Modellvalg
Hvilken modell agentene og promptene våre bruker, og hvorfor.
Kort fortalt
Vi velger modell etter hva oppgaven krever, hva den koster og hvordan modellen gjør det i våre egne målinger. Hvem som lager modellen, spiller ingen rolle.
| Oppgave | Bruk |
|---|---|
| Daglig koding | GPT-6.1 Sol (Low) Besto alle sjekkene i koding, norsk og research. |
| @nav-pilot | GPT-6.1 Sol Agentpakken bruker den som standard fra 23. oktober. |
| Kodegjennomgang, sikkerhet og personopplysninger | Claude Opus 5.5 (Low) Fant oftest feilene i nais.yaml, SQL og tilgangskontroll. |
| Små, avgrensede rettinger og research | GPT-6 Luna Billig. Ikke til sikkerhetsgjennomgang. |
| Norsk tekst, Aksel og tilgjengelighet | Claude Sonnet 5.5 Besto 24 av 25 tilgjengelighetssjekker og 20 av 20 norsksjekker. |
GPT-6.1 Sol og personopplysninger
I en pilot 12. oktober 2026 la GPT-6.1 Sol to ganger fødselsnummer i en Kafka-melding uten å spørre om personvern først. 23. oktober fikk @nav-pilot en regel om å stoppe og spørre direkte før et nytt felt med personopplysninger. Med regelen stoppet GPT-6.1 Sol før endringen i fem av fem kjøringer og stilte spørsmålet i fire. Eieren godtok det, og @nav-pilot bruker den nå. Se målingen.
- GPT-6 Luna og Claude Haiku 5.5 besto alle sjekkene i kodeoppgavene for under 2 credits per kjøring, mot rundt 25 for GPT-6.1 Sol. Se Koding
- Claude Opus 5.5 fant flest av de plantede sikkerhetsfeilene i kodegjennomgangen 7. oktober. Se Kodegjennomgang
- I koding besto alle innsatsnivåene alle sjekkene, så høyere nivå ga bare høyere pris. Se Innsatsnivå
Våre valg
Bruk GPT-6.1 Sol med lav innsats til daglig koding. Den besto alle sjekkene i koding, norsk og research 6. oktober. Den 12. oktober vurderte vi planleggingstesten og to av kodegjennomgangstestene på nytt med rettede sjekker (kjørt 11. oktober), og den besto fem av fem. @nav-pilot bruker også GPT-6.1 Sol fra 23. oktober. Til kodegjennomgang og alt som gjelder sikkerhet og personopplysninger anbefaler vi likevel Claude Opus 5.5 med lav innsats: GPT-6.1 Sol fant sikkerhetsfeilene sjeldnere (7. oktober). Av modellene vi har målt, fant Opus oftest feilene i nais.yaml, SQL og tilgangskontroll, men den koster 1,6 til 2,8 ganger så mye. GPT-6 Luna er billig og god til små, avgrensede rettinger og en rask førstegjennomgang av kode der sikkerhet ikke er tema, men ikke til sikkerhetsgjennomgang.
Tabellen viser hva agentene og promptene er pinnet til. Modellen står i fila til agenten eller prompten. Reservemodellen er den vi bytter til hvis hovedmodellen svikter. Starter @nav-pilot en annen agent som subagent, arver den modellen fra @nav-pilot.
| Oppgave | Brukes av | Modell | Reserve | Hvorfor |
|---|---|---|---|---|
| Planlegging og koding med @nav-pilot | @nav-pilot | GPT-6.1 Sol | GPT-6 SolGPT-5.3-Codex | Besto regresjonssjekken etter trinn 2 i pin-protokollen 23. oktober, fem kjøringer per test. Eieren godtok ett grensetilfelle på personvernintervjuet. Brukte færre credits per kjøring enn GPT-6 Sol 12. oktober (44,89 mot 51,12). Se målingen |
| Kafka-agent | @kafka | GPT-6 Luna | GPT-6 SolGPT-5.3-Codex | Besto alle 30 sjekker i kodesuiten på Medium for omtrent 1,7 credits, mot omtrent 28 med GPT-6 Sol. Claude Haiku 5.5 Low ga ingen målbar forskjell 8. oktober (p = 0,84; første måling p = 1,0). Oppgavene var små, så Sol er reserve. |
| Rust-agent | @rust | Claude Haiku 5.5 | GPT-6 LunaGPT-5.3-Codex | Besto 5 av 5 på begge Rust-oppgavene 8. oktober, og var billigere i alle fem kjøringene på Low: 0,87 til 1,02 credits mot 1,11 til 1,58 med GPT-6 Luna Medium (p = 0,008). Oppgavene var små rettinger i én fil, så dette er et kostnadssignal, ikke et kvalitetsskille. Anbefalt innsatsnivå er Low. |
| Research og faste maler | @research, aksel-component, golang-service, kafka-topic, ktor-endpoint, nais-manifest, nextjs-api-route, spring-boot-endpoint | GPT-6 Luna | GPT-5.6 LunaGPT-5.3-Codex | Besto samme krav som GPT-5.6 Luna i blokkeringsskjermen 23. september, til lavere pris. |
| Høyrisikoplanlegging og kodegjennomgang | @code-review, @nav-pilot-opus, @security-champion | Claude Opus 5.5 | GPT-6 SolGPT-5.3-Codex | Fant alle plantede feil på riktig linje i ti av ti kodegjennomganger 30. september. Low holder. |
| Aksel, tilgjengelighet og norsk tekst | @accessibility, @aksel, @forfatter | Claude Sonnet 5.5 | Claude Sonnet 5 | Besto 24 av 25 tilgjengelighetssjekker 12. oktober 2026 (uu1–uu5, fem kjøringer hver) og 20 av 20 norsksjekker 1. oktober. GPT-6 Luna kostet omtrent en niendedel, men besto bare 15 av 25: den viste aldri til WCAG-kriterier og spurte aldri før den skrev en egen ARIA-rolle. Se målingen |
| Rask oppretting av Aksel-komponenter | Gemini 3.8 Flash | Ingen | Rask og billig til å lage Aksel-komponenter fra en fast mal. |
Målinger
Vi kjører de samme oppgavene flere ganger for hver modell og hvert innsatsnivå. Få kjøringer holder til å finne tydelige feil, men ikke til å rangere modellene. Sist oppdatert 12. oktober 2026.
- n er hvor mange ganger vi kjørte samme oppgave.
- 95 %-intervallet viser hvor den sanne andelen bestått trolig ligger: 5 av 5 bestått gir et intervall fra 57 til 100 %.
- Credits per løst oppgave er median credits delt på andelen bestått.
- «Besto hver gang» er andelen sjekker som besto i alle n kjøringene.
- Tabellene viser den nyeste målingen for hver modell og hvert innsatsnivå. Eldre målinger kan du slå på.
- «Delvis testsett» betyr at kjøringen bare tok noen av sjekkene som en annen kjøring av samme modell og nivå tok. Den vises med hul markør i diagrammet og står utenfor linjen til modellen.
Filter for alle målingene
Alle modellene besto alle sjekkene, så diagrammet skiller dem bare på pris.
| Modell | Innsatsnivå | Bestått | 95 %-intervall | Credits per løst oppgave | Dato |
|---|---|---|---|---|---|
| Claude Sonnet 5.5 | standard (kjørte på medium) | 100 % | 89–100 % | 25,3 | 30. september 2026 |
| GPT-6 Luna | high | 100 % | 89–100 % | 1,8 | 30. september 2026 |
| Claude Opus 5.5 | low | 100 % | 89–100 % | 47,9 | 6. oktober 2026 |
| Claude Haiku 5.5 | low | 100 % | 89–100 % | 1,6 | 8. oktober 2026 |
| Claude Haiku 5.5 | medium | 100 % | 89–100 % | 1,7 | 8. oktober 2026 |
| GPT-6 Luna | medium | 100 % | 89–100 % | 1,9 | 8. oktober 2026 |
| GPT-6.1 Sol | high | 100 % | 89–100 % | 27,8 | 12. oktober 2026 |
| GPT-6.1 Sol | low | 100 % | 89–100 % | 25,7 | 12. oktober 2026 |
Priser
Listepris per million tokens for modellene over som Nav har aktivert. Hele prislisten står på Modellpriser.
15 modeller
«Cache write» er kostnaden for å skrive kontekst til cache, og kommer i tillegg til cached input.
Innsatsnivå (effort)
Effort styrer hvor mye arbeid modellen legger i svaret: hvor mye den resonnerer, hvor mange verktøykall den gjør og hvor langt den svarer. Mer er ikke alltid bedre. På enkle oppgaver bruker modellene ofte mange flere tokens uten å bli mer treffsikre, og for lang resonnering kan gi dårligere svar. På lange kodeoppgaver løfter høyere effort andelen bestått noe, men gevinsten er liten øverst: fra high til max økte andelen bestått med ett prosentpoeng, for 76 prosent høyere kostnad.
Våre egne målinger sier det samme. På kodeoppgavene besto GPT-6 Sol (30. september) og GPT-6.1 Sol (30. september og 12. oktober 2026) alle sjekkene både på Low og på High, men High kostet 8–9 prosent mer. På planlegging 30. september var High dårligere: GPT-6 Sol besto 14 av 20 sjekker på High mot 18 av 20 på Low, og GPT-6.1 Sol 10 av 20 mot 15 av 20. I kodegjennomgang fant Claude Opus 5.5 alle de plantede feilene på både Low og High, men High kostet 60 prosent mer. Rådata ligger i målingen 30. september og målingen 12. oktober. Rådene under bygger på kildene og på disse målingene.
| Innsatsnivå (effort) | Når du bør bruke det |
|---|---|
| Low | Godt avgrensede oppgaver som er lette å kontrollere, som faste maler, søk og subagenter. |
| Medium | Vanlig agentisk koding med tydelig omfang. |
| High | Endringer på tvers av moduler og lange oppgaver. |
Kilder:
Del dine erfaringer
Har du fått bedre eller dårligere resultater med en annen modell? Si fra i #ki-produktutvikling-diskusjon på Slack. Bakgrunnen for valgene står i modellvalg.md.