Størrelse teller i AI-verdenen
Mindre modeller har fått store sprang i kvalitet, men i praksis er det fortsatt et merkbart gap mot toppmodellene. Nicks test av Claude Code mot Gemma 4 E4B viser hvor det gapet ligger.
Testen
- Modell: Gemma 4 E4B, ~4,5 milliarder effektive parametere
- Verktøy: Claude Code med lokal modell
- Oppgaver: HTML-strukturering og JavaScript-funksjonalitet
Resultatene
| Oppgave | Resultat |
|---|---|
| Grunnleggende HTML | Akseptabelt, fungerte direkte |
| Komplekse JS-oppgaver | Buggy, krevde manuell feilsøking |
| Iterativ feilretting | Ikke nok til å lukke gapet |
E4B-modellen klarte enkle, deklarative oppgaver – men feilet på det som krever flere parallelle resonneringssteg.
Hva gapet betyr i praksis
For utviklere som vurderer lokal AI:
- Enkle oppgaver – mindre modeller fungerer fint
- Standard kodearbeid – middels store modeller (12–31B, som Gemma 4 12B eller 31B) er typisk minimum
- Komplekst utviklingsarbeid – sky-modeller eller en hybrid-tilnærming er fortsatt sterkest
Når mindre er nok
Mindre modeller er ikke håpløse – de er bare ikke universalverktøy. For klassifisering, tagging, oppsummering og enkle kodefragmenter er en modell i E2B/E4B-klassen ofte raskere og billigere uten merkbart kvalitetstap.
Oppsummering
I AI-verdenen teller størrelse fortsatt på de tunge oppgavene. Velg modell etter oppgave, ikke omvendt. Se modellkatalogen for hvordan dette kan automatiseres.
