---
title: 'Hvilken model skal jeg vælge?'
description: 'Trade-offs mellem Gemma 4 varianter (plus Gemma 3 legacy) og capability matrix der bestemmer tool-access.'
canonical: 'https://cartwright.app/docs/ai/local-ai/model-selection'
---

# Hvilken model skal jeg vælge? (/docs/ai/local-ai/model-selection)



## TL;DR — anbefalinger [#tldr--anbefalinger]

| Use case                               | Anbefalet model                             | Size   | RAM    | Tool-tier                    |
| -------------------------------------- | ------------------------------------------- | ------ | ------ | ---------------------------- |
| Production shop, almindelig hardware   | **gemma4:e4b** (`e4b-mlx` på Apple Silicon) | 9.6 GB | 16 GB+ | Lav-risk writes (\~15 tools) |
| High-end workstation, maks kvalitet    | **gemma4:26b**                              | 18 GB  | 32 GB+ | Alle 37 tools                |
| Tiny laptop, 8GB RAM                   | **gemma4:e2b** (`e2b-mlx` på Apple Silicon) | 7.2 GB | 8 GB+  | Læs-only (\~10 tools)        |
| Niche, langsomst men dybeste reasoning | **gemma4:31b**                              | 20 GB  | 32 GB+ | Alle 37 tools                |
| Testing alternativ open-source         | **Llama 3.3 70B**                           | 40 GB  | 64 GB  | Alle 37 tools                |

## Capability matrix [#capability-matrix]

Cartwright capper hvilke admin-tools en model får adgang til, baseret på modellens reelle function-calling-kvalitet:

* **`read-only`** — kun læse-tools (`*.search`, `*.list`, `*.get`, `analytics.summary`, `audit.list`, `settings.get`). Cirka 10 tools.
* **`low-risk-writes`** — ovenstående + sikre writes (`pages.upsert`, `categories.upsert`, `discounts.toggle`, `images.search_unsplash`, `products.attach_image`). Cirka 15 tools.
* **`all`** — alle 37 admin-tools inkl. destruktive writes (`products.delete`, `orders.update_status`, `marketing.create_campaign`, `audit.revert`).

Hvorfor cap'es det? Fordi small-models laver tool-call-fejl. En 2-4B-model kan godt sige *"jeg vil kalde `products.delete` på slug 'foo'"*, men når Zod validerer args mod schema, fejler det ofte. Bedre at vise færre tools end at admin spørger AI'en og får "AI prøvede og fejlede" som svar.

## Gemma 4 — anbefalet stack [#gemma-4--anbefalet-stack]

Gemma 4 er Google's nyeste open-source-model: multimodal (text + image), 128K-256K context window, og MLX-optimerede varianter for Apple Silicon. Vores capability-tier er konservativt valgt — bump'es efter empirisk verifikation.

### gemma4:e4b / gemma4:e4b-mlx (anbefalet) [#gemma4e4b--gemma4e4b-mlx-anbefalet]

```bash
# Apple Silicon (M1/M2/M3/M4)
ollama pull gemma4:e4b-mlx

# Linux / Intel Mac / Windows
ollama pull gemma4:e4b
```

* **Storrelse:** 9.6 GB download
* **Latency:** 0.5-3 sek pr. svar på Apple Silicon med MLX-variant
* **Sweet spot** for de fleste shops. Læser + low-risk writes.
* **Tool-tier:** `low-risk-writes` (\~15 tools)
* **Context:** 128K tokens

### gemma4:26b (max kvalitet) [#gemma426b-max-kvalitet]

```bash
ollama pull gemma4:26b
```

* **Storrelse:** 18 GB download
* **Latency:** 3-12 sek pr. svar
* **Alle 37 admin-tools** inkl. destruktive operations.
* **Tool-tier:** `all`
* **Context:** 256K tokens

### gemma4:e2b / gemma4:e2b-mlx (tiny) [#gemma4e2b--gemma4e2b-mlx-tiny]

```bash
# Apple Silicon
ollama pull gemma4:e2b-mlx

# Andre
ollama pull gemma4:e2b
```

* **Storrelse:** 7.2 GB download
* **Latency:** 0.3-1.5 sek pr. svar med MLX
* **God til Explain-knapper** og simpel læs-chat. Cappet til read-only tools.
* **Tool-tier:** `read-only`

### gemma4:31b (niche) [#gemma431b-niche]

```bash
ollama pull gemma4:31b
```

* **Storrelse:** 20 GB download
* **Latency:** 5-18 sek pr. svar
* **Lidt bedre reasoning end 26b på lange flows**, men slower. Vælg kun hvis du har specifik use case.
* **Tool-tier:** `all`
* **Context:** 256K tokens

## Gemma 3 (legacy — virker stadig) [#gemma-3-legacy--virker-stadig]

Cartwright's `MODEL_CAPABILITIES` har stadig entries for Gemma 3 så kunder der allerede har pulled disse modeller kan blive ved med at bruge dem:

| Model      | Size  | RAM   | Tier            |
| ---------- | ----- | ----- | --------------- |
| gemma3:4b  | 3 GB  | 8 GB  | read-only       |
| gemma3:12b | 7 GB  | 16 GB | low-risk-writes |
| gemma3:27b | 17 GB | 32 GB | all             |

Migration til Gemma 4 anbefales men ikke obligatorisk — bare pull den nye model og vælg den i admin-UI.

## Llama 3.3 70B (alternativ heavy) [#llama-33-70b-alternativ-heavy]

```bash
ollama pull llama3.3:70b
```

* **Storrelse:** 40 GB download, 48 GB i RAM
* **Latency:** 10-30 sek pr. svar
* **Bedste open-source reasoning** for tool-heavy flows. Overkill for de fleste shops.
* **Tool-tier:** `all`

## Hvad sker der med en ukendt model? [#hvad-sker-der-med-en-ukendt-model]

Hvis du pull'er en model der ikke er i Cartwright's hardcoded `MODEL_CAPABILITIES`-matrix, defaulter den til **`read-only`** tier — den sikre default.

Vil du have din model anerkendt? PR til [`lib/ai/client.ts`](https://github.com/cartwright/cartwright/blob/main/test-template/lib/ai/client.ts):

```ts
export const MODEL_CAPABILITIES: Record<string, ModelCapabilities> = {
  // ... eksisterende ...
  "min-nye-model:13b": {
    tools: "low-risk-writes",
    maxTokens: 16384,
    supportsToolCall: true,
  },
};
```

Det er én linje. Et nyt provider-system kræver ikke at man rører kerne-kode.

## Når Gemma 5 / Llama 5 / DeepSeek-X lander [#når-gemma-5--llama-5--deepseek-x-lander]

Capability matrix gør det trivielt: tilføj en entry, valg modellen i `/admin/integrations`, og hele Cartwright bruger den. Ingen refactor, ingen breaking changes — det er hele pointen med provider-abstraktionen.