Hvilken AI-model skal du bruge til hver opgave, og hvordan undgår du at betale for meget?

Kort sagt: Lad en kraftfuld model stå for tænkningen og en enklere model for udførelsen. Lad en flagskibsmodel tage sig af planen og komplekse beslutninger (GPT-6 Astra, Claude Fable 5.1 eller Claude Opus 5.5), lad en mellemklassemodel arbejde ud fra en færdig plan, og brug den billigste model, der kan håndtere rutineopgaver og agenters baggrundskald. Kontrollér samtidig resultatet: Jo billigere modellen er, desto mere omhyggeligt skal du gennemgå dens arbejde; ellers forsvinder besparelsen i omarbejde.

Nedenfor er en tabel med ”opgave → model”, som den oprindelige forfatter offentliggjorde i et åbent repository den 23. september 2026. Hovedmodellerne i tabellen er hans personlige valg baseret på arbejdserfaring. Tabellen bygger ikke på en sammenlignende test, og de samme resultater kan ikke garanteres for andre opgaver. Jeg valgte de fleste billigere muligheder ud fra offentlige ranglister og udviklernes egne anbefalinger; mit valg af Opus 5.5 til kode bygger også på min erfaring. Priserne i originalmaterialet blev kontrolleret mod OpenAI's og Anthropics officielle sider pr. 23.09.2026.

Se dokumentationen for flere instruktioner om brug af Ailoot.

Hvorfor det er dyrt at bruge én model til alt#

Hvis du betaler for tokens via et API, koster hver opgave, der køres på en flagskibsmodel, flagskibsprisen, også når en enklere model ville have været tilstrækkelig. Med et abonnement skal du tage højde for grænserne for dit abonnement og den valgte model: Se dem på abonnementsiden. Se den separate artikel Sådan undgår du at opbruge Claude Code-grænserne på en dag for at få mere at vide om, hvordan grænserne for Claude-abonnementer fungerer, og hvad der bruger dem. Denne artikel handler om at vælge en model til en bestemt opgave.

Officielle API-priser pr. 1 million tokens pr. 23.09.2026:

Forestil dig en hypotetisk agentkørsel med 100 tusind inputtokens og 10 tusind outputtokens. Dette er et regneeksempel med grundpriser uden caching, ikke en måling af en virkelig opgave. En sådan kørsel koster cirka $1,5 med GPT-6 Astra eller Fable 5.1, $0,6 med Opus 5.5, $0,3 med Sonnet 5 eller GPT-6 Sol, $0,15 med Haiku 4.5 og $0,015 med GPT-6 Luna. I denne beregning er prisforskellen mellem flagskibsmodellen og den billigste model en faktor på hundrede. Se Sådan beregner du API-tokenforbrug for at få mere at vide om beregning af en sådan kørsel ud fra dine egne mængder.

To bemærkninger om priserne. For GPT-6-modeller faktureres forespørgsler med mere end 272 tusind inputtokens i deres helhed til en højere sats: input til dobbelt pris og output til halvanden gang prisen. Batchforespørgsler koster halvdelen af standardprisen hos både OpenAI og Anthropic.

Reglen: Tænk med en kraftfuld model, udfør med en billig model#

Det videre arbejde afhænger af planen, så den sparer jeg ikke på, men bruger den kraftigste model til. En enklere model kan skrive ud fra en færdig plan, indsamle data, omdøbe chats og komprimere samtaler.

Jeg følger også tre andre regler, når jeg vælger en model:

1. Jo billigere modellen er, desto mere omhyggeligt skal du kontrollere dens arbejde. Gennemgangen tager også din tid.
2. Sammenlign prisen på et færdigt resultat, ikke på en enkelt forespørgsel. Opus 5.5 er for eksempel 2,5 gange billigere end Fable 5.1 for både input og output. Hvis omarbejde får Opus til at bruge tre gange så mange input- og outputtokens på en opgave, ender den med at koste mere. Din tid til gennemgang er en ekstra omkostning ud over tokens. Artiklen Hvilken AI-agent er billigst: prisen på én løst opgave forklarer, hvordan du beregner prisen på et resultat.
3. Hvis en model ikke passer til dig, så prøv en anden. Der er ingen enkelt vinder; hver model har sine styrker og begrænsninger.

Valg af model er en del af arbejdet med en AI-agent.

Tabel: opgave → model#

Kolonnen ”Hovedmodel” viser de modeller, jeg selv bruger. Den næste kolonne viser alternativer, hvoraf de fleste er valgt ud fra offentlige ranglister og udviklernes anbefalinger. Jeg vælger også Opus 5.5 til kode ud fra min personlige erfaring. Kontrollér resultaterne fra en billigere model mere omhyggeligt. Rutinemodellerne bruger forskellige betalingsmodeller, så valget er ikke nødvendigvis billigere.

Strategi og planer. En fejl i planen kan forplante sig til de næste trin. Her bruger jeg den kraftigste model. GPT-6 Sol er en billigere mulighed: OpenAI positionerer den til kompleks kode og agentscenarier.

Kode. Jeg bruger Fable 5.1 til kode. Men Anthropic anbefaler at begynde med Opus 5.5 til de fleste opgaver og bruge Fable 5.1 til avanceret ræsonnement og langvarigt agentarbejde, eller når Opus med højt ræsonnementsniveau ikke kan håndtere opgaven. Via API'et koster Opus 5.5 2,5 gange mindre; efter min erfaring koster arbejdet med den også mindre. Hvis planen er klar, kan en billigere model skrive ud fra den. Se GPT-6 Astra eller Claude Fable 5.1: hvilken skal du vælge? for en detaljeret sammenligning af de to flagskibsmodeller til kode.

Skrivning. Hvis en tekst er beregnet til en kunde, bruger jeg en kraftfuld model. Sonnet 5 er en billigere mulighed: Anthropic kalder den den bedste balance mellem hastighed og intelligens. Gennemgå dens output mere omhyggeligt.

Tal og økonomi. Også her bruger jeg en kraftfuld model. Det er mit valg baseret på arbejdserfaring, ikke resultatet af en sammenlignende test. Men selv en kraftfuld model gør det ikke unødvendigt at kontrollere: Verificér tallene mod den primære kilde. Send ikke økonomiske eller personlige data til gratis abonnementer, hvis vilkår tillader, at dine data bruges.

Søgning og research. Jeg bruger Sonnet 5 til enkle opgaver og søgning; det bygger på min erfaring. GPT-6 Luna er en billigere mulighed: OpenAI positionerer den til gentagne opgaver i stort omfang.

Rutineopgaver. Rutineopgaver gentages ofte, så omkostningerne ved de enkelte kørsler løber op. Jeg bruger Kimi K3 med et Kimi Code-abonnement. DeepSeek Flash er en mulighed med API-baseret fakturering. Det er forskellige betalingsmodeller, og hvad der er billigst, afhænger af dit omfang.

Hvor jeg ikke sparer#

Disse regler bygger på min praksis. Jeg har ikke testet dem i en sammenlignende undersøgelse.

• Planlægning og arkitektur. En fejl i planen kan forplante sig til de næste trin.
• Tal og økonomi. Her bruger jeg en kraftfuld model og verificerer stadig tallene mod den primære kilde.
• Kontrol af resultatet. Jo billigere modellen, der udførte opgaven, er, desto mere omhyggeligt skal du kontrollere dens arbejde.

Komprimering af samtaler afgør, hvad en agent husker fra en lang samtale, og en alt for svag model kan miste vigtige oplysninger. Du kan lade en billig model stå for komprimeringen, men kontrollér kvaliteten på dine egne opgaver.

Sådan flytter du Hermes Agents baggrundsopgaver til en billig model#

Ud over hovedarbejdet udfører en agent hjælpeopgaver: finder på chattitler, komprimerer lange samtaler, analyserer billeder og afgør, om en kommando kan godkendes automatisk. I Hermes Agent kaldes disse hjælpeopgaver. Som standard er hver af dem indstillet til auto: Din hovedmodel håndterer dem. Hvis hovedmodellen er en flagskibsmodel, og du betaler via API'et, faktureres hjælpeopgaverne også til flagskibsprisen.

Til kommandogodkendelse i smart-tilstand anbefaler Hermes-dokumentationen en billig, hurtig model og kalder brugen af dyre modeller for spild. Til kontekstkomprimering og opsummering af websider – det vil sige at gengive dem kort – anbefaler den også en hurtig model frem for en dyr ræsonnementsmodel.

Trin:

1. Tilslut på forhånd en udbyder til den billige model med en nøgle. Ifølge Hermes-dokumentationen falder systemet tilbage på standardindstillingen, hvis du tildeler en opgave en udbyder uden en nøgle, og der skrives en advarsel i loggen agent.log. I auto-tilstand springer Hermes opgaven over med en advarsel, hvis hovedmodellen ikke kan udføre den, og der ikke er konfigureret en fallback-kæde; den skifter ikke til andre tilsluttede udbydere.
2. Åbn Hermes-webpanelet, og følg Models → Model Settings → Auxiliary tasks → Configure. Klik på Change på rækken for den ønskede opgave (for eksempel Compression, Title Gen eller Vision), vælg en udbyder og en model, og klik derefter på Switch. Hermes-dokumentationen angiver i stedet knappen Show auxiliary; etiketterne afhænger af versionen.
3. Du kan også indtaste de samme indstillinger i ~/.hermes/config.yaml. Eksempel fra Hermes-dokumentationen: billedanalyse (vision) med en hurtig model.

Find vejledninger til værktøjer i Ailoot-dokumentationen

Til chattitler foreslår dokumentationen, at du fastlåser en hurtig model eller indstiller auxiliary.title_generation.prefer_fast_model: true, hvorefter Hermes vælger en hurtig model fra din udbyder.

4. Åbn en ny session. Modelændringer gælder kun for nye sessioner; chats, der allerede er åbne, fortsætter med at bruge de gamle indstillinger. Hvis du redigerede config.yaml manuelt, og en ny session ikke tog indstillingen i brug, skal du genstarte Hermes.

Sådan kontrollerer du det. Opgaverækken skal vise provider · model i stedet for auto (use main model). Hvis der stadig står auto, bruger opgaven stadig hovedmodellen. Klik på Reset all to auto for at føre alle opgaver tilbage til hovedmodellen.

Til baggrundsopgaver viser tabellen GPT-6 Luna, Gemini 3.8 Flash, DeepSeek Flash og Claude Haiku 4.5. Vælg blandt de udbydere, du allerede har tilsluttet. Hvis du tilslutter OpenAI-modeller via en ChatGPT-/Codex-abonnementsudbyder, og GPT-6 Sol og GPT-6 Luna endnu ikke er blandt dine Hermes-modeller, anbefaler tabellen GPT-5.6 Sol eller GPT-5.6 Luna. Ifølge Anthropics side bliver Haiku 4.5 tidligst udfaset den 15. oktober 2026. Der er ingen præcis dato, så kontrollér dens status inden da.

Hvad tabellen ikke indeholder#

• Besparelsesprocenter. Jeg har ikke målt dem. Hvor meget du sparer, afhænger af dine opgaver og de modeller, du vælger.
• Præcist forbrug af abonnementsgrænser. Hermes-dokumentationen beskriver ikke præcist, hvordan forespørgsler fra Hermes bruger ChatGPT-abonnementsgrænser.
• Priser, der aldrig ændrer sig. Modeller og abonnementer ændrer sig. Kontrollér de officielle sider, før du køber.

Hvad du kan gøre i dag#

1. Skriv tre eller fire typer opgaver ned, som du oftest giver din agent.
2. Afgør for hver opgave: Skal modellen tænke, eller skal den udføre en færdig plan?
3. Behold en flagskibsmodel til ”tænkning”, brug en model et niveau under til ”udførelse”, og brug den billigste model, der kan håndtere opgaven, til rutinearbejde.
4. Start med chattitler i Hermes: De er lettest at flytte til en billig model. Flyt derefter kontekstkomprimeringen, og kontrollér i dine egne lange samtaler, om agenten er begyndt at miste vigtige oplysninger.

Gå til Ailoot for at arbejde mere med modeller.