Innhold Vis
Denne uka handler om AI som lytter, arbeider, skaper og reagerer mens vi bruker den. Jan Sverre ser nærmere på Haru-4B, Qwen4-Max, musikkvideoen «Kaffen var kald» og Googles interaktive verdensmodell Genie 4.
AI-uka med Jan Sverre Bauge, episode 5. Dekker 14.-20. november 2026. Episoden bruker autorisert syntetisk stemme og AI-generert video.
Se episoden som video på YouTube, eller lytt i spilleren. Videoen bruker syntetisk stemme og AI-genererte videosekvenser.
Kapitler
- 00:00 – Innledning
- 00:42 – Når stemme-AI slutter å være en walkie-talkie
- 03:34 – Billigere agenter – hvis hele jobben faktisk blir billigere
- 07:11 – Fra kald kaffe til ferdig musikkvideo
- 08:37 – Når generert video blir en verden
- 11:53 – Det store skiftet ligger i samhandlingen
Artikler og kilder
- Haru-4B kan lytte og snakke samtidig
- Qwen4-Max kan kutte agentkostnader – men 62 prosent er Alibabas tall
- Kaffen var kald
- Genie 4 er nå i Gemini API – utviklere kan bygge med AI-verdener
Les hele manuset
Det er lett å måle AI-utviklingen i større modeller, flere parametere og stadig villere benchmark-tabeller. Men denne ukas mest interessante utvikling handler egentlig om noe annet.
AI er i ferd med å bli mindre som en tekstboks du spør, og mer som noe du faktisk samhandler med.
En modell kan lytte mens den snakker. En annen prøver å gjøre lange agentjobber billigere. Jeg gjorde et surt tap om til en musikkvideo. Og Google har åpnet en verdensmodell som lar utviklere bygge opplevelser du kan bevege deg rundt i.
Fire ganske forskjellige saker. Likevel peker de i samme retning: AI blir mer interaktiv, mer skapende og mer praktisk anvendelig.
Når stemme-AI slutter å være en walkie-talkie
La meg begynne med Haru-4B.
Dette er en speech-to-speech-modell fra Higurashi som ble introdusert 13. november. Den er bygget på Qwen3.5-4B, og det interessante er at modellen kan lytte og snakke samtidig.
Det høres kanskje ut som en liten teknisk detalj. Det er det ikke.
Dagens stemmeagenter fungerer ofte som en walkie-talkie. Du snakker. Systemet venter på at du skal bli ferdig. Lyden gjøres om til tekst. Modellen lager et svar. En egen stemme leser det opp. Så blir det din tur igjen.
Det fungerer, men det føles sjelden som en ordentlig samtale.
Mennesker snakker ikke slik. Vi sier «mhm» mens den andre fortsatt prater. Vi nøler, korrigerer oss selv og avbryter. Noen ganger begynner vi på en setning før den andre er helt ferdig. Det er rotete, men det er slik naturlige samtaler foregår.
Haru-4B er laget for å håndtere nettopp denne overlappingen. Innkommende tale, modellens egen tale og tekst behandles som synkroniserte strømmer. Lydstrømmen oppdateres omtrent hvert 133. millisekund.
Det betyr ikke at hele systemet forstår og svarer på 133 millisekunder. Her er det fort gjort å blande størrelsen på en lydramme med den totale svartiden. Mikrofon, lydkort, modell, dekoding og avspilling er alle en del av kjeden.
Likevel er retningen viktig. En stemmeagent som fortsatt lytter mens den svarer, kan registrere at du avbryter. Den kan gi et lite signal om at den følger med uten å slutte å høre resten. Samtalen trenger ikke nullstilles hver gang turen skifter.
Det mest interessante for meg er at Haru-4B ikke bare er pakket inn som enda en lukket tjeneste. Modellvektene og inferenskoden er publisert under Apache 2.0. Det finnes oppsett for PyTorch, Apple Silicon og serverbruk.
Utvikleren oppgir omtrent 12 gigabyte GPU-minne for det beskrevne Nvidia-oppsettet. Det er ikke gratis drift, og modellen passer ikke på enhver maskin. Likevel er den innenfor rekkevidde for langt flere utviklere enn et enormt forskningssystem ville vært.
Samtidig er dette en grunnmodell, ikke en ferdig norsk AI-assistent.
Haru-4B er ikke dokumentert som en pålitelig faktakilde. Den er heller ikke ferdigtrent til å følge vanskelige instruksjoner. Selv om utvikleren oppgir et treningsgrunnlag med tale fra over 160 språk, finnes det ikke god nok dokumentasjon på norsk uttale, dialekter eller håndtering av norske avbrytelser.
Jeg har ikke testet eller lyttet til modellen. Derfor skal jeg heller ikke late som jeg vet hvordan den fungerer på norsk.
Som åpen byggestein er den likevel verdt å følge. Naturlig timing gjør ikke svarene sannere, men den kan gjøre grensesnittet langt mindre mekanisk. Det er et viktig skille. En modell kan høres menneskelig ut og fortsatt ta feil med imponerende selvtillit.
Billigere agenter – hvis hele jobben faktisk blir billigere
Der Haru-4B handler om flyt i samtalen, handler Qwen4-Max om flyt i arbeidet.
Alibaba lanserte Qwen4-Max 16. november som sin nye proprietære toppmodell. Den har totalt 2,4 billioner parametere, men aktiverer 71 milliarder for hvert token gjennom en Mixture-of-Experts-arkitektur.
Det store totaltallet ser flott ut i en overskrift. For en utvikler er det langt mer interessant hvor mye godkjent arbeid modellen gjør per krone.
Qwen4-Max tar imot tekst, bilder og video og har et kontekstvindu på én million tokens. Det gir plass til store dokumentmengder, lange kodebaser og omfattende agenthistorikk.
Men én million tokens er kapasitet, ikke en oppfordring til å helle hele filserveren inn i modellen.
En agent sender ofte instruksjoner, dokumenter og tidligere verktøyresultater gjennom flere runder. Da kan dårlig kontekststyring bli dyrt, selv om modellen har plass til alt. Mer tekst gir heller ikke automatisk et bedre svar. Noen ganger gir det bare modellen en større høystakk å lete etter nålen i.
Qwen4-Max er priset til omtrent 14 kroner per million input-tokens og 43 kroner per million output-tokens. Cache-treff på gjentatt input koster rundt 72 øre per million tokens.
Den cache-prisen kan få stor praktisk betydning. Hvis en agent må lese de samme instruksjonene og dokumentene gjennom mange steg, kan gjentatt input bli en stor del av regningen.
Alibaba hevder at Qwen4-Max brukte 35 prosent færre tokens enn forgjengeren i selskapets Work360-evaluering. Samtidig gikk resultatet opp. Den gjennomsnittlige kostnaden per oppgave falt fra 4,43 dollar til 1,67 dollar – omtrent fra 42 til 16 kroner. Det er en nedgang på 62 prosent.
Men les det tallet én gang til.
Dette er Alibabas egen evaluering. Det betyr ikke at hver agentjobb blir 62 prosent billigere. Det betyr heller ikke at hele API-prisen generelt har fått en rabatt på 62 prosent.
Gevinsten avhenger av hvor mange tokens agenten bruker, hvor ofte cachen treffer, hvor mange verktøykall som feiler, hvor mange forsøk som må til, og hvor mye et menneske må rydde opp etterpå.
Jeg bruker agenter i hverdagen, og det er nettopp her modellregningen ofte blir misvisende. Et billig første svar er ikke billig dersom flere nye runder må reparere det. Det nyttige målet er kostnaden per godkjent resultat.
Derfor ville jeg testet Qwen4-Max på et lite utvalg ekte oppgaver og målt hele løpet: fullføringsgrad, tokenbruk, verktøyfeil, nye forsøk, svartid og etterarbeid.
Jeg har ikke testet Qwen4-Max selv. Vurderingen min bygger derfor på de oppgitte prisene, arkitekturen og Alibabas egne resultater – ikke på en personlig sammenligning av modellkvaliteten.
Jeg er skeptisk til kinesiske modeller, men jeg avviser dem ikke på refleks. Qwen har flere ganger vært teknisk sterk og aggressiv på pris. Samtidig er Max-modellen en proprietær skytjeneste. Du får ikke vektene og kan ikke kjøre den lokalt.
Da må databehandling, lagring, avtaler og leverandørbinding vurderes som med andre eksterne modell-API-er. Ikke send sensitive produksjonsdata av gårde bare fordi cache-prisen ser fristende ut.
Qwen4-Max kan være et seriøst prisangrep på markedet for agentmodeller. Men Alibabas benchmark er en invitasjon til å måle, ikke et ferdig budsjett.
Fra kald kaffe til ferdig musikkvideo
Ukas mest personlige eksempel er langt mindre teknisk og langt mer bittert.
Jeg hadde fire seire i Melodi Grand Prompt på lørdag. Så tapte jeg på søndag. Kaffen, som hadde vært varm under seiersrekken, var blitt kald.
Det ble «Kaffen var kald».
Jeg skrev teksten og konseptet rundt kontrasten mellom varm seier og den kalde koppen etter tapet. Låten er hard, sarkastisk og selvironisk. Man må tåle å tape, men man trenger ikke late som det smaker godt.
Samtidig er den en oppriktig gratulasjon til dem som sto igjen som vinnere: L!ZZ! med «Need you online», The Drunken Bodhráns og Ida Andrea med «Merry Christmas Darling», og PAM med «UNDER BLÆKKET».
AI var verktøykassen gjennom produksjonen. Musikken ble laget med Suno V6. Bildene ble laget med AI og MiniMax H3. Siden vinnerne ikke hadde sendt bilder, lot jeg dem opptre som ansiktsløse skygger. Kinetisk sangtekst følger låten gjennom den vertikale videoen, og jeg står selv midt i filmen.
Dette er et mye mindre prosjekt enn verdensmodeller og billioner av parametere. Men det viser noe viktig: AI-verktøyene er blitt praktiske nok til at en konkret opplevelse kan bli til en ferdig kreativ produksjon.
Ikke en generell demo om hva AI kanskje kan gjøre en gang i fremtiden. En faktisk låt og en faktisk video, bygget rundt en faktisk helg.
Og ja, jeg tapte.
Men jeg fikk i det minste en musikkvideo ut av det.
Når generert video blir en verden
Så kommer ukas største plattformnyhet.
Google åpnet Genie 4 i Gemini API og Google AI Studio 19. november. Det betyr at utviklere kan bygge egne produkter med Googles interaktive AI-verdener.
Genie 4 kan starte med tekst, et referansebilde eller begge deler. Modellen genererer en verden i 720p og 24 bilder i sekundet, med lyd som lages samtidig. Brukeren kan bevege seg med tastatur og sende nye tekstkommandoer mens verden kjører.
Du kan altså gå rundt i miljøet og be modellen endre været, lyset, objekter eller hendelser underveis.
Det er noe annet enn vanlig videogenerering.
En videogenerator lager et klipp du ser på. Genie 4 lager et miljø som svarer mens du utforsker det. Bildet, lyden og handlingen produseres løpende.
Den virkelige milepælen er ikke bare at Google kan vise fram en imponerende verden i sin egen tjeneste. Det er at andre nå kan koble modellen til apper, spillprototyper, designverktøy og treningsmiljøer.
Jeg liker API-er nettopp av den grunnen. De flytter teknologien ut av leverandørens ferdige brukerflate og over i hendene på folk som vil bygge noe selskapet selv aldri hadde tenkt på.
Men dette er ikke en magisk erstatning for Unity, Unreal Engine eller en solid simulator.
Hver økt er begrenset til 120 sekunder. Den visuelle stabiliteten kan svekkes etter 60 til 90 sekunder, og modellen bruker et rullerende visuelt tidsperspektiv i stedet for en varig tredimensjonal scene. Objekter kan flytte på seg eller forsvinne når kameraet vender bort.
En dør som var der for ti sekunder siden, bør helst fortsatt være der når du snur deg. «Helst» er ikke godt nok dersom du bygger et produkt som krever faste regler.
Prisen setter også tydelige grenser. Genie 4 koster omtrent 97 øre per sekund med videostrøm og stereolyd. Det er rundt 58 kroner per minutt, eller cirka 116 kroner for en full økt på to minutter.
Ti fulle testøkter kan dermed koste over tusen kroner. Det er greit for målrettet prototyping, men ganske dyrt for formålsløs digital sightseeing.
Og nettopp fordi prisen løper per sekund, må utvikleren avslutte økten korrekt. Her er kostnadskontroll ikke et regneark i etterkant, men en del av selve produktdesignet.
Jeg ville startet med korte opplevelser som tåler variasjon: konseptutvikling, romlig visualisering, kreative prototyper og avgrensede treningssituasjoner.
Google trekker også fram virtuelle miljøer for roboter og AI-agenter. Det kan bli viktig, fordi et system kan øve i mange simulerte situasjoner uten å knuse en fysisk robot eller stoppe en fabrikk. Men en visuelt overbevisende verden er ikke automatisk en fysisk korrekt verden.
Vakre bilder er ikke det samme som pålitelig fysikk. Den forskjellen kan være ubetydelig i en kreativ prototype og helt avgjørende i robottrening.
Derfor er Genie 4 en reell milepæl, men ikke fordi alle nå kan lage et ferdig spill med én prompt. Milepælen er at verdensmodellen er blitt en byggestein i programvare andre kan lage.
Det store skiftet ligger i samhandlingen
Det er den røde tråden gjennom denne ukas saker.
Haru-4B gjør stemme-AI mer samtaleaktig ved å holde ørene åpne mens den bruker stemmen.
Qwen4-Max prøver å gjøre lange, verktøybrukende agentløp billigere gjennom lavere priser, færre tokens og svært rimelig caching.
«Kaffen var kald» viser hvordan AI allerede kan brukes som en praktisk kreativ verktøykasse fra idé og musikk til ferdig video.
Og Genie 4 gjør generert video til noe du kan bevege deg i og påvirke mens det blir skapt.
Ingen av disse utviklingene løser alt. Naturlig tale er ikke det samme som sanne svar. Lav tokenpris er ikke det samme som lav totalkostnad. En AI-musikkvideo lager fortsatt ikke konseptet av seg selv. Og en vakker, generert verden er ikke en stabil spillmotor.
Men verktøyene svarer i stadig større grad på det mennesker faktisk gjør – mens vi snakker, arbeider, skaper og utforsker.
Det er langt mer interessant enn enda en modell som bare vinner med to poeng i en tabell.
