En foundation model är en stor AI-modell som är förtränad på enorma mängder data och byggd för att kunna anpassas till många olika uppgifter. GPT, Gemini, Claude och Llama är alla foundation models. Namnet kommer av att en sådan grundmodell fungerar som fundament för allt från chattbotar till kodassistenter och AI-sök — i stället för att man bygger en ny modell från grunden för varje uppgift.
Pretraining och fine-tuning
En foundation model blir till i två faser. Pretraining är den stora, generella träningen: modellen läser igenom mycket stora textmängder och lär sig språk, samband och fakta. Det är här merparten av förmågorna uppstår, och det är kostsamt och tidskrävande. Fine-tuning är en mindre, riktad fas efteråt, där modellen specialanpassas — till en bestämd ton, en domän eller en uppgift — med långt mindre data. Pretraining bygger fundamentet; fine-tuning formar det till ett bestämt syfte.
Parametriskt minne kontra hämtning
Den kunskap en modell lär sig under träningen lagras i dess vikter. Detta kallas parametriskt minne — det modellen ”minns” utan att slå upp något. Det är kraftfullt men har två viktiga begränsningar: det har en kunskapsgräns i tid (allt efter träningen finns inte för modellen), och det kan inte uppdateras utan ny träning. Därför kompletteras parametriskt minne allt oftare med hämtning: RAG (Retrieval-Augmented Generation) låter modellen hämta in färska, specifika källor vid svarstillfället. En modern AI svarar alltså från två håll samtidigt: det den lärde sig, och det den nyss hämtade.
Dagens foundation models
Landskapet 2026 domineras av några få aktörer: OpenAI:s GPT-serie, Googles Gemini, Anthropics Claude och Metas öppna Llama-modeller. De uppdateras snabbt, och ingen är ”bäst” på allt — valet beror på uppgiften. Gemensamt för dem alla är samma två begränsningar: en kunskapsgräns i det parametriska minnet, och beroende av hämtning för det färska och specifika. Det är denna dubbelhet som avgör hur ett varumärke omtalas.
Varför det spelar roll för AI-synlighet
För varumärken följer en tydlig konsekvens: fakta om dig måste vara antingen i träningsdatan eller hämtbara — helst båda. Det parametriska minnet formas av vad som står om dig på nätet: är ditt varumärke brett och konsekvent beskrivet på tvären av många trovärdiga källor ökar chansen att modellen ”minns” dig rätt helt utan hämtning. Är du sällan eller spretigt omtalad minns den dig fel — eller inte alls. Och för allt som är färskt eller specifikt måste ditt innehåll vara hämtbart där och då. Detta är kärnan i både AEO och GEO.
Hur CitationLab och du kan arbeta med detta
CitationLab Monitor mäter hur foundation-modellerna faktiskt omtalar och citerar ditt varumärke på tvären av ChatGPT, Gemini, Perplexity och Google AI — alltså vad som har fastnat i det parametriska minnet och vad som hämtas in. För din del handlar jobbet om två saker: bygg en bred, konsekvent närvaro så att fakta om dig blir en del av hur modellerna beskriver dig, och gör ditt innehåll hämtbart för det som måste slås upp. Vill du se vad AI-modellerna ”vet” om ditt varumärke i dag? Börja med en genomgång av din AI-synlighet.
Vanliga frågor
Vad är en foundation model?
Vad är skillnaden mellan pretraining och fine-tuning?
Vad är parametriskt minne?
Varför måste varumärkesfakta vara i träningsdatan eller hämtbara?
Begrepp som används i artikeln
- Foundation model
- En foundation model är en stor, förtränad AI-modell byggd för att anpassas till många olika uppgifter, som GPT, Gemini, Claude och Llama. Den fungerar som ett gemensamt fundament i stället för att byggas från grunden för varje uppgift.
- Pretraining
- Pretraining är den stora, generella träningsfasen där en foundation model lär sig språk och kunskap från enorma datamängder. Det är här merparten av modellens förmågor och parametriska minne uppstår.
- Fine-tuning
- Fine-tuning är en riktad efterjustering av en förtränad modell för att specialanpassa den till en bestämd uppgift, ton eller domän, med långt mindre data än pretraining.
Var detta till hjälp?