Lager og ordre
Fordele begrenset lager og løse konkurrerende ordre etter vedlagte regler.
Aprex tester AI på norske arbeidsoppgaver med fast fasit. Se resultatene og hvordan vi kontrollerer dem.
Resultater oppdatert
Avansert kalibrering 0.1 · 12 syntetiske bokmålsoppgaver · én repetisjon per modell. Åtte HIGH-ruter (96 svar fra to kjøringer), pluss en separat Qwen-test med xhigh.
Riktige felt: 290/292. diagnostikk · ingen delpoeng.
anthropic/claude-haiku-5-5advanced-v01-2026-10-10-haiku · 2026-10-105f55d82430baa317bbd8dff30829b2d799f75b6be3f59476abe8455fd4e519fb3dea247270af42f7f0dddfaac4f7b861cd6309eb0a084315b28d5438ad2a2a3daf406048c8138dc0ce5c4bd763547929327e7b6e48f5b0998db0aef3517533240a4a93946c71ef58facb8b24599b94d7ee9468fdRiktige felt: 291/292. diagnostikk · ingen delpoeng.
anthropic/claude-opus-5-5advanced-v01-2026-10-10-opus · 2026-10-105f55d82430baa317bbd8dff30829b2d799f75b6b722c15b7dd27939c5b298d6efa6c7f49eb9a612ef70ab1fe3e726e36b7994678a2f2e872ee49b14d57e1c11b3354dbbd5e3f81271580302178fb2921c34e4fc716f082c0966955b427aad0d930c8c9b6e668129aa5c5d616a15354d183a30e6eRiktige felt: 288/292. diagnostikk · ingen delpoeng.
opencode-go/deepseek-v4.1-flashadvanced-v01-2026-10-10-deepseek · 2026-10-105f55d82430baa317bbd8dff30829b2d799f75b6b90b1a48c6548e487b81a1c802ad7c1ab6ed0d206edb8f0e58326b1f1f7a021ee7b079382e576759867a991e77bfc97c9e78e6be58b11553481d7be59027a4cae19c2f610da3d9b3c9b79b5e6cc46884401f8be4a347d230154ca3384ac142306Riktige felt: 292/292. diagnostikk · ingen delpoeng.
openai/gpt-6-astraadvanced-v01-high-extension-2026-10-10-astra · 2026-10-10a230b80a22b962b1f69f39170b22950db657986dfccb8e875ae7fbc0546bd740eddc9c27a4a830bdb11414baed5964c34e1a311aa6e1ea40acd26fe488d294a8aaf9385bf20b4b70ad8a6cc0daaa3c4bfdefa76b50b516678c5c3db2397f923ade83ea3674956282fb6934b4751432fd0581fbadRiktige felt: 270/292. diagnostikk · ingen delpoeng.
codex/gpt-6-lunaadvanced-v01-2026-10-10-luna · 2026-10-105f55d82430baa317bbd8dff30829b2d799f75b6b544706915eea14f643d4bb929df1b47748519423db5f3c4ac5243401ff5a217471e4e55a203776ffd8ce4d0d2708d6a3e2cfd21958217bcf7e8ff31fae7baa9f078d9d0f541daad196d654abed9124978f9618340c34aadac5eeb3424807b87fRiktige felt: 292/292. diagnostikk · ingen delpoeng.
openai/gpt-6.1-soladvanced-v01-high-extension-2026-10-10-sol · 2026-10-10a230b80a22b962b1f69f39170b22950db657986d9ffb1f7958ea5f323cb0e4c340f6ccb3d3012a4d5230ab4cc36a0dcb9dee233bc555ade670f7d768f32e1ab7835411b329d6e61690bb3ed7649f962bb97b0a062e96682bb57236d544b6ed2027dfbc0d3399c39383f41bbf87aed20b185a5d98Riktige felt: 292/292. diagnostikk · ingen delpoeng.
google/gemini-3.8-flashadvanced-v01-high-extension-2026-10-10-gemini · 2026-10-10a230b80a22b962b1f69f39170b22950db657986dbc4762926981f3674f92d986415fef29c50d1f4b550a0e2c48f3efe929f413a8172889dcbcb3d48f53b1c8f90d9357bcd03d2ffc2f64c604375880822b5d4004d31d7434cf37fc33733c85fa7ea62ffabd6a9214a6088b457327287717515a59Riktige felt: 289/292. diagnostikk · ingen delpoeng.
meta-muse/muse-spark-1.3-contributoradvanced-v01-high-extension-2026-10-10-muse · 2026-10-10a230b80a22b962b1f69f39170b22950db657986d199d5ef3e6d9e75a45e6855d3dc090f390771dc905f61d7227da6a90dce56e331473ea0c803278eddbff91a53015d0eb6966b8fa36ecd514ad9574747aff456bd75dc632ce7a7aeab8ddc6da543b5390c1bfd4b6e3dba0074b0ff1af7e4b3281| Modell | Lager og ordre4 oppgaver · 80 felt | Fakturaavstemming4 oppgaver · 104 felt | Saksflyt og frister4 oppgaver · 108 felt |
|---|---|---|---|
| Claude Haiku 5.5 | 4/480/80 felt | 4/4104/104 felt | 3/4106/108 felt |
| Claude Opus 5.5 | 4/480/80 felt | 3/4103/104 felt | 4/4108/108 felt |
| DeepSeek V4.1 Flash | 4/480/80 felt | 4/4104/104 felt | 1/4104/108 felt |
| GPT-6 Astra | 4/480/80 felt | 4/4104/104 felt | 4/4108/108 felt |
| GPT-6 Luna | 3/479/80 felt | 1/496/104 felt | 0/495/108 felt |
| GPT-6.1 Sol | 4/480/80 felt | 4/4104/104 felt | 4/4108/108 felt |
| Gemini 3.8 Flash | 4/480/80 felt | 4/4104/104 felt | 4/4108/108 felt |
| Muse Spark 1.3 | 4/480/80 felt | 2/4101/104 felt | 4/4108/108 felt |
Separat kjøring med xhigh (inngår ikke i HIGH-tallene)
Riktige felt: 292/292. diagnostikk · ingen delpoeng.
opencode-go/qwen3.8-maxqwen-xhigh-isolated-2026-10-10 · 2026-10-10a230b80a22b962b1f69f39170b22950db657986d75d73dca32bf2f5c9f4c94f4100e6a2787a5ab43fd67218d8dab3242f05a0ea435f4c3da16476b15e1f4e73ab5407fea6d72175f43a3e71e7663742d64eb311a4e2c0130fdf98dcc45858540f97bfa6e053b544b03df9f335b163e0117167d807a16849f6dff0cf0ea1af7ec7029b8919e34bdaf137492d060a6b56e8f663c545132dfd81cbb · skårer 4f26f9806b58 · revisjon ca60602200a7Aprex AS, Norsk AI-barometer, avansert kalibrering 0.1, gjeldende reviderte utvalg 10. oktober 2026 (advanced-v01-audited-selection-2026-10-10). Lenk til denne siden og oppgi CSV/JSON-dato, utvalg og rettelsene.
Fire oppgaver i hver kategori. Alle dokumenter og regler er fiktive. Testen måler presise svar, ikke fri skriving eller juridisk ekspertise.
Fordele begrenset lager og løse konkurrerende ordre etter vedlagte regler.
Koble fakturaer, betalinger og justeringer på tvers av flere dokumenter.
Bruke unntak og beregne frister fra en fiktiv sakshistorikk.
Tallene som er publisert, er en kalibrering. Første fullmåling på reserverte oppgaver gjenstår.
Programmet sammenligner svaret med en fasit beregnet fra syntetiske data. Ingen AI-dommer setter poengene.
En oppgave er riktig bare når alle påkrevde felt er riktige. Felttall forklarer feil og gir ingen delpoeng.
Sendt oppgave, svar, modellinnstilling og verktøyhistorikk kontrolleres. Kjøreverktøy og reasoning følger hvert resultat.
Les hele metoden: poengregler, usikkerhet og dataformat →
Bedrifter tar i bruk AI raskt, men har lite å gå etter når de skal velge modell til norske oppgaver.
De kjente testene av språkmodeller måler mest engelsk, programmering og matematikk. De sier lite om en norsk faktura, et kundesvar eller et referat på nynorsk.
Valget tas ofte på magefølelse eller markedsføring. Tall på norske arbeidsoppgaver gir et bedre grunnlag, også for kostnaden.
Aprex tester modeller når vi bygger AI-løsninger. Nå gjør vi det systematisk og publiserer tallene med metoden. Siste HIGH-utvalg 10. oktober er publisert med Gemini loggkontrollert; tidligere tall er bevart som historikk. Første godkjente fullmåling gjenstår.
Neste fase: planlagte oppgavetyper, modeller og offentlige eksempler →
Tidligere rapporter er bevart. Ulike testversjoner skal ikke leses som en utviklingskurve for modellene.
Tidligere resultatfiler beholdes som egne versjoner.
Start med oppgaven, ikke modellen. Se på poengene for den typen arbeid dere skal gjøre, ikke bare totalen, og sammenlign med kostnaden. For enkle oppgaver som sortering og uttrekk kan en rimeligere modell være god nok. Test alltid på noen av deres egne eksempler før dere bestemmer dere.
Ja, men det krever avklaringer først: databehandleravtale med leverandøren, hvor dataene behandles, om leverandøren kan trene modeller på dem, og at dere bare sender det som trengs. Personvernforordningen gjelder også når en AI-modell behandler opplysningene. Les mer →
Det avhenger av leverandør, produkt og avtale. Noen tilbyr behandling i EU eller EØS, andre gjør det ikke. Sjekk hvor dataene lagres og behandles, og få det skrevet inn i avtalen. Les mer →
Barometeret måler avgrensede oppgaver med fast fasit, ikke generell flyt. Nynorsk-typen har kun kontrollerte ordform- og regeloppgaver. Se poengene når første godkjente fullmåling er publisert — kalibreringen over er kun et utviklingssignal på 12 bokmålsoppgaver — og test på deres egne tekster.
Via API betaler dere per bruk, og prisen varierer mye mellom modellene. Kostnad per 100 oppgaver vil vise målt API-pris for oppgaver som dem i testen. Abonnementspiloten rapporterer ingen API-kostnad; lisenser til chattjenester har fast pris per bruker. API og abonnement er separate spor og sammenlignes ikke direkte. Den publiserte kalibreringen inneholder ingen kostnads- eller svartidsmålinger. Utvikling og drift av selve løsningen kommer i tillegg. Les mer →
For ansatte som skriver, oppsummerer og søker, kommer man ofte langt med det. Når en oppgave skal gjøres likt mange ganger, hente data fra egne systemer eller kjøre uten at noen sitter og chatter, trengs en integrasjon. Da er det modellen bak som betyr noe. Første pilot bruker Codex og Claude Code med abonnement. API og nettleseropplevelsen er separate spor; produkt, modell og versjon oppgis i hver måling. Les mer →
EUs KI-forordning stiller krav etter risiko. Vanlige bruksområder som kundesvar, oppsummering og dokumentuttrekk regnes vanligvis ikke som høyrisiko, men det finnes krav om åpenhet, for eksempel at kunder skal vite når de snakker med en AI. Les mer →
Ikke uten kontroll. Barometerets regelverkstype bruker kun medfølgende fiktive regler, tester ikke juridisk ekspertise og gir ikke juridisk rådgivning. Bruk AI til å finne og oppsummere, og la en person kontrollere mot kilden før svaret brukes.
Velg én arbeidsflyt som tar mye tid og har tydelige regler. Samle ti til tjue ekte eksempler, test to eller tre modeller på dem, og mål tid og feil før og etter. Det er det samme vi gjør i barometeret, bare på deres oppgaver. Les mer →
Et barometer under utvikling fra Aprex AS (0.5-utkast) for avgrensede norske oppgaver med etterprøvbar fasit på bokmål og nynorsk: 48 oppgaver (12 offentlige/12 kalibrering/24 holdout). Vanskelighetsgradene er forfattervurderte, ikke empirisk kalibrerte. Første godkjente fullmåling er ikke publisert. Siste HIGH-utvalg 10. oktober (12 syntetiske bokmålsoppgaver, 8 ruter, 96 svar, pluss separat Qwen xhigh med 12 svar) er publisert som separat utviklingssignal. Fullresultatene vil vise poeng per splitt med holdout-24 som primær sammenligning, API-kostnad og svartid per modell.
12 modeller fra 8 leverandører er planlagt: GPT-6 Astra, Claude Opus 5.5, Gemini 3.1 Pro, Grok 4.7, Mistral Medium 3.5, DeepSeek V4 Pro, Qwen 3.8 Max, Muse Spark 1.3 som toppmodeller, og GPT-6 Luna, Claude Sonnet 5, Gemini 3.8 Flash, Mistral Large 3 som rimelige modeller. Listen er ikke fast; referansekandidater konfigureres separat. Katalogen har ingen resultater; siste utvalg dekker kun de 8 faktisk kjørte HIGH-rutene. Endringer i listen står i endringsloggen.
Målet er hver uke. Ingen godkjente fullmålinger er publisert ennå; avansert kalibrering 0.1 er publisert som separat utviklingssignal. Fullresultater publiseres først når en kjøring har bestått de automatiske kontrollene og Aprex har gått gjennom avvikene.
Hver oppgave gir 100 eller 0. Svaret må være JSON med nøyaktig de krevde feltene. Alle felt må være riktige etter normalisering (datoer, beløp, siffer, kategorier, boolske verdier). Null er gyldig bare der fasiten uttrykkelig tillater det. Det gis ingen delpoeng i rangeringen i v0.5; andel riktige felt er bare diagnostikk. Manglende svar listes separat uten 0. Ingen AI-dommer. Kalibreringen bruker samme 100/0-regel.
De 12 eksempeloppgavene på metodesiden er offentlige og kan være kjent for en modell. Kalibrering og holdout er ikke offentlige: de står ikke på siden og ligger ikke i nettstedets kilde eller metadata. Repoet er privat uten immunitet mot trening, og en kjører sender tildelt oppgavetekst til leverandøren ved kjøring. Holdout er reservert sluttevaluering. Resultater fra offentlige oppgaver og kalibrering slås aldri sammen til en påstått måling på usette oppgaver. De 12 avanserte kalibreringsoppgavene er brukt til utvikling og er ingen urørt sluttest; de 24 holdout-oppgavene er fortsatt urørt.
Fordi den beste modellen ikke alltid er det beste valget. For mange oppgaver kan en rimeligere og raskere modell være god nok. Kostnaden er målt API-pris hos leverandøren og blandes ikke inn i poengene. Abonnementspiloten rapporterer ingen API-kostnad. API og abonnement er separate spor. Kalibreringen rapporterer ingen kostnad eller svartid.
Ja. Kalibreringstallene kan brukes nå; oppgi Aprex som kilde og lenk til denne siden. Hver måling får en CSV-fil med alle tall.
Siste utvalg gjelder 12 syntetiske bokmålsoppgaver og 8 HIGH-ruter fra to kjøringer med ulik harness, pluss separat Qwen xhigh med 12 svar, presentert alfabetisk uten rangering eller påstand om generell overlegenhet. Fullresultatene vil gjelde disse 48 avgrensede oppgavene og de produkt- og modellversjonene som var tilgjengelige den uken de ble målt. Vanskelighetsgradene er forfattervurderte, ikke empirisk kalibrerte. Fri skriving, tone og flyt måles ikke. Aprex bruker selv modeller fra flere av leverandørene. Leverandørene har ingen innflytelse på metoden og får ikke se resultatene før de publiseres.
Barometeret viser et snitt på kontrollerte oppgaver. Fortell hva dere vil bruke AI til, så hjelper vi dere med å velge og teste riktig modell på deres egne oppgaver.
Fortell hva dere vil teste →