En foundation model er en stor AI-modell som er forhåndstrent på enorme mengder data og bygget for å kunne tilpasses mange ulike oppgaver. GPT, Gemini, Claude og Llama er alle foundation models. Navnet kommer av at én slik grunnmodell fungerer som fundament for alt fra chatboter til kodeassistenter og AI-søk — i stedet for at man bygger en ny modell fra bunnen for hver oppgave.
Pretraining og fine-tuning
En foundation model blir til i to faser. Pretraining er den store, generelle treningen: modellen leser gjennom svært store tekstmengder og lærer språk, sammenhenger og fakta. Det er her mesteparten av evnene oppstår, og det er kostbart og tidkrevende. Fine-tuning er en mindre, målrettet fase etterpå, der modellen spesialtilpasses — til en bestemt tone, et domene eller en oppgave — med langt mindre data. Pretraining bygger fundamentet; fine-tuning former det til et bestemt formål.
Parametrisk minne kontra henting
Kunnskapen en modell lærer under treningen, lagres i vektene dens. Dette kalles parametrisk minne — det modellen «husker» uten å slå noe opp. Det er kraftig, men har to viktige begrensninger: det har en kunnskapsgrense i tid (alt etter treningen finnes ikke for modellen), og det kan ikke oppdateres uten ny trening. Derfor suppleres parametrisk minne stadig oftere med henting: RAG (Retrieval-Augmented Generation) lar modellen hente inn ferske, spesifikke kilder ved svartidspunktet. En moderne AI svarer altså fra to steder samtidig: det den lærte, og det den nettopp hentet.
Dagens foundation models
Landskapet i 2026 domineres av noen få aktører: OpenAIs GPT-serie, Googles Gemini, Anthropics Claude og Metas åpne Llama-modeller. De oppdateres raskt, og ingen er «best» på alt — valget avhenger av oppgaven. Felles for dem alle er de samme to begrensningene: en kunnskapsgrense i parametrisk minne, og avhengighet av henting for det ferske og spesifikke. Det er denne dobbeltheten som avgjør hvordan en merkevare blir omtalt.
Hvorfor det betyr noe for AI-synlighet
For merkevarer følger det en klar konsekvens: fakta om deg må være enten i treningsdataene eller hentbare — helst begge deler. Det parametriske minnet formes av hva som står om deg på nettet: er merkevaren din bredt og konsistent beskrevet på tvers av mange troverdige kilder, øker sjansen for at modellen «husker» deg riktig helt uten henting. Er du sjeldent eller sprikende omtalt, husker den deg feil — eller ikke i det hele tatt. Og for alt som er ferskt eller spesifikt, må innholdet ditt være hentbart der og da. Dette er kjernen i både AEO og GEO.
Hvordan CitationLab og du kan jobbe med dette
CitationLab Monitor måler hvordan foundation-modellene faktisk omtaler og siterer merkevaren din på tvers av ChatGPT, Gemini, Perplexity og Google AI — altså hva som har festet seg i det parametriske minnet og hva som hentes inn. For din del handler jobben om to ting: bygg en bred, konsistent tilstedeværelse slik at fakta om deg blir en del av hvordan modellene beskriver deg, og gjør innholdet ditt hentbart for det som må slås opp. Vil du se hva AI-modellene «vet» om merkevaren din i dag? Start med en gjennomgang av AI-synligheten din.
Ofte stillede spørgsmål
Hva er en foundation model?
Hva er forskjellen på pretraining og fine-tuning?
Hva er parametrisk minne?
Hvorfor må merkevarefakta være i treningsdataene eller hentbare?
Begreber brugt i denne artikel
- Foundation model
- En foundation model er en stor, forhåndstrent AI-modell bygget for å tilpasses mange ulike oppgaver, som GPT, Gemini, Claude og Llama. Den fungerer som et felles fundament i stedet for å bygges fra bunnen for hver oppgave.
- Pretraining
- Pretraining er den store, generelle treningsfasen der en foundation model lærer språk og kunnskap fra enorme datamengder. Det er her mesteparten av modellens evner og parametriske minne oppstår.
- Fine-tuning
- Fine-tuning er en målrettet etterjustering av en forhåndstrent modell for å spesialtilpasse den til en bestemt oppgave, tone eller domene, med langt mindre data enn pretraining.