Hugging Face Transformers er et open source-bibliotek i Python, der giver adgang til fortrænede modeller til tekst, billeder og lyd gennem én samlet grænseflade. Udviklere bruger det til at hente modeller fra Hugging Face Hub, afprøve dem, tilpasse dem til egne data eller køre dem lokalt. Siden version 5 har biblioteket primært fokuseret på PyTorch (status oktober 2026). Eksempel: Et team tester en model til sentimentanalyse med blot nogle få linjer kode.
Transformeren er en neural netværksarkitektur, der blev introduceret i 2017 i forskningsartiklen »Attention Is All You Need«. Kernen er attention-mekanismen: hvert ord vægtes i forhold til alle andre ord i en tekst, og beregningen kan paralleliseres effektivt. Transformere ligger til grund for nutidens sprogmodeller som GPT, Claude og BERT og bruges også til billeder og lyd.
En stor sprogmodel (large language model, LLM) er et neuralt netværk, der er trænet på meget store tekstmængder, så det kan forstå og generere sprog. Den fungerer ved trin for trin at beregne det mest sandsynlige næste token. LLM'er skriver, opsummerer, oversætter, besvarer spørgsmål og genererer kode; kendte eksempler er Claude, GPT, Gemini og Llama. Uden adgang til aktuelle kilder ved de kun det, der stod i deres træningsdata.
PyTorch er et open source framework til machine learning og deep learning i programmeringssproget Python. Det blev oprindeligt udviklet hos Meta (dengang Facebook) og er siden 2022 blevet forvaltet af PyTorch Foundation under Linux Foundation. PyTorch er udbredt i forskning og industri, fordi udviklere fleksibelt kan bygge modeller, træne dem på GPU'er og teste dem trin for trin; mange kendte sprog- og billedmodeller er bygget med det.
Finjustering (fine-tuning) betyder at videretræne en allerede fortrænet AI-model på yderligere, som regel opgavespecifikke data. Dens interne vægte justeres, så modellen f.eks. håndterer en bestemt skrivestil, fagterminologi eller outputformat mere pålideligt. Finjustering kræver omhyggeligt forberedte eksempeldata, regnekraft og test. Til mange anvendelser er velskrevne instruktioner og tilknyttet viden tilstrækkeligt og lettere at ændre.
