Store språkmodeller og GPU-krav

Hva er store språkmodeller?

Store språkmodeller (LLM-er) er avanserte nevrale nettverk som behandler enorme mengder tekst. Du kan bruke dem til å generere tekst, oppsummere informasjon og tolke menneskelig språk. Eksempler inkluderer OpenAIs GPT og Googles PaLM. Disse modellene baserer seg på milliarder av parametere, som er matematiske verdier som styrer hvordan modellen forstår og behandler tekst. På grunn av størrelsen og kompleksiteten trenger LLM-er kraftig regnekraft, spesielt under trening og ved store arbeidsoppgaver.

Hvordan støtter GPU-er LLM-er?

GPU-er, eller grafikkprosessorer, håndterer mange beregninger samtidig. Mens CPU-er (prosessorer) fungerer bra for oppgaver i rekkefølge, kan GPU-er utføre tusenvis av operasjoner parallelt. Denne parallellprosessen er nødvendig for matrise- og tensoroperasjoner i LLM-er. Ved å bruke GPU-er kan du akselerere både trening (lære modellen med data) og inferens (få modellen til å gjøre prediksjoner eller generere tekst).

Trening vs. inferens: Ulike GPU-behov

• Trening: Når du bygger en LLM fra bunnen av eller tilpasser den med nye data, brukes mye ressurser. Trening av en modell med milliarder av parametere krever ofte flere avanserte GPU-er. Hver GPU bør ha rikelig med videominne (VRAM) og rask minnetilgang. For eksempel kan trening av en modell med 7 milliarder parametere i 16-bits presisjon kreve over 16 GB GPU-minne. Større modeller, som de med 30 milliarder eller flere parametere, kan kreve 24 GB eller mer per GPU.
• Inferens: Når du bruker en trent LLM til å svare på spørsmål eller generere tekst, kreves det mindre regnekraft, men raske GPU-er er fortsatt nyttige—spesielt for store modeller eller sanntidsoppgaver. De fleste effektive inferensjobber trenger minst 8–16 GB VRAM, avhengig av modellens størrelse og optimalisering.

Viktige maskinvarekrav for LLM-er

• VRAM (videominne): VRAM lagrer vektene og dataene som modellen trenger. Uten nok VRAM kan du få feil eller treg behandling.
• Beregningsevne (FLOPS): Flyttallsoperasjoner per sekund (FLOPS) måler hvor raskt GPU-en kan utføre beregninger. Høyere FLOPS gir raskere trening og inferens.
• Minnbåndbredde: Minnbåndbredde viser hvor raskt data flyttes mellom minnet og GPU-ens prosesseringsenheter. Høyere båndbredde reduserer flaskehalser.
• Spesialiserte kjerner: Noen GPU-er, som NVIDIA sine, har ekstra kjerner som Tensor- og CUDA-kjerner. Disse hjelper til med å kjøre dyp læring mer effektivt og gir bedre ytelse for LLM-oppgaver.

Kritiske tekniske faktorer ved valg av GPU for LLM-er

VRAM (videominne) kapasitet

Store språkmodeller trenger mye VRAM for å lagre modellvekter, holde aktiveringer og håndtere parallell databehandling. Hvis du vil bruke inferens på modeller med 7 til 13 milliarder parametere, trenger du vanligvis minst 16 GB VRAM. Modeller med 30 milliarder parametere eller mer krever ofte 24 GB eller mer, spesielt med FP16-presisjon. Hvis du planlegger å trene store modeller eller kjøre flere instanser samtidig, kan du trenge 40 GB, 80 GB eller enda mer VRAM. Datasenter-GPU-er tilbyr denne VRAM-kapasiteten.

Beregningsevne (FLOPS og spesialiserte kjerner)

En GPU sin evne til å kjøre LLM-arbeidsmengder avhenger av dens FLOPS, altså flyttallsoperasjoner per sekund. Høyere FLOPS betyr raskere behandling. Mange moderne GPU-er har også spesialisert maskinvare, som NVIDIA Tensor Cores eller AMD Matrix Cores. Disse kjernene akselererer matriseoperasjoner brukt i transformermodeller. Se etter GPU-er som støtter mixed-precision-operasjoner som FP16, bfloat16 og int8. Disse øker gjennomstrømningen og sparer minne.

Minnbåndbredde

Høy minnebåndbredde lar GPU-en flytte data raskt mellom minnet og prosesseringsenhetene. For effektiv LLM-kjøring bør du ha båndbredde over 800 GB/s. GPU-er som NVIDIA A100/H100 eller AMD MI300 når slike hastigheter. Høy båndbredde hjelper mot forsinkelser, spesielt med store modeller eller høy batch-størrelse. For lav båndbredde kan sinke både trening og inferens.

Energieffektivitet og kjøling

Strømforbruket og varmen GPU-en genererer øker med ytelsen. Datasenter-GPU-er kan bruke 300 til 700 watt eller mer og trenger kraftig kjøling. Forbruker-GPU-er bruker vanligvis mellom 350 og 450 watt. En effektiv GPU senker driftskostnadene og behovet for avansert infrastruktur, noe som er nyttig ved store eller kontinuerlige arbeidsbelastninger.

PCIe og NVLink-støtte

Hvis du skal bruke flere GPU-er eller modellen er for stor for én GPU sin VRAM, trenger du raske sammenkoblinger. PCIe Gen4 og Gen5 er vanlige, mens NVLink finnes på enkelte NVIDIA datasenter-GPU-er. Disse teknologiene lar GPU-ene kommunisere raskt og dele minne, slik at du kan kjøre parallell trening eller inferens på flere GPU-er.

Kvantisering og presisjonsstøtte

Mange LLM-arbeidsflyter bruker nå kvantiserte modeller, som bruker lavere presisjonsformater som int8 eller int4. Disse formatene reduserer minnebruken og øker hastigheten. Se etter GPU-er som støtter og akselererer slike beregninger. NVIDIA Tensor Cores og AMD Matrix Cores gir god ytelse for dette.

Oppsummeringstabell: Viktige spesifikasjoner å vurdere

Når du velger GPU for store språkmodeller, må du balansere disse tekniske faktorene med budsjettet og typen arbeid du skal gjøre. Fokuser på VRAM og minnebåndbredde for store modeller. Se etter høy beregningsevne og god presisjonsstøtte for rask og effektiv behandling.

Sammenligning av ledende GPU-er for LLM-er i 2024

Vitenskapelig GPU-sammenligning for LLM-oppgaver

Når du velger GPU for store språkmodeller (LLM-er), bør du vurdere minnestørrelse, beregningsevne, båndbredde og hvor godt GPU-en passer til dine programvareverktøy. Her finner du en direkte sammenligning av topp-GPU-er for LLM-er i 2024 basert på benchmarks og maskinvaredetaljer.

Datasenter- og enterprise-GPU-er

NVIDIA A100

• VRAM: Du får enten 40 GB eller 80 GB HBM2e-minne.
• Minnbåndbredde: Opp til 1,6 TB/s.
• Beregningsevne: Opptil 19,5 TFLOPS (FP32) og 624 TFLOPS (Tensor-operasjoner).
• Styrker: Svært effektiv på parallelle arbeidsoppgaver og støtter Multi-Instance GPU (MIG) for oppdeling av oppgaver. Kan brukes til både trening og kjøring av svært store modeller.
• Hovedbruk: Brukes i forskningslaboratorier og enterprise-miljøer.

NVIDIA RTX 6000 Ada Generation

• VRAM: 48 GB GDDR6-minne.
• Minnbåndbredde: 900 GB/s.
• Beregningsevne: Opptil 40 TFLOPS (FP32).
• Styrker: Stor minnekapasitet gjør den egnet til krevende inferens- og treningsoppgaver.
• Hovedbruk: Brukes av bedrifter og i produksjonsmiljøer.

AMD Instinct MI100

• VRAM: 32 GB HBM2-minne.
• Minnbåndbredde: 1,23 TB/s.
• Beregningsevne: 23,1 TFLOPS (FP32).
• Styrker: Høy båndbredde og god ytelse med åpen kildekode og ROCm-kompatible rammeverk.
• Hovedbruk: Brukes i datasentre og forskningsprosjekter, spesielt med ROCm-programvare.

Intel Xe HPC

• VRAM: 16 GB HBM2 per tile, med støtte for flere tiles.
• Minnbåndbredde: Høy båndbredde, konkurrerer med andre topp-GPU-er (eksakte tall varierer).
• Beregningsevne: Designet for høy ytelse i HPC og AI-oppgaver.
• Styrker: Nytt alternativ på markedet med voksende programvareøkosystem.
• Hovedbruk: Brukes i HPC og til eksperimentelle LLM-arbeidsmengder.

Forbruker- og prosumer-GPU-er

NVIDIA RTX 4090 Spesifikasjoner

Organize is a system to keep your desk tidy and photo-worthy all day long. Procrastinate your work while you meticulously arrange items into dedicated trays.

VRAM

24 GB GDDR6X-minne

Minnbåndbredde

1 008 GB/s

Beregningsevne

Omtrent 82,6 TFLOPS (FP32)

Styrker

Beste ytelse for forbrukere; ideell for lokal LLM-inferens og finjustering

Hovedbruk

Forskere og avanserte entusiaster til kraftige lokale oppgaver

NVIDIA RTX 3090 Spesifikasjoner

Organize is a system to keep your desk tidy and photo-worthy all day long. Procrastinate your work while you meticulously arrange items into dedicated trays.

VRAM

24 GB GDDR6X-minne

Minnbåndbredde

936,2 GB/s

Beregningsevne

35,58 TFLOPS (FP32)

Styrker

Bred tilgjengelighet og dokumentert ytelse

Hovedbruk

Entusiaster og utviklere med behov for rimelig løsning

NVIDIA TITAN V Spesifikasjoner

Organize is a system to keep your desk tidy and photo-worthy all day long. Procrastinate your work while you meticulously arrange items into dedicated trays.

VRAM

12 GB HBM2-minne

Minnbåndbredde

652,8 GB/s

Beregningsevne

14,9 TFLOPS (FP32)

Styrker

Støtter mellomstore modeller; begrenset VRAM for de nyeste LLM-ene

Hovedbruk

Brukere med fokus på kostnad eller utdanning

AMD Radeon RX 7900 XTX Spesifikasjoner

Organize is a system to keep your desk tidy and photo-worthy all day long. Procrastinate your work while you meticulously arrange items into dedicated trays.

VRAM

24 GB GDDR6-minne

Minnbåndbredde

960 GB/s

Beregningsevne

God ytelse innen gaming og enkelte LLM-oppgaver

Styrker

Beste AMD-valg for forbrukere; mindre modent programvaremiljø

Hovedbruk

Entusiaster og åpen kildekode-eksperimentering

Benchmark-innsikt

• Enterprise-GPU-er (A100, RTX 6000, MI100): Disse håndterer store modeller (30B+ parametere) og støtter lange treningsøkter. Høy VRAM og båndbredde hjelper med parallelle arbeidsflyter.
• Forbruker-GPU-er (RTX 4090, 3090): Kan brukes til lokal inferens og finjustering på mindre eller kvantiserte LLM-er (opp til ca. 13B parametere, med mindre du optimaliserer tungt). Gir høy verdi.
• AMD og Intel: AMD MI100 fungerer godt i datasentre, men ROCm-støtte for LLM-rammeverk er fortsatt i utvikling. Intel Xe HPC er lovende, men ikke like utbredt ennå.
• Eldre GPU-er (TITAN V, RTX 3090): Disse passer fortsatt til utdanning eller små budsjetter. De har kanskje ikke nok VRAM for de største LLM-ene nå.

Praktisk oppsummering

For forskning og enterprise-trening, velg NVIDIA A100 eller RTX 6000 for å håndtere store LLM-er. Ønsker du den beste forbruker-GPU-en for lokal inferens eller prototyping, velg RTX 4090. AMD MI100 gir et åpen kildekode-alternativ til datasentre, spesielt om du vil bruke ROCm. Tilpass alltid GPU-valget til størrelsen på LLM-en og arbeidsmengden for best resultat og effektivitet.

Tilpasse GPU-valg til LLM-bruksområder

Tilpasse GPU-funksjoner til LLM-arbeidsflyt

Når du velger GPU for store språkmodeller (LLM-er), må du vurdere hvilken type arbeid du skal gjøre. Det kan være trening av en modell, kjøre inferens (bruke en trent modell til prediksjoner), eller en kombinasjon. Hver aktivitet har unike krav til regnekraft og minne, noe som styrer valg av GPU-arkitektur.

Trening av store språkmodeller

Trening av LLM-er krever mye ressurser. Du trenger GPU-er med mye VRAM—vanligvis 24 GB eller mer per GPU—høy beregningsevne for flyttallsoperasjoner og høy minnebåndbredde. Mange bruker flere GPU-er koblet sammen med NVLink eller PCIe for å behandle store datasett og modeller parallelt. Dette reduserer treningstiden betydelig. Datasenter-GPU-er som NVIDIA H100, A100 eller AMD MI300 passer godt til slike oppgaver. De støtter distribuert trening over mange GPU-er og tilbyr funksjoner som feilretting og maskinvarevirtualisering.

Inferens og finjustering

Inferens betyr å bruke en trent LLM til å generere tekst eller analysere data. Dette krever ikke like mye kraft som trening, men høy VRAM og god beregningsevne hjelper, spesielt med store eller ukomprimerte modeller. Finjustering er når du tilpasser en forhåndstrent modell med et mindre datasett. Dette kan ofte gjøres på avanserte forbruker-GPU-er som NVIDIA RTX 4090, 3090 eller RTX 6000 Ada, som har 16–24 GB VRAM. Disse GPU-ene gir god ytelse for prisen og passer for forskere, små bedrifter og hobbyister som vil kjøre lokale oppgaver eller teste modeller.

Enkelt-GPU vs. multi-GPU og skalering

Jobber du med små modeller eller bare enkel inferens eller finjustering, holder det ofte med én GPU. For eksempel kan modeller som Llama 2 7B eller Mistral 7B kjøres på én GPU. Vil du trene større modeller eller øke hastigheten, trenger du flere GPU-er i samspill. Da må du bruke parallelle rammeverk som PyTorch Distributed Data Parallel og raske maskinvareforbindelser for å fordele arbeidet.

Lokal vs. skybasert drift

Å bruke GPU-er lokalt gir deg full kontroll og ingen månedlige kostnader. Dette passer for kontinuerlig utvikling eller når du trenger personvern. Skybaserte løsninger gir tilgang til kraftige GPU-er som A100 eller H100 uten å kjøpe dyr maskinvare. Skyen gir fleksibel skalering og mindre vedlikehold, og passer for prosjekter med varierende behov eller der du ikke ønsker store investeringer.

Praktiske scenarier

• Individ/student: Du kan bruke én RTX 4090 til lokal inferens og småskala finjustering av åpne LLM-er.
• Oppstart/forskningsgruppe: Lokale forbruker-GPU-er til utvikling og skybaserte datasenter-GPU-er til storskala trening eller sluttkjøring.
• Bedrift/produksjon: GPU-klynger på egne lokasjoner eller bruk av skybaserte datasenter-GPU-er. Multi-GPU-skalering gir full trening, sanntidsinferens eller storskala drift.

Oppsummeringstabell: Bruksområde til GPU-kartlegging

Ved å matche GPU-valg til din spesifikke arbeidsflyt—enten det er trening, inferens eller skalering—kan du utnytte budsjettet best og være klar for fremtidige behov.

Programvareøkosystem og kompatibilitet

Rammeverksstøtte og LLM-GPU-kompatibilitet

De fleste LLM-rammeverk—som PyTorch, TensorFlow og Hugging Face Transformers—fungerer best med NVIDIA GPU-er. Disse rammeverkene er tett integrert med NVIDIAs CUDA-plattform og cuDNN-biblioteker. CUDA lar deg programmere GPU-en direkte i språk som C, C++, Python og Julia, noe som gir raskere dyp læring. De fleste moderne LLM-er bruker disse rammeverkene til utvikling, trening og drift. De har innebygd CUDA-støtte.

AMD GPU-er bruker det åpne ROCm (Radeon Open Compute)-miljøet. ROCm muliggjør GPU-programmering via HIP (Heterogeneous-compute Interface for Portability) og støtter OpenCL. ROCm får stadig bedre støtte i LLM-rammeverk, men noen funksjoner og optimaliseringer er mindre utviklet enn i NVIDIAs økosystem. Dette kan bety færre modeller og mindre stabilitet. ROCm er åpen kildekode med unntak av noe firmware, og utviklere jobber med å utvide støtten for AI og HPC.

Drivere og bibliotek-avhengigheter

• NVIDIA: Du må installere siste CUDA-verktøykasse og cuDNN-biblioteker for best LLM-ytelse. NVIDIA oppdaterer disse ofte og tilpasser nye utgivelser av dyp læring-rammeverk for å sikre god samhandling.
• AMD: AMD bruker ROCm-drivere og biblioteker. ROCm-støtten blir stadig bedre, spesielt for PyTorch, men du kan møte kompatibilitetsproblemer med nye modeller eller avanserte funksjoner. Sjekk alltid hvilke rammeverks- og ROCm-versjoner som passer sammen før du starter prosjektet.

Optimaliseringsverktøy og avansert kompatibilitet

NVIDIA tilbyr et komplett sett med optimaliseringsverktøy. Du kan bruke TensorRT for raskere inferens, mixed-precision-trening (FP16 og BF16), kvantisering og pruning. Disse verktøyene hjelper deg å bruke maskinvaren effektivt, sparer minne og øker hastigheten. AMD bygger inn lignende funksjoner i ROCm, men disse har foreløpig færre brukere og mindre støtte.

Kryssleverandør- og alternative løsninger

Standarder som SYCL, utviklet av Khronos Group, har som mål å gjøre GPU-programmering på tvers av leverandører mulig i C++. Dette kan gi bedre fremtidig kompatibilitet for både NVIDIA- og AMD-maskinvare i LLM-er. For øyeblikket fungerer hovedrammeverkene best og mest stabilt på CUDA-GPU-er.

Viktige punkter for LLM-GPU-kompatibilitet

• NVIDIA GPU-er gir det mest pålitelige og bredest støttede alternativet for LLM-er. Du får god rammeverksstøtte, avanserte optimaliseringsbiblioteker og jevnlige driveroppdateringer.
• AMD GPU-er blir stadig bedre for LLM-er, spesielt med ROCm, men du bør alltid sjekke at rammeverket og modellene dine støtter maskinvaren.
• Bekreft alltid støtte for rammeverk og deployeringsverktøy før du kjøper maskinvare. Programvarestøtte påvirker direkte hvordan LLM-prosjektene dine kjører.

Kostnadsanalyse og verdibetraktninger

Totale eierkostnader (TCO)

Når du vurderer GPU-kostnader for LLM-oppgaver, må du se på mer enn innkjøpsprisen. Totale eierkostnader (TCO) inkluderer løpende utgifter som strøm, kjøling og mulige oppgraderinger. Avanserte GPU-er som NVIDIA RTX 4090 eller 3090 bruker mellom 350 og 450 watt ved full belastning. Dette gir høye årlige strømkostnader. Kjører du en GPU på 400 watt hele året til $0,15/kWh, kan strømmen alene koste over $500.

Pris-til-ytelse-metrikker

Når du sammenligner GPU-er, fokuser på pris per FLOP (flyttallsoperasjon per sekund) og pris per GB VRAM (videominne). Disse tallene hjelper deg å sammenligne verdi. Forbruker-GPU-er som RTX 4090 (24 GB VRAM, ca. 18 000 kr) gir høy ytelse og verdi for lokal LLM-kjøring og prototyping. Enterprise-GPU-er som NVIDIA H100 (80 GB VRAM, ca. 300 000 kr) er laget for større, parallelle oppgaver. Disse koster mer fordi de kan håndtere større prosjekter og krevende arbeidsmengder.

Lokal maskinvare vs. skybasert kostnadseffektivitet

Studier viser at bruk av sky-API-tjenester ofte er rimeligere enn å kjøpe en avansert GPU til lokalt bruk—spesielt hvis du kun bruker GPU-en av og til eller til små jobber. Den årlige strømkostnaden for en lokal GPU kan være høyere enn totalkostnaden for å generere hundrevis av millioner tokens via sky-API-er. Skyen fjerner også bekymringer om vedlikehold og oppgraderinger, gir deg tilgang til nyeste maskinvare med én gang, og lar deg skalere raskt uten store investeringer.

Budsjettråd

• Studenter og hobbyister: Se etter forrige generasjons eller brukte forbruker-GPU-er med nok VRAM. Disse lar deg eksperimentere lokalt uten store utgifter.
• Små bedrifter: Bruk en kombinasjon av lokal maskinvare til testing og sky-credits til større jobber. Da unngår du store investeringer.
• Bedrifter: Invester i maskinvare bare hvis du forventer tung og kontinuerlig bruk. Da kan totale eierkostnader bli gunstigere over tid sammenlignet med sky-leie.

Praktiske verdibetraktninger

For å få mest mulig verdi ut av GPU-investeringen til LLM-er, tilpass maskinvaren til ditt faktiske behov. Ikke kjøp ekstra VRAM eller regnekraft hvis prosjektene er små. Husk kostnader til strøm og kjøling. Bruk sky-API-er når du trenger ekstra kapasitet eller skal kjøre storskala oppgaver. For de fleste brukere som ikke driver stor drift, gir skybasert LLM-tilgang bedre verdi og mer fleksibilitet.

Oppsummering:
Velg GPU-er basert på alle kostnader—kjøp, strømbruk, kjøling og bruksmønster. Lokale avanserte GPU-er fungerer bra for tunge og kontinuerlige arbeidsoppgaver. For de fleste gir sky-tjenester bedre verdi og enklere tilgang.

Praktiske kjøpsråd og fallgruver å unngå

Vurder din faktiske LLM-arbeidsmengde

Start med å finne ut hvor stor språkmodell du vil bruke og om du skal fokusere på trening, inferens, eller begge deler. For lokal LLM-inferens må VRAM på GPU-en dekke eller litt overstige modellens behov. Vanligvis trenger du 12–24 GB VRAM for kvantiserte modeller med 7–13 milliarder parametere. Jobber du med større modeller eller trening, kan du trenge 24 GB eller mer. Overvurderer du behovet, blir det dyrt. Undervurderer du, får du minnefeil og avbrutte arbeidsflyter.

Prioriter programvarekompatibilitet

NVIDIA GPU-er støtter flest LLM-rammeverk på grunn av etablert CUDA- og cuDNN-støtte. AMD GPU-er kan spare deg penger, men du må sjekke at ROCm-versjonen og driverne samsvarer med programvarekravene. AMD-kort kan også kreve ekstra oppsett. Sørg alltid for at LLM-programvaren og modellene fungerer med din GPU-arkitektur og driverversjon. Hopper du over dette, kan du få lange feilsøkingsrunder eller en ubrukelig løsning.

Ikke overse strøm, kjøling og fysiske begrensninger

Avanserte GPU-er bruker mye strøm og avgir mye varme. Sjekk at strømforsyningen din tåler GPU-ens wattforbruk før du kjøper. Mange toppkort trenger 350–600 watt. Sørg også for at kabinettet har god luftstrøm. Hvis kjølingen ikke er god nok, kan GPU-en throttles for å unngå overoppheting, noe som gir lavere ytelse og kortere levetid. Mange glemmer dette og ender med ustabilt system eller ekstra oppgraderingskostnader.

Fremtidssikre, men unngå overkjøp

Velg en GPU med litt mer VRAM og ytelse enn du trenger i dag. Da har du rom for nye modeller og programvareoppdateringer. Men ikke betal for funksjoner du aldri vil bruke. De fleste får best verdi fra en avansert forbruker-GPU, som gir god balanse mellom pris, ytelse og fremtidig bruk. Sjekk også hvor godt GPU-en holder verdien brukt, om du vil oppgradere senere.

Unngå vanlige feil

• Velge GPU kun etter minne- eller ytelsestall uten å sjekke rammeverksstøtte.
• Tro at alle nye GPU-er virker til alt—les alltid dokumentasjon og brukerforum.
• Glemme strømforsyning, kabinettstørrelse eller hovedkortkompatibilitet.
• Bruke mye penger på arbeidsstasjon når du kunne brukt sky-GPU-er til sporadiske tunge oppgaver.

Praktisk tips

Er du usikker, start med en godt støttet forbruker-GPU som NVIDIA RTX 4090 for lokale tester. For storskala trening eller inferens du bare trenger av og til, bruk sky-tjenester med enterprise-GPU-er. Slik holder du kostnadene nede og får mer fleksibilitet etter hvert som LLM-prosjektene vokser.

Virkelige casestudier og suksesshistorier

Akademisk akselerasjon med multi-GPU-klynger

Et AI-forskningslaboratorium ved et universitet trente en språkmodell med over 13 milliarder parametere på en multi-GPU NVIDIA A100-klynge. De fordelte arbeidet på fire A100-GPU-er, hver