Title: Ofte stillede sp%C3%B8rgsm%C3%A5l %E2%80%94 LLM EU
Canonical: https://llmeu.com/da/learn/
Markdown mirror: https://llmeu.com/da/learn.md
Machine-readable: https://llmeu.com/llms.txt (index) - https://llmeu.com/llms-full.txt (full catalogue) - https://llmeu.com/llms-catalogue.json

# Ofte stillede sp%C3%B8rgsm%C3%A5l

## Grundl%C3%A6ggende

### [Hvad er et kontekstvindue, og hvad er et token?](/da/learn/context-window-and-tokens/)

Et token er en lille del af tekst, groft sagt et ordfragment. Et kontekstvindue er det maksimale antal tokens, et enkelt kald kan indeholde: instruktioner, den hidtidige samtale, hentede passager og svaret.

### [LLM vs AI: hvad er en stor sprogmodel, hvad er en llm base, og hvad er Nemotron 3 Super?](/da/learn/llm-vs-ai/)

AI er feltet; en stor sprogmodel er %C3%A9n type model inden for det, en base LLM forts%C3%A6tter tekst i stedet for at f%C3%B8lge instruktioner, og Nemotron 3 Super er en 123.6B blanding af eksperter.

### [Hvad er en LLM?](/da/learn/what-is-an-llm/)

En LLM er et program tr%C3%A6net p%C3%A5 store m%C3%A6ngder tekst til at forudsige det n%C3%A6ste token, et lille stykke tekst. Den svarer ud fra sine v%C3%A6gte og den prompt, du sender, ikke ud fra en database, den s%C3%B8ger i.

## Hentning

### [Hvad er en LLM retriever, og hvilken flersproget embedding-model skal jeg bruge?](/da/learn/embeddings-and-vector-search/)

En retriever parrer en embedding-model, der omdanner tekst til vektorer, med en reranker, der scorer passager. multilingual-e5-large er MIT med 512-token-chunks; embeddinggemma-300m tager 2048.

### [Hvad er RAG?](/da/learn/what-is-rag/)

RAG er en pipeline, ikke en model: din applikation henter passager, og modellen svarer ud fra disse. Kun den sidste fase er en chat-fuldf%C3%B8relse; indlejring og oml%C3%A6gning er separate kald.

## Hosting

### [Hvordan k%C3%B8rer LLM'er i EU?](/da/learn/how-llms-run-in-the-eu/)

En model k%C3%B8rer, hvor et endpoint k%C3%B8rer, og r%C3%A6kken registrerer dens region og klasse. Residency er et filter, der anvendes f%C3%B8r scoring: hvis intet opfylder det, returnerer anmodningen 409 no_endpoint_for_policy.

### [Open weights eller en API: hvilken skal jeg bruge?](/da/learn/open-weights-vs-api/)

Open weights betyder, at filerne kan downloades; et endpoint betyder, at nogen k%C3%B8rer dem for dig. Mange europ%C3%A6iske implementeringer bruger begge: en API til variabel belastning, et selv-hostet checkpoint til f%C3%B8lsomt arbejde.

## Omkostninger

### [Hvad koster et LLM API-kald, og hvad betyder benchmark-tallene?](/da/learn/llm-cost-and-pricing/)

En pris afl%C3%A6ses fra den rate, en endpoint-r%C3%A6kke registrerer, per million tokens ind og ud, plus et synligt gebyr per anmodning. En r%C3%A6kke uden registreret rate vises uden pris.

## Licenser

### [Hvordan fungerer %C3%A5bne modellicenser?](/da/learn/llm-licences-explained/)

En licens er et registreret felt p%C3%A5 hvert modelkort: en SPDX-identifikator og et link til teksten. %C3%85bne v%C3%A6gte betyder, at v%C3%A6gtene kan downloades, ikke at kommerciel brug er tilladt.

## API

### [Hvad er LLM API-ratebegr%C3%A6nsninger?](/da/learn/llm-rate-limits-explained/)

En ratebegr%C3%A6nsning her er et loft per bucket i et fast vindue: 600 kald per n%C3%B8gle og 1800 per organisation hvert minut, med h%C3%B8jst 8 anmodninger i gang p%C3%A5 %C3%A9n n%C3%B8gle.

## Routing

### [Hvordan fungerer en LLM-router?](/da/learn/llm-routing-explained/)

En router omdanner en anmodning, der ikke navngiver en maskine, til et enkelt "endpoint"-svar. En ren funktion filtrerer kandidater efter politik og "residency", scorer det, der overlever, og tager den h%C3%B8jeste score.