 modellfamilj
DeepSeek
4 modellfamiljer
Dots Studio
1 modellfamilj
Fireworks
1 modellfamilj
Fish Audio
1 modellfamilj
Black Forest Labs
1 modellfamilj
Google DeepMind
3 modellfamiljer
4 modellfamiljer
Z Ai
1 modellfamilj
Z.ai
1 modellfamilj
xAI
2 modellfamiljer
Gryphe
1 modellfamilj
Hexgrad
1 modellfamilj
Heygen
1 modellfamilj
Huawei
1 modellfamilj
Tencent
2 modellfamiljer
Ibm Granite
1 modellfamilj
Inception
2 modellfamiljer
Inclusionai
1 modellfamilj
Inference Net
1 modellfamilj
Intfloat
1 modellfamilj
Jaredpalmer
1 modellfamilj
KwaiPilot
1 modellfamilj
MoonshotAI
1 modellfamilj
Krea
1 modellfamilj
Kwaipilot
1 modellfamilj
Kwaivgi
1 modellfamilj
Liquid
1 modellfamilj
Meta
2 modellfamiljer
Mancer
1 modellfamilj
Meituan
1 modellfamilj
Microsoft
1 modellfamilj
Midjourney
1 modellfamilj
Xiaomi
2 modellfamiljer
Minimax
1 modellfamilj
MiniMax
1 modellfamilj
Morph
1 modellfamilj
NVIDIA
1 modellfamilj
Nousresearch
1 modellfamilj
Nvidia
1 modellfamilj
Openrouter
1 modellfamilj
Perceptron
1 modellfamilj
Perplexity
3 modellfamiljer
Poolside
1 modellfamilj
Prism Ml
1 modellfamilj
Alibaba
2 modellfamiljer
Qwen
3 modellfamiljer
Recraft
1 modellfamilj
Rekaai
1 modellfamilj
Relace
1 modellfamilj
Respan
1 modellfamilj
Runway
1 modellfamilj
Sakana
1 modellfamilj
ByteDance
2 modellfamiljer
Sentence Transformers
1 modellfamilj
Sesame
1 modellfamilj
Sourceful
1 modellfamilj
Stability AI
1 modellfamilj
Stealth
1 modellfamilj
Stepfun
1 modellfamilj
Thedrummer
1 modellfamilj
Thenlper
1 modellfamilj
Thinkingmachines
1 modellfamilj
Arcee AI
1 modellfamilj
Typesafe
1 modellfamilj
Unbiased
1 modellfamilj
Undi95
1 modellfamilj
Upstage
1 modellfamilj
Voyageai
1 modellfamilj
Writer
1 modellfamilj
Källor
Läs dokumentation, definitioner och evalmetod
Modelljämförelser blir mer tillförlitliga när versionsdata, avsedd användning, begränsningar, licens och evalprotokoll kan följas till primärkällan.
NIST AI Risk Management Framework
Ramverk för att integrera tillförlitlighet och riskhantering i design, användning och utvärdering av AI-system.
Open Source AI Definition 1.0
OSI:s definition av friheterna och komponenterna som krävs för att kalla ett AI-system open source.
Hugging Face Model Cards
Dokumentationsstruktur för avsedd användning, begränsningar, träningsdata, parametrar och evalresultat.
OpenAI: Working with evals
Praktiskt flöde för att beskriva en uppgift, köra testdata, analysera resultat och iterera på ett modellsystem.
Lost in the Middle
Forskningspaper om hur språkmodellers användning av information kan variera beroende på var den placeras i lång kontext.
Vanliga frågor
Frågor om AI-modeller
Vad är skillnaden mellan en AI-modell och en chatbot?
AI-modellen är motorn som genererar output. Chatboten är en produkt som lägger till gränssnitt, systeminstruktioner, minne, sökning, filer, verktyg och säkerhetsregler. Samma modell kan därför bete sig olika i olika produkter.
Är den största eller dyraste modellen alltid bäst?
Nej. En större modell kan vara bättre på svåra uppgifter men långsammare och dyrare. För klassificering, extraktion och hög volym kan en mindre modell ge lägre kostnad per godkänt resultat. Testa flera nivåer på samma evalset.
Hur viktig är modellens kontextlängd?
Kontextlängden sätter ett maximalt utrymme, men garanterar inte att all information används korrekt. Testa placering, retrieval, källhänvisningar och prestanda på den dokumentlängd som faktiskt ska hanteras.
Är open weights samma sak som open source?
Nej. Open weights betyder att modellparametrarna kan vara tillgängliga, men licens, träningskod och information om träningsdata kan fortfarande vara begränsade. OSI:s Open Source AI Definition ställer bredare krav.
Hur väljer man en AI-modell för svenska?
Bygg svenska testfall med rätt terminologi, tonalitet, dokumenttyper och faktakrav. Engelska benchmarkar kan vara en första signal men ersätter inte språk- och domänspecifik utvärdering.
När bör man använda flera modeller?
Använd routing när enkla uppgifter kan hanteras av en snabb modell och svåra eller riskfyllda fall behöver en starkare modell eller mänsklig granskning. Lägg in fallback, budgettak och gemensamma regressionstester.
Navigera vidare