LongCat 2.0 slår GPT-5.5 men er for tung for norske SMB-er

Hva LongCat 2.0 faktisk er

Meituan har lagt ut LongCat-2.0 som åpen kildekode, en språkmodell med 1,6 billioner parametere. Overskriften som fikk oppmerksomhet var at modellen scorer 59,5 på SWE-bench Pro og dermed slår Gemini 3.1 Pro, GPT-5.5 og Claude Opus 4.6 på nettopp den testen. Det er en reell teknisk prestasjon, men tallet forteller lite om hva modellen er verdt for en norsk mellomstor bedrift. Denne artikkelen deler de to spørsmålene: hva LongCat 2.0 kan, og om du bør gjøre noe med det.

Modellen føyer seg inn i en rekke store kinesiske åpne modeller. IBMs oversikt over språkmodeller lister blant annet DeepSeek-V3 med 671 milliarder parametere, Kimi-K2 med rundt 1 000 milliarder parametere og GLM-5 med 744 milliarder parametere. LongCat 2.0 er større enn dem alle på papiret, men størrelse alene sier lite om nytteverdi.

En billion-parameter-modell fra Meituan

Meituan er kjent i Vesten som en leverings- og handelsplattform, ikke som et AI-laboratorium. At nettopp et slikt selskap slipper en frontmodell sier noe om hvor bredt den kinesiske AI-satsingen har spredt seg. Ifølge 36Kr er LongCat-2.0 den første kinesiske modellen som er både trent og kjørt på en innenlandsk dataklynge med 50 000 kort. Det poenget er viktigere enn benchmark-tallet, og vi kommer tilbake til det.

For sammenligning bruker eldre frontmodeller langt færre parametere. En bredt sitert oversiktsartikkel over språkmodeller beskriver modeller som Chinchilla med 70 milliarder parametere, Gopher med 280 milliarder og MT-NLG med 530 milliarder. LongCat 2.0 er en helt annen størrelsesorden, og det får konsekvenser for hvem som realistisk kan kjøre den.

MoE-arkitektur og aktive parametere

Det viktigste tallet er ikke 1,6 billioner. LongCat 2.0 bruker en Mixture-of-Experts-arkitektur som i gjennomsnitt aktiverer 48 milliarder parametere per forespørsel. Med andre ord: modellen har en enorm total kapasitet, men bruker bare en brøkdel om gangen. NxCodes analyse fremhever nettopp de 48 milliardene aktive parameterne som det tallet som betyr noe for drift og kostnad.

Meituan oppgir en MoE-sparsitet på 97 prosent, og at 135 milliarder parametere er allokert til såkalt N-gram Embedding. Denne designen er ikke unik for LongCat. LLM Stats lister for eksempel Unisound U2 med 266 milliarder parametere totalt og 10 milliarder aktive. Mønsteret er tydelig: store totaltall, små aktive tall, betydelig maskinvarekrav uansett.

Kontekstvindu og LongCat Sparse Attention

LongCat 2.0 støtter opptil 1 million tokens kontekst, ifølge 36Kr. Det gjøres mulig av en teknikk kalt LongCat Sparse Attention, som reduserer beregningskompleksiteten fra kvadratisk til lineær. Modellen bruker også multi-teacher online distillasjon i etter-treningsfasen.

Et stort kontekstvindu høres tiltalende ut, men er ikke gratis nytte. NxCode påpeker at påstanden om 1 million tokens kontekst kun er nyttig med god kontekst-engineering. Å dytte hele kodebasen inn i vinduet gir sjelden bedre svar. Det gir høyere kostnad og ofte mer støy.

Rammeverk: modellrouting fremfor generell erstatning

Det vanligste feilgrepet er å spørre "skal vi bytte til LongCat 2.0?" Riktig spørsmål er "hvilke oppgaver bør sendes til hvilken modell?" NxCode formulerer det slik: LongCat-2.0 bør evalueres som infrastruktur, ikke som en overskrift. En modellrouter klassifiserer oppgaven og velger modell etter risikoprofil. Store modeller blir da et lag i systemet, ikke hele systemet.

Dette er ikke lenger en nisje. Preuve AI rapporterer at 69 prosent av selskaper kjører tre eller flere AI-modeller i produksjon. Flermodell-oppsett er normalen, ikke unntaket, og da blir ruting selve arkitekturbeslutningen.

Hva modellrouting betyr

En modellrouter er et lag foran modellene som avgjør hvor hver forespørsel skal. Enkle, lav-risiko oppgaver går til en liten og billig modell. Komplekse, agent-drevne oppgaver med høy risiko går til en tyngre modell. NxCode kaller dette et model operations-lag som team trenger uansett hvilke modeller de bruker.

Poenget er at kostnadsstrategi blir en produktfunksjon, ikke en teknisk detalj. Når prisforskjellene mellom modeller er så store som de er i dag, avgjør rutingen både regningen og kvaliteten. Det er her LongCat 2.0 hører hjemme for de fleste norske bedrifter: som en mulig destinasjon for de tyngste oppgavene, ikke som standardvalg for alt.

Klassifiser oppgaven, velg modell etter risikoprofil

En brukbar router trenger ikke være avansert i starten. Den trenger en enkel klassifisering av oppgaver og en regel for hvilken modell hver klasse går til. Tabellen under viser et startpunkt, ikke en fasit.

Oppgavetype	Risikoprofil	Foreslått modellklasse
Oppsummering, klassifisering, utkast	Lav	Liten, billig modell
Kundevendt tekst, standard koding	Middels	Mellomstor modell
Agent-arbeid over lang kontekst, kritisk kode	Høy	Frontmodell (kan være LongCat 2.0)
Persondata, regulert bransje	Høy og juridisk	Modell med dokumentert databehandling

Merk at siste rad ikke handler om ytelse i det hele tatt, men om jus. En modell kan være best på benchmark og likevel være feil valg fordi databehandlingen ikke lar seg dokumentere. Vi kommer tilbake til det under regulering og personvern.

Aluras posisjon: infrastruktur, ikke erstatning

Vår erfaring er at store modeller som LongCat 2.0 bør vurderes som ruting-infrastruktur, ikke som en generell erstatning for eksisterende oppsett. En bedrift som allerede har et fungerende oppsett med en etablert leverandør vinner sjelden på å rive alt og bygge om rundt en ny frontmodell. Den vinner på å legge den nye modellen inn som ett alternativ blant flere, og la rutingen avgjøre når den brukes.

Denne posisjonen er ikke skeptisk til kinesiske modeller. Den er skeptisk til å la en enkelt benchmark-score styre en arkitekturbeslutning. Rutingen gir deg fleksibiliteten til å ta inn det beste fra flere leverandører uten å binde deg til en.

Benchmarks: hva 59,5 på SWE-bench Pro betyr i praksis

LongCat 2.0 scorer 59,5 på SWE-bench Pro, 77,3 på SWE-bench Multilingual og 70,8 på Terminal-Bench 2.1, ifølge 36Kr. Disse tallene er reelle og lovende. Men de er ikke direkte sammenlignbare med tall du ser andre steder, fordi de måler ulike ting.

SWE-bench Pro og hva 59,5 sier

SWE-bench-familien måler om en modell kan løse ekte programvareoppgaver fra åpne kodebaser. Til sammenligning oppgir Preuve AI at Claude Opus 4.7 leder SWE-bench Verified med en klart høyere poengsum. Det er en annen test i samme familie, og du kan ikke sette resultatet fra Pro og Verified ved siden av hverandre og konkludere. Pro-varianten er hardere enn Verified, og et lavere tall her betyr ikke en dårligere modell.

Det er dette benchmark-forvirring gjør med beslutninger: den skaper falsk presisjon. NxCode observerer at benchmarks beveger seg mot ekte agentarbeid, altså oppgaver der modellen må planlegge, kjøre verktøy og rette egne feil. Det er bra, men det gjør også tallene mindre sammenlignbare på tvers av leverandører.

Andre benchmarks og hva de utelater

En modell kan være sterk på koding og svak på andre ting. Exploding Topics rapporterer for eksempel at Gemini 3.1 Pro scoret 77,1 prosent på en test for mønstergjenkjenning der Claude Opus 4.6 fikk 68,8 prosent. Samme kilde noterer at GPT-5.2 har en hallusinasjonsrate på 39 prosent mot GPT-5s 18 prosent. En nyere modell er altså ikke automatisk mer pålitelig.

Modell	Test	Resultat
LongCat 2.0	SWE-bench Pro	59,5
LongCat 2.0	SWE-bench Multilingual	77,3
LongCat 2.0	Terminal-Bench 2.1	70,8
Claude Opus 4.6	Mønstergjenkjenning	68,8 %

Tabellen ser ut som en rangering, men er det ikke. Radene måler forskjellige ting, og det er hele poenget. Ingen enkelt kolonne forteller deg hvilken modell som løser din oppgave best. LLM Stats dekker over 50 ulike benchmarks, og selv det er en forenkling av virkeligheten.

Manipulerte benchmarks og sunn skepsis

Benchmark-tall er også noe leverandører har insentiv til å pynte på. Exploding Topics viser til at Llama 4 Mavericks benchmark-resultater ble oppdaget manipulert av Meta for å overdrive ytelsen. Det betyr ikke at LongCats tall er falske, men det betyr at en enkelt score fra en kilde ikke er nok grunnlag for å integrere en modell.

Konklusjonen er enkel: bruk benchmarks til å velge hvilke modeller du tester, ikke til å bestemme hvilken du bruker. Den avgjørelsen må tas på dine egne oppgaver.

Slik tester du modellen på egne oppgaver første uke

Test åpne modeller på 30 til 80 reelle oppgaver før du integrerer dem. Det er vår klare anbefaling, og den sammenfaller med hva NxCode anbefaler: bygg et lokalt benchmark på 30 til 80 virkelige oppgaver fremfor å stole på offentlige tall. En uke er nok til å få et ærlig svar.

Bygg et sett på 30 til 80 reelle oppgaver

Ta oppgaver fra din egen hverdag: faktiske kundehenvendelser, faktiske kodeendringer, faktiske dokumenter som skal oppsummeres. Ikke bruk kunstige eksempler. Poenget med 30 til 80 oppgaver er at det er nok til å se et mønster, men få nok til at et menneske kan vurdere hvert svar manuelt. Under 30 blir det anekdoter. Over 80 blir det uhåndterlig for en førstevurdering.

For hver oppgave noterer du to ting: løste modellen den, og hva kostet det. Uten kostnadskolonnen er testen verdiløs, fordi en modell som løser noen få flere oppgaver til ti ganger prisen sjelden er verdt det.

1 million tokens kontekst krever kontekst-engineering

Ikke la deg friste av det store kontekstvinduet i test. NxCode er tydelig på at 1 million tokens kontekst bare er nyttig med god kontekst-engineering. Å legge inn mer materiale enn nødvendig gir ofte dårligere svar, ikke bedre. Test med den mengden kontekst du faktisk ville brukt i produksjon.

En god test isolerer variabelen du bryr deg om. Hvis du vil vite om modellen er god på din oppgave, ikke bland det sammen med et spørsmål om hvor mye kontekst den takler. Kjør de to eksperimentene hver for seg.

Mål kostnad og latens, ikke bare treffsikkerhet

For de fleste produkter er svartid like viktig som kvalitet. En stor modell med 48 milliarder aktive parametere er tregere og dyrere per svar enn en liten modell. Hvis brukeren venter, forsvinner gevinsten. Mål latens som en egen kolonne, ved siden av treffsikkerhet og kostnad.

Når testen er ferdig, har du tre tall per modell: andel løste oppgaver, kostnad per oppgave og typisk svartid. Det er dette beslutningsgrunnlaget en offentlig benchmark aldri kan gi deg, fordi den ikke kjenner dine oppgaver eller din prismodell.

Signalet om kinesisk brikke-uavhengighet

Det strategisk viktigste ved LongCat 2.0 er ikke benchmark-scoren. Det er at modellen er den første i Kina som er trent og kjørt på en innenlandsk dataklynge med 50 000 kort. Signalet om kinesisk uavhengighet i AI-brikker er strategisk verdt å følge, selv når modellen ikke er praktisk å kjøre selv.

50 000 innenlandske kort

Frem til nå har den underliggende antakelsen vært at frontmodeller krever amerikansk maskinvare. At en 1,6 billioner parameters modell kan trenes fullt ut på 50 000 innenlandske kort utfordrer den antakelsen. Om trenden holder, betyr det at eksportkontroll på brikker blir et mindre effektivt virkemiddel over tid.

For en norsk bedrift er ikke dette et driftsspørsmål. Du kommer ikke til å kjøre modellen på egne kort. Det er et spørsmål om hvordan leverandørlandskapet ser ut om to til tre år, og om hvor mange reelle alternativer du vil ha å velge mellom.

Hva det betyr for leverandøravhengighet

Flere sterke leverandører fra flere land er gode nyheter for en kjøper. Det senker prisene og reduserer risikoen ved å være låst til en aktør. Vi har tidligere skrevet om hvorfor den kinesiske AI-satsingen kan være gode nyheter for Norge, og LongCat 2.0 forsterker det poenget: konkurranse i grunnmodell-laget kommer sluttbrukeren til gode.

Signalet er verdt å følge, men det endrer ikke hva du bør gjøre på mandag. En modell du ikke kan kjøre selv, og som juridisk er krevende å bruke på persondata, er ikke et verktøy ennå. Den er en indikator på hvor markedet er på vei.

DeepSeek-linjen og et bredere mønster

LongCat er ikke et engangstilfelle. DeepSeek har allerede 262 millioner månedlige besøk til nettsiden og 42,9 millioner unike besøkende, og prisene ligger på 0,25 dollar per million tokens for input og 0,40 dollar for output. LLM Stats viser løpende utgivelser fra kinesiske aktører som ByteDance, Zhipu AI og Moonshot AI. Mønsteret er en jevn strøm av sterke, billige, åpne modeller.

For beslutningstakere er den praktiske lærdommen at grunnmodell-laget ikke lenger er et amerikansk monopol. Det gir deg forhandlingsrom og valgmuligheter, men også et større kart å holde oversikt over.

Markedet: over 500 modeller og et tettere landskap

LongCat 2.0 lanseres inn i et overfylt marked. LLM Stats sporer over 500 språkmodeller fra mer enn 53 organisasjoner og over 15 leverandører, med 324 modellutgivelser registrert. En ny frontmodell er ikke lenger en sjelden begivenhet, den er ukentlig kost.

Tempoet gjør det umulig å følge alt, og det er heller ikke poenget. For en SMB handler det om å vite nok til å ta gode valg, ikke om å kjenne hver modell. Vår guide til hvordan du velger mellom GPT, Claude, Gemini og andre er skrevet for nettopp dette.

Et tettere og mer flyktig landskap

Nye modeller kommer i tett rekkefølge. LLM Stats lister blant annet Claude Sonnet 5 den 30. juni 2026, GLM-5.2 den 16. juni og Kimi K2.7 Code den 12. juni. Samme kilde sporer også modeller som blir dårligere over tid via en kvalitetsindeks, og noterer for eksempel en endring på minus 0,34 sigma for GPT-5.5. En modell er ikke en fast størrelse: kvaliteten kan svinge mellom versjoner.

Dette taler for løs kobling. Hvis produktet ditt er hardkodet til en modell, arver det både prisendringene og kvalitetssvingningene til den modellen. Et rutingslag lar deg bytte når landskapet flytter seg.

Kinesiske åpne modeller presser prisene

Prispresset er reelt og målbart. Unisound U2 ligger på 0,15 dollar per million tokens for input og 0,30 dollar for output, og DeepSeek V3.2 på 0,25 og 0,40 dollar. Til sammenligning oppgir LLM Stats en inputpris på 500 dollar per million tokens for GPT-5.5 hos OpenAI for enkelte oppsett. Spennet mellom billigste og dyreste alternativ er enormt.

Slik prisspredning er selve argumentet for ruting. Når en oppgave kan løses like godt av en modell til en brøkdel av prisen, er det rutingslaget som avgjør om du betaler for det eller ikke.

Markedsstørrelse og vekst

Markedet vokser raskt, uansett hvilken kilde du bruker. Precedence Research anslår markedet til 7,77 milliarder dollar i 2025, 10,57 milliarder i 2026 og 149,89 milliarder dollar innen 2035, med sterk årlig vekst. Getpanto oppgir 7,81 milliarder dollar i 2025 og nær 130 milliarder innen 2034.

Kilde	2025	Fremtidsanslag	Vekst
Precedence Research	7,77 milliarder dollar	149,89 milliarder dollar (2035)	sterk årlig vekst
Getpanto	7,81 milliarder dollar	nær 130 milliarder dollar (2034)	ikke oppgitt

Nord-Amerika dominerer fortsatt. Precedence Research gir regionen 33 prosent av markedet i 2025, og Getpanto plasserer Nord-Amerikas andel i samme størrelsesorden året før. Europa er ikke der tyngdepunktet ligger, og det henger delvis sammen med regulering, som vi kommer til.

Kostnad: når 1,6 billioner parametere lønner seg

For de fleste norske SMB-er er 1,6 billioner parametere overkill. Mindre modeller dekker behovet til lavere kostnad. Det er vår posisjon, og den følger direkte av regnestykket: du betaler for kapasitet du sjelden bruker.

Kostnaden ved en stor modell er ikke bare pris per token. Den er også latens, integrasjonsarbeid og risikoen ved å bygge på noe du ikke fullt ut kontrollerer. Oversiktslitteraturen påpeker at store modellers evner kommer på bekostning av treg trening og inferens, omfattende maskinvarekrav og høyere driftskostnader.

Når den store modellen faktisk lønner seg

Det finnes reelle tilfeller der en frontmodell er verdt prisen: kritisk kode, komplekst agent-arbeid over lang kontekst, oppgaver der en feil koster mye mer enn regningen. For disse er LongCat 2.0 et rimelig alternativ å teste, særlig fordi den er åpen. Men det er en smal kategori, ikke hovedvekten av det en typisk SMB gjør.

Produktivitetsgevinsten fra AI er reell, men moderat. En MIT-studie målte en målbar produktivitetsøkning blant 4 867 utviklere. Den gevinsten kommer i stor grad fra å ha AI i arbeidsflyten i det hele tatt, ikke fra å ha den aller største modellen.

Mindre modeller dekker de fleste behov

For oppsummering, klassifisering, utkast og standard kundedialog er en liten modell ofte god nok. Markedet tilbyr en rekke mindre modeller: Sebastian Raschkas oversikt nevner blant annet en Nemotron 3 Nano på 4 milliarder parametere, ZAYA1-8B og Nanbeige4.1-3B. Disse kjører på beskjeden maskinvare og koster en brøkdel.

Modell	Parametere	Passer til
LongCat 2.0	1,6 billioner (48 mrd. aktive)	Tunge, kritiske oppgaver
DeepSeek-V3	671 milliarder	Bred, kraftig bruk
Nemotron 3 Super	120 mrd. (12 mrd. aktive)	Effektiv frontbruk
ZAYA1-8B	8 milliarder	De fleste standardoppgaver
Nemotron 3 Nano	4 milliarder	Lokal, billig inferens

Poenget er ikke at små modeller alltid vinner. Det er at valget bør styres av oppgaven, ikke av hvilken modell som toppet en benchmark denne uken. En stor modell for en liten oppgave er dårlig ressursbruk.

Regn på totalen, ikke tokenprisen

Tokenpris er bare en linje i regnskapet. Legg til integrasjonstid, drift, overvåking og det ekstra rutingslaget en flermodell-arkitektur krever. Med 69 prosent av selskaper som allerede kjører tre eller flere modeller, er dette laget uansett en kostnad du bør planlegge for.

Regn også med skjulte risikoer. Samme kilde noterer at en betydelig andel av AI-foreslåtte pakkenavn ikke eksisterer, en åpning for såkalt slopsquatting. Jo mer du automatiserer med AI, desto mer trenger du kontrollrutiner rundt utdataene. Den kostnaden forsvinner ikke ved å velge en større modell.

Regulering: EU AI Act og krav til åpne modeller

En åpen kinesisk modell fritar deg ikke fra europeisk regelverk. EUs AI Act gjelder alle tilbydere og brukere av AI-systemer som markedsføres eller brukes i EU, uavhengig av hvor selskapet holder til. Norge følger EUs digitale regelverk gjennom EØS, så dette treffer norske bedrifter direkte.

Tidslinje og GPAI-forpliktelser

AI Act ble godkjent av Europaparlamentet 13. mars 2024, og trådte i kraft 1. august 2024. Forpliktelsene for generell AI (GPAI) ble håndhevbare fra 2. august 2025. Forbud gjelder etter seks måneder, GPAI-regler etter tolv måneder, og regler for AI innebygd i regulerte produkter etter 36 måneder.

Trinn	Tidspunkt
Godkjent av Europaparlamentet	13. mars 2024
Trådte i kraft	1. august 2024
Forbud gjelder	Etter seks måneder
GPAI-forpliktelser håndhevbare	2. august 2025 (tolv måneder)
Full anvendelse	To år etter ikrafttredelse
AI i regulerte produkter	Etter 36 måneder

EU-kommisjonen har avvist krav fra industrien om å utsette håndhevingen. Tidslinjen står, og bøtene er betydelige: opptil 35 millioner euro eller en andel av global årsomsetning.

Systemisk risiko og terskelen på 10 opphøyd i 25

Store modeller kan falle i en strengere kategori. GPAI-modeller med systemisk risiko er de som er trent med regnekraft over 10 opphøyd i 25 flyttalloperasjoner. En modell på LongCats størrelse er en åpenbar kandidat til å utløse de strengeste kravene, selv om den er åpen.

For deg som bruker betyr det at valget av en svært stor modell kan trekke med seg ekstra dokumentasjons- og etterlevelseskrav. Det er en kostnad som sjelden nevnes i benchmark-artikler, men som er høyst reell for et selskap som skal sette modellen i produksjon i Europa.

Ingen modeller er fullt etterlevende

Åpen kildekode er ikke det samme som juridisk trygghet. Stanford-forskere fant at ingen nåværende språkmodeller etterlever AI Act fullt ut, og at enkelte tilbydere scoret under 25 prosent på etterlevelse. Svake punkter var åpenhet om opphavsrettsbeskyttet treningsdata, energibruk, utslipp og metoder for risikoreduksjon.

IBM minner også om at modeller som kalles åpen kildekode ofte ikke er det etter Open Source Initiatives definisjon. Metas Llama-modeller er for eksempel utgitt under en egen lisens, ikke en åpen. Les lisensen før du antar at en modell er fri å bruke kommersielt.

Markedsobservasjon: personvernregler forsinker utrulling i Europa

Regulering har en målbar effekt på hvilke modeller europeiske brukere faktisk får tilgang til. En GovAI-studie omtalt av Euronews fant at 11 prosent av avanserte modellutgivelser fra selskaper som Meta, Google, OpenAI og Anthropic ble forsinket eller aldri lansert i EU, mot tallene i USA.

11 prosent forsinket eller ikke lansert i EU

Studien dekket 375 språkmodeller over en periode på åtte år. Av 68 tilfeller av forsinkelse eller manglende lansering var regulatoriske faktorer hovedårsaken i 56 tilfeller. Storbritannia lå lavere. Meta hadde den høyeste andelen, med 26 prosent av utgivelsene forsinket eller tilbakeholdt i EU.

Konkret eksempel: Claude 3 Opus fikk en forsinkelse på 71 dager i nettapplanseringen i EU. For en norsk bedrift betyr dette at den nyeste modellen ikke alltid er tilgjengelig her når den slippes andre steder.

GDPR og retten til å bli glemt

Kjernen i problemet er at språkmodeller er vanskelige å forene med GDPR. Unless påpeker at modeller ikke selektivt kan slette eller "avlære" enkelte datapunkter, noe som kolliderer med retten til å bli glemt. Offentlige API-er gir dessuten lite innsyn og kontroll over hvordan data behandles.

For en åpen modell som LongCat 2.0 er ikke dette annerledes i prinsippet. Hvis du sender persondata inn i en modell, må du kunne dokumentere hva som skjer med dem. Selve modellens opprinnelsesland er sekundært mot dette kravet.

Selvhosting løser ikke alt

En vanlig antakelse er at man løser personvernet ved å hoste modellen selv. Unless avviser den snarveien: selvhosting løser ikke problemene med datastyring og mangler finkornet tilgangskontroll. Skyleverte løsninger har de samme begrensningene. Unless foreslår å kombinere skyinfrastruktur med et datasikkerhetshvelv som tokeniserer sensitive data.

Den praktiske lærdommen for en SMB: personvern er et arkitekturspørsmål, ikke et modellvalg. Å bytte til en åpen modell fjerner ikke behovet for kontroll over dataflyten. Det flytter bare ansvaret nærmere deg.

Vanlige feil når norske bedrifter vurderer store modeller

De fleste feilene handler ikke om teknologien, men om beslutningsprosessen. Her er de vi ser oftest.

Å velge modell etter en enkelt benchmark

En score som 59,5 på SWE-bench Pro er et signal om at en modell er verdt å teste, ikke et bevis på at den passer deg. Ulike tester måler ulike ting, og som Llama 4-saken viste, kan tall til og med være manipulert. La benchmarks bestemme kandidatlisten, ikke sluttvalget.

Å forveksle større med bedre

1,6 billioner parametere imponerer, men de fleste oppgaver løses godt av langt mindre modeller. Inflection-2.5 oppnår over 94 prosent av GPT-4s ytelse med bare 40 prosent av trenings-FLOPene. Effektivitet slår rå størrelse i de fleste regnestykker en SMB gjør.

Å hardkode produktet til en modell

Med 324 modellutgivelser og en kvalitetsindeks som svinger mellom versjoner, er det risikabelt å binde seg til en enkelt modell. Bygg et rutingslag fra start, selv om det bare har to modeller i begynnelsen. Da kan du bytte uten å bygge om produktet.

Å ignorere jussen til det er for sent

Med bøter på opptil 35 millioner euro eller en andel av omsetningen, og en tidslinje EU-kommisjonen nekter å utsette, er etterlevelse ikke noe du kan feste på til slutt. Ta med det juridiske kravet i selve modellvalget, særlig når persondata er involvert.

Å tro at åpen modell betyr fri bruk

"Åpen kildekode" er et upresist begrep. IBM understreker at mange modeller som kalles åpne ikke er det etter en streng definisjon, og at lisensene varierer. Les lisensvilkårene før du bygger et kommersielt produkt på en modell.

Ofte stilte spørsmål om LongCat 2.0

De vanligste spørsmålene vi får fra ledere som vurderer modellen.

Er LongCat 2.0 bedre enn GPT-5.5?

På en test, ja. LongCat 2.0 scorer 59,5 på SWE-bench Pro og slår ifølge 36Kr både GPT-5.5, Gemini 3.1 Pro og Claude Opus 4.6 der. "Bedre" på en benchmark betyr ikke bedre for din oppgave. Det avhenger av hva du bruker modellen til, og det finner du bare ut ved å teste på egne oppgaver.

Kan en norsk SMB kjøre modellen selv?

I praksis nei. En modell med 48 milliarder aktive parametere og en total på 1,6 billioner krever betydelig maskinvare. De fleste vil bruke den via en API-leverandør, ikke på egne servere. Og selvhosting løser uansett ikke personvernkravene, slik Unless påpeker.

Er det trygt å bruke en kinesisk modell på persondata?

Det avhenger av dataflyten din, ikke av modellens opprinnelse alene. Uansett modell må du kunne dokumentere hvordan persondata behandles under GDPR, og modeller kan ikke selektivt slette data. Med sensitive data bør du ha et arkitekturlag som isolerer og tokeniserer dem, uavhengig av hvilken modell du velger.

Bør vi bytte fra vår nåværende leverandør?

Sjelden. De fleste vinner mer på å legge til et rutingslag enn på å bytte ut alt. Med 69 prosent av selskaper som allerede kjører flere modeller, er det mer et spørsmål om å utvide porteføljen enn å erstatte den.

Hvor mange oppgaver bør vi teste på?

30 til 80 reelle oppgaver, ifølge både vår erfaring og NxCode. Det er nok til å se et mønster og få nok til at et menneske kan vurdere hvert svar. Mål alltid kostnad og latens ved siden av treffsikkerhet.

Oppsummering: bør du bry deg?

LongCat 2.0 er en teknisk sterk modell og et viktig strategisk signal, men for de fleste norske SMB-er er den ikke et verktøy du tar i bruk på mandag. De 1,6 billioner parameterne er overkill for det meste, og mindre modeller dekker behovet til lavere kostnad. Behandle den som et mulig lag i en rutingsarkitektur, ikke som en erstatning for det du har.

Det du bør bry deg om, er signalet: at en 1,6 billioner parameters modell ble trent på 50 000 innenlandske kort forteller at brikke-uavhengighet er på vei, og at leverandørlandskapet blir bredere og billigere. Det er gode nyheter for deg som kjøper.

Praktisk betyr det tre ting. Bygg et rutingslag så du kan bytte modell uten å bygge om produktet. Test nye modeller på 30 til 80 egne oppgaver med kostnad og latens som egne kolonner. Og ta jussen, med bøter opptil 35 millioner euro eller en andel av omsetningen, inn i selve modellvalget fra start. Gjør du det, er du godt posisjonert uansett hvilken frontmodell som topper listen neste uke.

I Alura hjelper vi norske bedrifter med å bygge AI-strategi som faktisk lar seg gjennomføre. Vi kombinerer dyp teknisk innsikt med erfaring fra alt fra SMB til enterprise, og leverer veikart som virker i praksis, ikke bare i PowerPoint.

Bestill en strategiøkt: en halvdags samtale der vi kartlegger virksomhetens AI-modenhet, identifiserer de tre prosessene med størst potensial, og leverer et konkret veikart med budsjettramme. Uforpliktende.