Påstanden om lokal AI får nu et modregnestykke
Sunk Cost sammenligner prisen på en lokal maskine med at leje samme model per token og viser tilbagebetalingstiden.
Læs i dit tempo
Kort
Et nyt værktøj beregner, hvor lang tid en lokal AI-hardware skal bruges, før den tjener sig ind sammenlignet med at leje samme model. Det gør regnestykket konkret, så man kan se, om påstanden om at købe egen hardware virkelig betaler sig. Værktøjet er stadig lille og delt på Hacker News, hvor udvikleren spørger efter idéer til forbedringer.
Begynder
Har du nogensinde overvejet at købe din egen computer til kunstig intelligens (AI) i stedet for at leje? Et nyt værktøj kan hjælpe dig med at regne ud, hvornår det kan betale sig. Værktøjet hedder Sunk Cost. Det minder om at sammenligne prisen på at eje en bil med prisen på at leje en bil, hver gang du skal bruge den. Sunk Cost tager en maskine, en model og dit daglige forbrug af tokens — små bidder af tekst, som AI'en læser og skriver — og regner ud, hvor lang tid der går, før hardwaren er tjent hjem.
Værktøjet er lavet for at teste påstanden om, at man bare skal købe en Mac og køre sprogmodeller lokalt, fordi det betaler sig. En sprogmodel er en AI, der kan forstå og skrive tekst. At køre lokalt betyder, at den kører på din egen maskine i stedet for hos en udbyder. Udvikleren bag Sunk Cost var træt af at høre den påstand. Mange gentager den, men sjældent regner efter. Sunk Cost forsøger at gøre regnestykket konkret. Det ser kun på de rå omkostninger. Andre grunde til at købe sin egen hardware, som privatliv eller kontrol, ser værktøjet bort fra.
Sunk Cost henvender sig til folk, der overvejer at købe hardware til lokale sprogmodeller. På hjemmesiden vælger man selv maskine og model. Man angiver, hvor mange tokens man bruger om dagen, og får et tal for, hvornår hardwaren er tjent hjem. Resultatet viser, hvor mange dage eller måneder der går, før hardwaren er betalt. Sammenligningen sker mod at leje samme model per token fra en cloududbyder — altså en virksomhed, der lejer computerkraft ud over internettet.
Projektet er delt på Hacker News under mærket Show HN. Det er stadig et lille værktøj uden mange funktioner. Udvikleren selv spørger om idéer til, hvordan det kan blive mere brugbart.
Et nyt værktøj beregner, hvor lang tid en lokal AI-hardware skal bruges, før den betaler sig sammenlignet med at leje samme model per token. Sunk Cost tager en maskine, en model og et dagligt token-forbrug og regner tilbagebetalingstiden ud.
Værktøjet er lavet for at teste påstanden om, at man bare skal købe en Mac og køre sprogmodeller lokalt, fordi det betaler sig. Udvikleren bag værktøjet var træt af at høre den påstand. Mange gentager den, men sjældent regner efter. Sunk Cost forsøger at gøre regnestykket konkret. Det ser kun på de rå omkostninger og ser bort fra andre grunde til at købe sin egen hardware, som privatliv eller kontrol.
Sunk Cost henvender sig til folk, der overvejer at købe hardware til lokale sprogmodeller. Det er en hjemmeside, hvor man selv vælger maskine og model. Man angiver, hvor mange tokens man bruger om dagen, og får et tal for, hvornår hardwaren er tjent hjem. Resultatet viser, hvor mange dage eller måneder der går, før hardwaren er betalt. Sammenligningen sker mod at leje samme model per token fra en cloududbyder.
Projektet er delt på Hacker News under Show HN og er stadig et lille værktøj uden mange funktioner. Udvikleren selv spørger om idéer til, hvordan det kan blive mere brugbart.
Det er uklart: Kilden indeholder ingen oplysninger om, hvilke maskiner og modeller der understøttes, eller hvordan priserne opdateres.
Kilder
- Sunk Cost – How long until a local LLM rig pays for itself? sunkcost.ai
- Sunk Cost – How long until a local LLM rig pays for itself? sunkcost.ai
- Show HN: Sunk Cost – How long until a local LLM rig pays for itself? mastodon.social
- Sunk Cost – How long until a local LLM rig pays for itself? mastodon.social
- 📜 Latest Top Story on # HackerNews : Show HN: Sunk Cost – How long until a local LLM rig pays for itself? mastodon.social
Produktionshistorie
- Radar Signal ? af 100 · spredning 2 kilder
- Vurdering Nyheds 3/5 — Regnestykke for hvornår en lokal LLM-opsætning betaler sig – rammer direkte vores emne om lokale modeller og hardware.
- Skrevet Model: deepseek-v4-flash · temperatur 0.4
- Overskrift 5 kandidater, valgt af deepseek-v4-flash
- Billede Genereret af gemini-2.5-flash-image
- Vedtagelse ainews-auto-v3 · score 1.3133