Norske språkmodeller

Nasjonalbiblioteket AI Lab (NbAiLab) — Norges sentrale aktør for norsk språkteknologi

NbAiLab (Nasjonalbiblioteket AI Lab) er Norges nasjonale forskningslaboratorium for språkteknologi og kunstig intelligens. Laben er en del av Nasjonalbiblioteket og har rundt 40 medarbeidere som arbeider med å utvikle åpne norske språkmodeller, talegjenkjenning, talesyntese, datasett og verktøy for norsk språk.

Siden oppstarten har NbAiLab publisert over 248 modeller og 40 datasett på Hugging Face, og driver 18 demoapplikasjoner. Laboratoriet er organisert under Nasjonalbibliotekets digitaliseringsavdeling og samarbeider tett med norske universiteter, NORA.LLM-nettverket, nordiske partnere og europeiske initiativ som EuroHPC og HPLT.

Misjon og mandat

NbAiLabs kjerneoppgave er å sikre at det finnes åpne, høykvalitets språkmodeller for norsk — bokmål, nynorsk og samiske språk. Laboratoriet arbeider ut fra prinsippet om at norsk språkteknologi er digital infrastruktur på linje med veier og jernbane, og at tilgang til egne språkmodeller er et spørsmål om digital suverenitet.

I praksis betyr dette at NbAiLab:

• Utvikler og publiserer åpne språkmodeller i alle størrelser — fra 270M til 27B parametere
• Bygger og vedlikeholder store norske treningsdatasett (Aurora-korpuset)
• Tilbyr talegjenkjenning (NB-Whisper) og talesyntese (VoxCPM2) for norsk
• Driver forskning på samisk språkteknologi med ASR og TTS
• Samarbeider med presseorganisasjoner gjennom Kopinor-avtalen for lovlig tilgang til treningsdata
• Publiserer alt åpent på Hugging Face under permissive lisenser
• Signerer modellutgivelser kryptografisk for autentisering

Kontakt: ailab@nb.no | GitHub: github.com/NbAiLab | Nettside: ai.nb.no

Borealis 2 — neste generasjon norsk språkmodell (august 2026)

Borealis 2 26B-A4B er den nyeste og mest avanserte norske språkmodellen fra NbAiLab, lansert 21. august 2026. Den representerer et generasjonsskifte fra Borealis 1-serien ved å bruke Mixture of Experts (MoE)-arkitektur fra Google Gemma 4.

Teknisk arkitektur

Hva betyr Mixture of Experts (MoE)?

I en tradisjonell «tett» modell brukes alle parametere for hvert eneste token. I en MoE-modell er parameterne fordelt på flere «eksperter», og en rutingsmekanisme velger hvilke eksperter som aktiveres for hvert token. For Borealis 2 betyr dette:

• 26B totalt — modellen har kapasiteten til en 26B-modell i form av lagret kunnskap
• 4B aktive — kun 4 milliarder parametere brukes per inferens-steg
• Raskere inferens — sammenlignbar hastighet med en 4B-modell, men med kvaliteten til en langt større
• Lavere GPU-krav — kan kjøres på maskinvare som normalt ville vært for svak for en full 26B-modell

Dette gjør Borealis 2 til en praktisk modell for norske bedrifter og forskere som trenger høy kvalitet uten kostbar infrastruktur.

Treningsprosessen

Borealis 2 er trent i tre steg:

1. Basemodell: Starter fra Google Gemma 4 26B-A4B-it (instruksjonstrent versjon)
2. Videretrening (continued pre-training): Trent videre på Aurora 2604-datasettet med 47 milliarder ord
3. Instruksjonstuning (SFT): To epoker på NbAiLab/aurora-sft-2606, der tap kun beregnes på assistentens svar (bruker- og system-tokens er maskert)

Bruksområder for Borealis 2

• Norsk-sentriske assistentoppgaver: utkast, redigering, forbedring av tekst
• Oppsummering av norske dokumenter
• Spørsmål og svar (Q&A) på norsk
• Lett resonnering og analyse
• Vurdering av norsk skrivestil og språkkvalitet
• Multimodal: bildeanalyse kombinert med norsk tekst
• Forskning på norsk språkteknologi

Kjøring og distribusjon

Borealis 2 kan kjøres med Transformers, vLLM, SGLang og Docker Model Runner. GGUF-kvantiseringer (5 varianter) gjør det mulig å bruke modellen i llama.cpp, LM Studio, Jan og Ollama for lokal kjøring.

Last ned Borealis 2 26B-A4B fra Hugging Face →

Aurora-datasettet — Norges største treningskorpus for språkmodeller

Aurora 2604 er det store treningsdatasettet som driver Borealis-modellene. Datasettet ble ferdigstilt i april 2026 og inneholder 47 milliarder ord (whitespace-separert) med en kunnskapsgrense satt til 1. januar 2025.

Språkfordeling i Aurora 2604

Datasettet inkluderer også finsk, lulesamisk, sørsamisk og norrønt. Totalt før oppsampling var korpuset 35,9 milliarder ord — omtrent 11,7 milliarder ord ble lagt til gjennom oppsampling av underrepresenterte språk.

Datakilder

Aurora kombinerer altså offentlig tilgjengelige nettkilder, Nasjonalbibliotekets egne digitaliserte samlinger (bøker, aviser), akademisk materiale, kode og strukturerte kunnskapskilder — alt kuratert og kvalitetssikret for norsk språkmodelltrening.

Kopinor-avtalen — lovlig tilgang til norsk pressemateriale

Et unikt aspekt ved norske språkmodeller er Kopinor-avtalen. Den norske staten, gjennom Nasjonalbiblioteket, har inngått en avtale med Kopinor på vegne av Mediebedriftenes Landsforening (MBL) som gir lovlig tilgang til opphavsrettsbeskyttet pressemateriale for trening, utvikling, vedlikehold og offentlig utgivelse av norske språkmodeller.

Avtalen dekker publikasjoner opp til ett år før modellpublisering — for Borealis 2 betyr det materiale publisert før januar 2025. Dette er unikt i verdenssammenheng og gir norske modeller lovlig tilgang til høykvalitets norsk journalistikk som treningsdata.

Foreløpig er bare et begrenset utvalg brukt — primært for å lære modellen å generere avisoverskrifter og ingresser. NbAiLab planlegger å utvide bruken med full videretrening på avismateriale i fremtidige utgivelser.

Bruksrestriksjoner under NB-lisens 1.0

• Du kan ikke bruke modellen til å gjenskape treningsdataene
• Du kan ikke bruke outputs til tjenester der hovedformålet er å gi tilgang til lisensierte pressepublikasjoner
• All annen bruk — forskning, produktutvikling, kommersielle tjenester — er tillatt

Borealis 1 — den komplette modellserien (Gemma 3)

Den første generasjonen Borealis er basert på Google Gemma 3-arkitekturen og utgjør en komplett serie fra svært små til fullskala modeller. Serien finnes i to varianter: full release (med Kopinor-data) og open (uten opphavsrettsbeskyttet materiale).

Alle størrelser i Borealis-familien

Prompt baking — innovativ sikkerhetsmetode

Borealis 27B bruker en unik tilnærming til sikkerhetsjustering kalt prompt baking (via verktøyet bakery). Metoden fungerer slik:

1. En LoRA-adapter trenes til å minimere KL-divergens mellom modellen med sikkerhetsprompt og modellen med LoRA men uten prompt
2. Effekten av sikkerhetsprompten «bakes» inn i modellvektene
3. Adapteren merges med en skaleringsfaktor på 0,25 — optimal balanse mellom sikkerhet og nytte

Resultatet er en modell som oppfører seg tryggere uten å trenge en eksplisitt system-prompt for sikkerhet — atferden er integrert i vektene.

Tilgjengelighet og formater

• GGUF — for llama.cpp, Ollama, LM Studio, Jan (lokal kjøring)
• MLX — optimalisert for Apple Silicon (M1/M2/M3/M4)
• MLX 8-bit — kvantisert for enda lavere minnebruk på Mac
• Safetensors — standard Hugging Face-format for Transformers
• vLLM og SGLang — for produksjonsservering med høy gjennomstrømning

Last ned Borealis 27B fra Hugging Face →

Norsk talesyntese — VoxCPM2 fra NbAiLab

I tillegg til tekstmodeller og talegjenkjenning utvikler NbAiLab også norsk talesyntese (Text-to-Speech, TTS). Flaggskipmodellen er VoxCPM2 — en 2B-parameter TTS-modell med norske stemmer.

• 2 milliarder parametere (fullstendig fintrent checkpoint)
• Norske mannlige og kvinnelige stemmer
• Trent på lydklipp mellom 3 og 30 sekunder
• Del av NB-TTS-samlingen med 20 modeller og varianter
• Live demo tilgjengelig: «Norske stemmer · VoxCPM2» på Hugging Face Spaces

Norsk TTS er viktig for tilgjengelighet (universell utforming), lydbokproduksjon, kundeservice-automatisering og navigasjonssystemer som trenger naturlig norsk tale.

Samisk språkteknologi — NbAiLabs arbeid med urfolksspråk

NbAiLab har et dedikert prosjekt for samisk språkteknologi som dekker både talegjenkjenning (ASR) og talesyntese (TTS) for nordsamisk og lulesamisk. Med 137 millioner ord nordsamisk i Aurora-datasettet får også tekstmodellene en viss samisk kompetanse.

Samiske ASR-modeller (talegjenkjenning)

• nb-sami-asr-north-parakeet — nordsamisk ASR basert på NVIDIA NeMo Parakeet
• nb-sami-asr-north-nemotron — nordsamisk med Nemotron 3.5-arkitektur
• nb-sami-asr-nemotron-3.5-streaming — sanntids samisk talegjenkjenning
• salmon-whisper — Whisper fintrent for lulesamisk

Samisk TTS (talesyntese)

• salmon-f5-tts-north-sami — F5-TTS for nordsamisk tale
• Live demo: «North Sami Realtime ASR» og «F5 TTS North Sámi» på Hugging Face Spaces

Samisk språkteknologi er kritisk for bevaring og revitalisering av urfolksspråk i Norge. NbAiLabs arbeid gjør det mulig å bygge samiske digitale verktøy — fra diktering og underteksting til talebaserte grensesnitt og utdanningsressurser.

Komplett oversikt over NbAiLabs modeller og prosjekter

NbAiLab har publisert over 248 modeller. Her er de viktigste kategoriene:

Viktige datasett fra NbAiLab

• Aurora 2604 — 47 mrd. ord, hovedkorpus for Borealis-trening
• aurora-sft-2606 — instruksjonsdatasett for SFT-trening
• NorNE — norsk Named Entity Recognition-datasett
• maalfrid_parallel — parallellkorpus for offentlig norsk tekst
• Norwegian Colossal Corpus (NCC) — tidlig storskala norsk korpus
• nb-asr-eval — evalueringsdatasett for norsk talegjenkjenning
• bifrost-translation-source-classifier — 2,16 mill. eksempler for oversettelsesklassifisering

Eksisterende norske modeller

Nordisk talegjenkjenning (ASR)

Nordiske små modeller for tale-til-tekst har utviklet seg raskt. NB-Whisper dekker norsk, mens hviske-serien fra syv.ai setter nye rekorder for dansk — begge med varianter små nok for edge og nettleser.

Hva er på vei

Rolle i større KI-arkitektur

Kulturarv, forskning og utdanning

• Forbedret søk og gjenfinning i digitaliserte samlinger hos kulturinstitusjoner.
• OCR-etterbehandling, transkribering og automatisk metadata for store historiske tekstkorpus.
• Åpne modeller gir forskere og studenter mulighet til å eksperimentere, inspisere og reprodusere resultater.
• Språkforskning styrkes gjennom tilgang til modeller for dialekter, språkstruktur og språkutvikling over tid.

Edge-distribusjon og bærekraft

De minste modellvariantene kan kjøres lokalt på bærbare maskiner, arbeidsstasjoner og enkelte mobile enheter. Dette gjør løsningene mer robuste i felt, ved ustabil nettilgang eller i isolerte miljøer.

Samtidig gir små modeller betydelig lavere energiforbruk per forespørsel enn svært store modeller, og kan derfor være et mer bærekraftig valg når oppgaven ikke krever en generell frontier-modell.

Oppsummering

Borealis og andre små, spesialiserte norske språkmodeller er ikke en erstatning for alle store modeller. De fyller en komplementær rolle: skreddersydd språkstøtte, lokal kontroll, lavere kostnad og raskere drift i mange praktiske anvendelser.

Kilder

• NbAiLab (Borealis, NB-Whisper, nb-gpt-gemma4 m.m.)
• Borealis 2 26B-A4B modellkort
• Borealis 27B modellkort
• hviske-v5-tiny (syv.ai)
• hviske-v5.3 (syv.ai)
• norallm på Hugging Face
• Nasjonalbiblioteket