Vilken AI-modell ska du använda för varje uppgift, och hur undviker du att betala för mycket?

Kort sagt: låt en kraftfull modell stå för tänkandet och en enklare modell för utförandet. Ge planeringen och komplexa beslut till en flaggskeppsmodell (GPT-6 Astra, Claude Fable 5.1 eller Claude Opus 5.5), låt en mellanklassmodell arbeta utifrån en färdig plan och använd den billigaste modell som klarar uppgiften för rutinuppgifter och bakgrundsanrop från agenter. Kontrollera samtidigt resultatet: ju billigare modellen är, desto noggrannare behöver du granska dess arbete; annars försvinner besparingen i omarbete.

Nedan finns en tabell ”uppgift → modell” som den ursprungliga författaren publicerade i ett öppet arkiv den 23 september 2026. Huvudmodellerna i den är hans personliga val utifrån arbetserfarenhet. Ingen jämförande testning gjordes för tabellen, och samma resultat kan inte garanteras för andra uppgifter. Jag valde de flesta billigare alternativen utifrån offentliga rankningar och utvecklarnas egna rekommendationer; även valet av Opus 5.5 för kod baseras på min erfarenhet. Priserna i originalmaterialet kontrollerades mot OpenAI:s och Anthropics officiella sidor per 23.09.2026.

För fler instruktioner om hur du arbetar med Ailoot, se dokumentationen.

Varför det är dyrt att använda en modell till allt#

Om du betalar för tokens via ett API kostar varje uppgift som körs på en flaggskeppsmodell flaggskeppspriset, även när en enklare modell hade räckt. Med en prenumeration bör du ta hänsyn till gränserna för ditt abonnemang och den valda modellen: kontrollera dem på abonnemangssidan. Mer om hur gränserna för Claude-prenumerationer fungerar och vad som förbrukar dem finns i den separata artikeln Så undviker du att förbruka Claude Code-gränserna på en dag. Den här artikeln handlar om att välja modell för en specifik uppgift.

Officiella API-priser per 1 miljon tokens per 23.09.2026:

Tänk dig en hypotetisk agentkörning med 100 tusen indatatokens och 10 tusen utdatatokens. Detta är ett räkneexempel med grundpriser utan cachelagring, inte en mätning av en verklig uppgift. En sådan körning kostar 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 och $0,015 med GPT-6 Luna. I denna beräkning skiljer sig flaggskeppsmodellen och den billigaste modellen åt med en faktor på hundra i pris. Mer om hur du beräknar en sådan körning utifrån dina egna volymer finns i Så beräknar du tokenanvändning i API:er.

Två kommentarer om priserna. För GPT-6-modeller debiteras förfrågningar med mer än 272 tusen indatatokens i sin helhet till ett högre pris: indata till dubbla priset och utdata till en och en halv gånger priset. Batchförfrågningar kostar hälften av standardpriset hos både OpenAI och Anthropic.

Regeln: tänk med en kraftfull modell, utför med en billig#

Det fortsatta arbetet beror på planen, så jag sparar inte in på den utan använder den kraftfullaste modellen. En enklare modell kan skriva utifrån en färdig plan, samla in data, byta namn på chattar och komprimera konversationer.

Jag följer också tre andra regler när jag väljer modell:

1. Ju billigare modellen är, desto noggrannare behöver du kontrollera dess arbete. Även granskningen tar din tid.
2. Jämför priset för ett färdigt resultat, inte för en enskild förfrågan. Opus 5.5 är till exempel 2,5 gånger billigare än Fable 5.1 för både indata och utdata. Om omarbete gör att Opus använder tre gånger så många indatatokens och utdatatokens för en uppgift blir det dyrare. Din granskningstid är en extra kostnad utöver tokens. Artikeln Vilken AI-agent är billigare: kostnaden för en löst uppgift förklarar hur du beräknar kostnaden för ett resultat.
3. Om en modell inte passar dig, prova en annan. Det finns ingen ensam vinnare; varje modell har sina styrkor och begränsningar.

Att välja modell är en del av arbetet med en AI-agent.

Tabell: uppgift → modell#

I kolumnen ”Huvudmodell” finns de modeller jag själv använder. Nästa kolumn listar alternativ, varav de flesta valdes utifrån offentliga rankningar och utvecklarnas rekommendationer. Jag väljer också Opus 5.5 för kod utifrån personlig erfarenhet. Granska resultaten från en billigare modell noggrannare. Rutinmodellerna använder olika betalningsmodeller, så valet blir inte nödvändigtvis billigare.

Strategi och planer. Ett fel i planen kan fortplantas till senare steg. Här använder jag den kraftfullaste modellen. GPT-6 Sol är ett billigare alternativ: OpenAI positionerar den för komplex kod och agentscenarier.

Kod. Jag använder Fable 5.1 för kod. Men Anthropic rekommenderar att börja med Opus 5.5 för de flesta uppgifter och använda Fable 5.1 för avancerat resonemang och långvarigt agentarbete, eller när Opus med hög nivå av resonemang inte klarar uppgiften. Via API:et kostar Opus 5.5 2,5 gånger mindre; enligt min erfarenhet kostar arbetet med den också mindre. Om planen är klar kan en billigare modell skriva utifrån den. En detaljerad jämförelse mellan de två flaggskeppsmodellerna för kod finns i GPT-6 Astra eller Claude Fable 5.1: vilken ska du välja?.

Skrivande. Om en text är avsedd för en kund använder jag en kraftfull modell. Sonnet 5 är ett billigare alternativ: Anthropic kallar den den bästa balansen mellan snabbhet och intelligens. Granska resultatet noggrannare.

Siffror och ekonomi. Även här använder jag en kraftfull modell. Det här är mitt val utifrån arbetserfarenhet, inte resultatet av ett jämförande test. Men inte ens en kraftfull modell gör kontroll överflödig: verifiera siffrorna mot primärkällan. Skicka inte ekonomiska eller personliga uppgifter till gratisabonnemang vars villkor tillåter att dina uppgifter används.

Sökning och research. Jag använder Sonnet 5 för enkla uppgifter och sökning; det bygger på min erfarenhet. GPT-6 Luna är ett billigare alternativ: OpenAI positionerar den för repetitiva uppgifter i stor volym.

Rutinuppgifter. Rutinuppgifter upprepas ofta, så kostnaderna för enskilda körningar läggs ihop. Jag använder Kimi K3 med en Kimi Code-prenumeration. DeepSeek Flash är ett alternativ med API-baserad debitering. Det är olika betalningsmodeller, och vad som kostar minst beror på din volym.

Vad jag inte sparar in på#

De här reglerna bygger på min erfarenhet. Jag har inte testat dem i en jämförande studie.

• Planering och arkitektur. Ett fel i planen kan fortplantas till senare steg.
• Siffror och ekonomi. Här använder jag en kraftfull modell och verifierar ändå siffrorna mot primärkällan.
• Kontroll av resultatet. Ju billigare modellen som utförde uppgiften är, desto noggrannare behöver du kontrollera dess arbete.

Konversationskomprimering avgör vad en agent kommer ihåg från en lång konversation, och en alltför svag modell kan tappa viktig information. Du kan låta en billig modell sköta komprimeringen, men kontrollera kvaliteten på dina egna uppgifter.

Så flyttar du Hermes Agents bakgrundsuppgifter till en billig modell#

Utöver huvuduppgifterna utför en agent hjälpuppgifter: hittar på chattitlar, komprimerar långa konversationer, analyserar bilder och avgör om ett kommando kan godkännas automatiskt. I Hermes Agent kallas dessa hjälpuppgifter. Som standard är varje sådan uppgift inställd på auto: din huvudmodell hanterar den. Om huvudmodellen är en flaggskeppsmodell och du betalar via API debiteras hjälpuppgifterna också till flaggskeppspriset.

För kommando­godkännande i smart-läge rekommenderar Hermes dokumentation en billig och snabb modell och kallar användning av dyra modeller för slöseri. För kontextkomprimering och sammanfattning av webbsidor, det vill säga att återge dem kortfattat, rekommenderas också en snabb modell i stället för en dyr resonemangsmodell.

Steg:

1. Anslut i förväg en leverantör för den billiga modellen med en nyckel. Enligt Hermes dokumentation faller systemet tillbaka på standardalternativet och skriver en varning i loggen agent.log om du tilldelar en uppgift en leverantör utan nyckel. I auto-läge hoppar Hermes över uppgiften med en varning om huvudmodellen inte kan utföra den och ingen reservkedja är konfigurerad; den växlar inte till andra anslutna leverantörer.
2. Öppna Hermes webbpanel och följ Models → Model Settings → Auxiliary tasks → Configure. På raden för uppgiften du behöver (till exempel Compression, Title Gen eller Vision) klickar du på Change, väljer en leverantör och modell och klickar sedan på Switch. Hermes dokumentation anger i stället en knapp med etiketten Show auxiliary; etiketterna beror på versionen.
3. Du kan också ange samma inställningar i ~/.hermes/config.yaml. Exempel från Hermes dokumentation: bildanalys (vision) med en snabb modell.

Hitta verktygsguider i Ailoot-dokumentationen

För chattitlar föreslår dokumentationen att du låser fast en snabb modell eller ställer in auxiliary.title_generation.prefer_fast_model: true; då väljer Hermes en snabb modell från din leverantör.

4. Öppna en ny session. Modelländringar gäller endast nya sessioner; chattar som redan är öppna fortsätter att använda de gamla inställningarna. Om du redigerade config.yaml manuellt och inställningen inte började gälla i en ny session startar du om Hermes.

Så kontrollerar du. Uppgiftsraden ska visa provider · model i stället för auto (use main model). Om det fortfarande står auto använder uppgiften fortfarande huvudmodellen. Klicka på Reset all to auto för att återställa alla uppgifter till huvudmodellen.

För bakgrundsuppgifter listar tabellen GPT-6 Luna, Gemini 3.8 Flash, DeepSeek Flash och Claude Haiku 4.5. Välj bland de leverantörer du redan har anslutit. Om du ansluter OpenAI-modeller via en ChatGPT-/Codex-prenumerationsleverantör och GPT-6 Sol och GPT-6 Luna ännu inte finns bland dina Hermes-modeller rekommenderar tabellen GPT-5.6 Sol eller GPT-5.6 Luna. Enligt Anthropics sida kommer Haiku 4.5 att avvecklas tidigast den 15 oktober 2026. Det finns inget exakt datum, så kontrollera dess status innan dess.

Vad tabellen inte tar med#

• Besparingsprocent. Jag har inte mätt dem. Hur mycket du sparar beror på dina uppgifter och vilka modeller du väljer.
• Exakt användning av prenumerationsgränser. Hermes dokumentation beskriver inte exakt hur förfrågningar från Hermes använder ChatGPT-prenumerationens gränser.
• Priser som aldrig ändras. Modeller och abonnemang förändras. Kontrollera de officiella sidorna innan du köper.

Vad du kan göra i dag#

1. Lista tre eller fyra typer av uppgifter som du oftast ger din agent.
2. Avgör för varje uppgift: behöver modellen tänka eller utföra en färdig plan?
3. Behåll en flaggskeppsmodell för ”tänkande”, använd en modell en nivå under för ”utförande” och använd den billigaste modell som klarar uppgiften för rutinuppgifter.
4. Börja med chattitlar i Hermes: de är enklast att flytta till en billig modell. Flytta sedan konversationskomprimeringen och kontrollera i dina egna långa konversationer om agenten har börjat tappa viktig information.

För mer arbete med modeller, gå till Ailoot.