Typer af AI-modeller: et kort og en ordliste

Name: Typer af AI-modeller: et kort og en ordliste
Creator: fedi.software
License: https://creativecommons.org/licenses/by/4.0/

LLM eller VLM, open weights eller open source, base, instruct, reasoning, destilleret, MoE, GGUF og kvantisering — hvad ordene i modelnavne betyder, med levende eksempler.

	Gruppe	Hvad det betyder	Eksempler
LLMlarge language model · text model	Modeltype	A model that reads and writes text: chat, writing, code, analysis. Everything else in this glossary is a flavour or a packaging of it.	Llama 3.3 70B Instruct HF Qwen3 32B HF Mistral Small 3.2 24B HF
VLMVL · vision-language · multimodal	Modeltype	An LLM that also takes images (screenshots, photos, documents) as input. Locally it usually needs a second file — the vision projector (mmproj) — next to the GGUF weights.	Qwen3 VL 30B A3B Instruct HF Gemma 3 27B HF Qwen2.5-VL 7B Instruct
Open weightsopen model · downloadable weights	Åbenhed	The weights can be downloaded and run on your own hardware, under any licence — some (Llama, Gemma) limit commercial use or require accepting terms first. Training data and code usually stay closed.	Llama 3.3 70B Instruct HF Gemma 3 27B HF gpt-oss-120b HF
Open Source AIOSAID · OSI definition	Åbenhed	The stricter OSI definition (OSAID 1.0): weights plus the training code and enough information about the data to rebuild the model, all under open licences. Few models qualify; Apache-2.0 or MIT weights alone are open weights, not necessarily open source.	—
Proprietary (API only)closed · API model	Åbenhed	No weights at all: the model runs only on the vendor's servers through an app or a paid API. It cannot be run locally.	—
Basepretrained · -Base	Variant	The raw pretrained model: it continues text but does not follow instructions. A starting point for fine-tuning, not for chatting.	—
Instruct-it · -Chat · -Instruct	Variant	The base model tuned to follow instructions and hold a dialogue. This is the version you want for a local chat; Google marks it -it, others -Instruct or -Chat.	Gemma 3 27B HF Llama 3.1 8B Instruct HF Qwen3 30B A3B Instruct 2507 HF
ReasoningThinking · R1 · -Thinking	Variant	Trained to write out a chain of thought before the answer. Better at maths, code and logic, but spends many more tokens — and so more time — per reply.	DeepSeek R1 HF Qwen3 30B A3B Thinking 2507 HF Kimi K2 Thinking HF
Coder-Coder · code model	Variant	Further trained on source code: completion, refactoring, agentic coding in the IDE. General chat quality may be lower than the sibling instruct model.	Qwen3 Coder 30B A3B Instruct HF Qwen2.5 Coder 32B Instruct HF deepseek-coder-v2
Distill-Distill · R1-Distill-Qwen	Variant	A smaller model taught on the answers of a bigger one. DeepSeek-R1-Distill-Qwen-32B is a Qwen 32B that imitates R1 — not R1 itself, and far weaker than the 671B original.	—
Abliterated / uncensoreduncensored · abliterated · heretic Ingen sikkerhedsfiltre	Variant	A community modification with the refusal behaviour removed from the weights. It answers anything, including harmful requests, often with lower quality and no safety guarantees. For personal and research use only; you are responsible for how you use it.	—
Densedense model	Arkitektur	Every parameter works on every token. Speed is set by the full size: a 70B dense model reads all 70B weights from memory for each generated token.	Llama 3.3 70B Instruct HF Gemma 3 27B HF Qwen3 32B HF
MoEmixture of experts	Arkitektur	The layers are split into many experts and a router picks a few of them per token. All experts must sit in memory (VRAM + RAM), but each token touches only the active part — so a big MoE runs much faster than a dense model of the same size, and the experts can be offloaded to system RAM.	gpt-oss-120b HF Qwen3 30B A3B HF DeepSeek R1 HF
Active parameters (-A3B)-A3B · -A22B · active	Arkitektur	In MoE names the suffix gives the parameters used per token: Qwen3-30B-A3B has 30B in total and 3B active. Memory follows the total, speed follows the active number.	Qwen3 30B A3B HF Qwen3 235B A22B HF
Safetensors (BF16)safetensors · BF16 · FP16	Filformat	The original release format on Hugging Face, usually 16 bits per weight: about 2 GB per billion parameters. Used by vLLM, Transformers and as the source for every quantisation.	—
GGUF.gguf · llama.cpp	Filformat	A single-file format of llama.cpp with the weights already quantised. Runs on CPU, GPU or both at once; LM Studio, Ollama and Jan use it. Big models come split into parts (-00001-of-00003).	—
AWQ / GPTQ / EXL2-3AWQ · GPTQ · EXL2 · EXL3	Filformat	Quantised formats for GPU-only servers (vLLM, ExLlama, TGI). Fast when the whole model fits in VRAM; no offload to system RAM.	—
MLXmlx-community	Filformat	Apple's framework and weight format for M-series Macs, using the unified memory. Often a little faster on a Mac than GGUF of the same size.	—
Q4_K_M and other K-quantsQ4_K_M · Q5_K_M · Q6_K · Q8_0	Kvantisering	GGUF quant names: the number is roughly the bits per weight, K marks the k-quant method, S/M/L the mix inside. Q4_K_M (≈4.8 bits) is the usual sweet spot; Q8_0 is almost lossless; below Q3 quality drops noticeably.	—
IQ quants and Unsloth Dynamic (UD)IQ2_XXS · IQ3_K · UD-Q2_K_XL	Kvantisering	Newer low-bit GGUF methods: IQ (importance-matrix) quants and Unsloth Dynamic keep the sensitive layers at higher precision, so 2–3-bit files of huge models stay usable.	DeepSeek R1 HF Qwen3 235B A22B HF
FP8 / MXFP4 / NVFP4FP8 · MXFP4 · NVFP4	Kvantisering	Low-precision floating-point formats with hardware support in recent GPUs. gpt-oss ships natively in MXFP4 (≈4.25 bits per weight), which is why gpt-oss-120b fits in about 65 GB.	gpt-oss-120b HF gpt-oss-20b HF

Modeller markeret som “ingen sikkerhedsfiltre” (uncensored / abliterated) er kun anført til personlig brug og forskning: de har ingen sikkerhedsbegrænsninger, og ansvaret for brugen ligger hos brugeren.

Opdateret 2. oktober 2026 · Kilder: fedi.software (CC BY 4.0), Open Source Initiative (OSAID 1.0)

Indlejr på dit website

Indsæt denne kode, hvor infografikken skal vises: den opdaterer sig selv. Gratis at bruge — behold kildelinket.

Sprog Tema Højde, px

Kolonner Gruppe Hvad det betyder Eksempler

Kode

<script src="https://fedi.software/embed.js" data-fig="model-types" data-lang="da" async></script>

JSON Vores data: CC BY 4.0 med link til kilden; tredjepartsdata beholder kildens licens.

Et modelnavn er en stribe valg

Et navn på en åben model ligner tit en kode, men det læses i bidder. Forrest står familien og den samlede størrelse. Er det en MoE-model, følger de aktive parametre, for eksempel -A3B. Så kommer varianten, typisk -Instruct eller -it, og til sidst filformatet og kvantiseringen af selve downloaden. Ordlisten ovenfor deler begreberne op i seks grupper: „Modeltype”, „Åbenhed”, „Variant”, „Arkitektur”, „Filformat” og „Kvantisering”. Ved hvert begreb står levende eksempler, og et klik åbner modellen i modelsammenligningen.

De seks grupper kort fortalt

Modeltype: en LLM arbejder med tekst, en VLM kan også læse billeder.
Åbenhed: åbne vægte, OSI's strengere Open Source AI Definition 1.0 eller lukkede modeller, som kun findes via en app eller et API.
Variant: base, Instruct, reasoning, coder, destilleret og fællesskabets udgaver uden afvisninger.
Arkitektur: tæt model mod MoE, hvor kun en del af parametrene er aktive pr. token.
Filformat: Safetensors, GGUF til llama.cpp, GPU-formater som AWQ, GPTQ og EXL samt MLX til Mac.
Kvantisering: K-kvanter som Q4_K_M, IQ- og Unsloth Dynamic-filer, FP8 og MXFP4.

Fra ordliste til valg

Skal du bruge en lokal chatassistent, er rækkefølgen ret fast. Tag en Instruct- eller reasoning-variant, aldrig en basismodel. Se derefter på den hukommelse, du har, og find en kvant, der passer: Q4_K_M er den sædvanlige balance mellem størrelse og kvalitet, Q8_0 er næsten tabsfri, og under Q3 bliver svarene mærkbart dårligere. Lad der være plads til den kontekst, du har brug for, og vurder først derefter, om hastigheden er god nok. Grafikken hvilken åben model passer til din hardware laver regnestykket for kendte modeller.

To ting, der ofte bliver misforstået

Åbne vægte (open weights) er ikke det samme som open source. Du kan hente filen, men licensen kan begrænse kommerciel brug eller kræve, at du accepterer vilkår, og træningsdataene er som regel lukkede. En destilleret model bliver også tit misforstået: det er en mindre model trænet på svarene fra en større, ikke den store model selv, og den er tydeligt svagere.

Abliterated og uncensored

Det er fællesskabets ændringer af åbne modeller, hvor afvisningerne er fjernet. Vi nævner begrebet, fordi det optræder i mange modelnavne, ikke som en anbefaling. Den slags modeller er kun beregnet til personlig brug og forskning, og ansvaret for, hvordan de bruges, ligger hos brugeren.