PyTorch Ramverk för djupinlärning och tensorkomputation PyTorch är en maskininlärningsramvara med tensorberäkning och automatisk differentiering, utvecklad under PyTorch Foundation. Den är grunden för att träna neurala nätverk — från experiment på bärbar dator till distribuerad träning på GPU-kluster — under BSD-3-Clause. Öppen källkod – OSI-godkänd öppen källkod. Läs om licensmodeller.C++Python Startår2016MCPMCP-klient, Officiellt tillägg Betyg 94/100 av 100 Preliminärt Projektdata105 120GitHub-stjärnor4 986 commits · 13 veckor Visa alla fakta och bedömningarVisa alla fakta Startår2016LicensBSD 3-Clause (BSD-variant med flera rättighetsinnehavare)Öppen källkod (OSI-godkänd licens) · Repots LICENSE-fil innehåller en BSD 3-clause-text med tre villkor och copyright för bland andra Facebook, Idiap Research Institute, DeepMind, NEC Laboratories America, NYU, Kakao Brain, Cruise LLC, Tri Dao och Arm. GitHub identifierar licensen som 'Other' (NOASSERTION) eftersom filen kombinerar flera copyright- och licenstexter (PyTorch, Caffe2 och Caffe) i ett dokument, men innehållet är BSD 3-clause. · LicensmodellerÖppen källkodJaPlattformarLinux · macOS · WindowsAPISaknas VerifieratMCPMCP-klient, Officiellt tilläggExportFinns PyTorch kan växla mellan eagert och grafbaserat läge med TorchScript och kan enligt projektets startsida föras vidare till produktion via TorchServe, vilket ger export/distribution av modeller utanför det vanliga Python-anropet. Ej verifieratSpråkGränssnitt: Engelska · Dokumentation: Engelska · Support: Engelska Öppenhet och kontroll 5/5 Gäller: BSD-3-Clause (OSI), PyTorch Foundation-styrning, ingen leverantörslåsning. Funktionell passform 5/5 Gäller: Djupinlärning i Python med träning/inferens och GPU-stöd är exakt kärnan. Dataflytt och interoperabilitet 5/5 Gäller: CUDA/ROCm/XPU/MPS/CPU-stöd och export via ONNX — bred interoperabilitet. Mognad och trygghet 5/5 Gäller: Sedan 2016, stabil 2.x, de facto-standard med mycket aktivt underhåll. Framtidskraft 5/5 Gäller: Helt skriptbart i Python med torch.compile och ONNX-export — förstklassig automation. Drift och införande 4/5 Gäller: pip/conda-installation enkel; GPU-stöd kräver rätt CUDA/ROCm-version (kategoriinnevärd). Kostnadsbild 5/5 Gäller: Helt gratis; hårdvara är kategoriinnevärd. Svensk användbarhet 1/5 Gäller: Engelskt utvecklarbibliotek; ingen svensk dokumentation/UI — engelskspråkig men tekniskt användbar. Kostnad: . Faktakontrollerad 4 november 2026 Jämför PyTorch
TensorFlow TensorFlow är ett öppet ramverk för maskininlärning: modellbygge och träning via Keras i Python, med inferens som självhostad tjänst på server, i webbläsaren och på enheter. Öppen källkod – OSI-godkänd öppen källkod. Läs om licensmodeller.C++Python Startår2015APIREST API · Annan Betyg 85/100 av 100 Preliminärt Projektdata201 296GitHub-stjärnor4 702 commits · 13 veckor Visa alla fakta och bedömningarVisa alla fakta Startår2015LicensApache License 2.0Öppen källkod (OSI-godkänd licens) · Verifierad i repots LICENSE-fil (raw.githubusercontent / GitLab raw). · LicensmodellerÖppen källkodJaPlattformarLinux · Windows · macOS · containersAPIREST API · Annan VerifieratMCPSaknasExportEj verifierat Ej verifieratSpråkGränssnitt: Engelska · Dokumentation: Engelska · Support: Engelska Öppenhet och kontroll 5/5 Gäller: Apache-2.0 verifierad i repots LICENSE-fil; helt öppet ramverk utan enterprise-delar. Funktionell passform 4/5 Gäller: Täcker tränings- och driftsidan som ai-bibliotek-kategorin saknar vid sidan av PyTorch; kategoriresearch anger mycket utbredd användning i svensk industri och akademi. Dataflytt och interoperabilitet 4/5 Gäller: Bibliotek med språk-API:er (Python/C++/Java) plus TF Serving som REST/gRPC-tjänst och TFLite för enheter; modellformat gör modeller flyttbara mellan driftformer. Mognad och trygghet 5/5 Gäller: Ett av världens största ML-ramverk; officiellt repo aktivt underhållet enligt research 2026-10-22. Framtidskraft 4/5 Gäller: Stort ekosystem och aktiv utveckling (TF Serving, TFX); konkurrens från PyTorch/JAX men etablerad industristandard. Drift och införande 3/5 Gäller: Som bibliotek låg driftbörda, men självhostad inferens via TF Serving tillför en tjänst; TF Serving har ingen inbyggd autentisering och ska skyddas bakom reverse proxy/mTLS. Kostnadsbild 5/5 Gäller: Helt fritt under Apache-2.0; inga licenskostnader. Svensk användbarhet 2/5 Gäller: Dokumentation och community är engelskspråkiga; inget svenskt språkstöd belagt i källorna. Kostnad: . Faktakontrollerad 25 oktober 2026 Jämför TensorFlow
JAX Pythonbibliotek för numerisk beräkning och maskininlärning med automatisk differentiering och acceleratorkompilering. Öppen källkod – OSI-godkänd öppen källkod. Läs om licensmodeller.C++Python Startår2018MCPMCP-server, Tredjepart Betyg 85/100 av 100 Preliminärt Projektdata36 575GitHub-stjärnor1 806 commits · 13 veckor Visa alla fakta och bedömningarVisa alla fakta Startår2018LicensApache-2.0Öppen källkod (OSI-godkänd licens) · LicensmodellerÖppen källkodJaPlattformarLinux · WebAPIEj tillämpligtMCPMCP-server, TredjepartExportEj verifierat Ej verifieratSpråkGränssnitt: Engelska · Dokumentation: Engelska · Support: Engelska Öppenhet och kontroll 5/5 Gäller: Apache-2.0 enligt licensfilen i repot (raw.githubusercontent.com/jax-ml/jax/main/LICENSE, verifierad 200): full rätt att läsa, ändra och återdistribuera, pip-distribution och valfri drift utan leverantörsbindning eller låsta format. Funktionell passform 5/5 Gäller: Användningsfallet (anpassad optimeringsmodell i notebook, samma kod på GPU) täcks direkt av kärnfunktionerna: automatisk differentiering, JIT-kompilering till GPU/TPU och NumPy-bekant gränssnitt enligt docs.jax.dev och repot; ren pip-installation utan server ingår. Inga större luckor för just detta fall; postens notFor-objekt (standardarkitekturer utan egen kod, dataprep) ligger utanför fallet. Dataflytt och interoperabilitet 4/5 Gäller: JAX-dokumentationen har en egen sektion 'Exporting and serialization' (docs.jax.dev/en/latest/export/index.html, verifierad 200) och modellparametrar kan spelas via Orbax-checkpoints; det ger dokumenterad, användbar export men korsformatskonvertering till t.ex. PyTorch är inte belagt i underlaget. Mognad och trygghet 4/5 Gäller: Aktivt sedan december 2018 (PyPI JSON API: äldsta uppladdning 2018), löpande releaser (GitHub releases-sida), väldokumenterat API (docs.jax.dev) och brett ekosystem av bibliotek som bygger på grunden (beskrivet i posten). Ingen publicerad säkerhetspolicy belagd i underlaget, därför inte 5. Framtidskraft 4/5 Gäller: Starkt, väldokumenterat Python-API (docs.jax.dev) som är direkt användbart i automatiserade pipeliner, med dokumenterad praktisk anpassningsförmåga: ett ekosystem av bibliotek (t.ex. neurala nätverk och probabilistisk programmering) bygger vidare på grunden enligt posten och repot. Ingen MCP/webhooks — för ett bibliotek är Python-API:t integrationsvägen; användning i agentstackar är ej direkt belagd, därför medium. Drift och införande 4/5 Gäller: Ren pip-installation utan serverkomponenter (PyPI, verifierad 200) och dokumenterad installation/API (docs.jax.dev); driftkraven är väldokumenterade och proportionerliga för en data science-grupp, men förutsätter Python-miljökomfort och acceleratormiljö för större modeller. Kostnadsbild 3/5 Gäller: Licenskostnaden är noll (Apache-2.0 enligt LICENSE i repot) och distributionen via PyPI är gratis, vilket ger en tydlig grundkostnad. Men transparent totalkostnad kräver redovisning av drift, hårdvara och förvaltning: GPU-/TPU-miljö och underhåll måste beräknas separat, så 3 inte 4. Svensk användbarhet 1/5 Gäller: Namngiven negativ kontroll: jax-ml/jax-repot saknar translations-/lokaliseringskatalog helt (verifierat via git ls-tree 2026-10-27) och den officiella dokumentationen docs.jax.dev är endast engelsk. Ingen svensk lokalisering, dokumentation eller svensk support är belagd — engelskspråkigt men tekniskt användbart i Sverige. Kostnad: . Faktakontrollerad 27 oktober 2026 Jämför JAX
ONNX Runtime ONNX Runtime är en öppen motor för snabb maskininlärningsinferens och träning av ONNX-modeller över plattformar. Ni exporterar modellen till ONNX och kör den i Python, C#, Java, JavaScript eller C++ med grafoptimering och hårdvaruacceleration. Öppen källkod – OSI-godkänd öppen källkod. Läs om licensmodeller.C++ Startår2018APIAnnan Betyg 85/100 av 100 Preliminärt Projektdata22 221GitHub-stjärnor1 394 commits · 13 veckor Visa alla fakta och bedömningarVisa alla fakta Startår2018LicensMIT LicenseÖppen källkod (OSI-godkänd licens) · Verifierad i repots LICENSE. · LicensmodellerÖppen källkodJaPlattformarLinux · Windows · macOS · Android · iOSAPIAnnan VerifieratMCPSaknasExportEj verifierat Ej verifieratSpråkGränssnitt: Engelska · Dokumentation: Engelska · Support: Engelska Öppenhet och kontroll 5/5 Gäller: MIT-licens verifierad i repots LICENSE; källkod utvecklas öppet på GitHub (microsoft/onnxruntime). Funktionell passform 4/5 Gäller: Bra passform för produktionssättning av ONNX-modeller utan Python-drift; kräver dock konvertering till ONNX-format och saknar färdigt HTTP-server-API. Dataflytt och interoperabilitet 5/5 Gäller: Bred plattformstäckning: Linux, Windows, macOS, Android och iOS; modellformatet ONNX gör backend-utbyten möjliga. Mognad och trygghet 5/5 Gäller: Utvecklat av Microsoft sedan 2018, aktivt repo och omfattande officiell dokumentation med API-referenser. Framtidskraft 4/5 Gäller: Microsoft-backing och bred plattformssupport ger god uthållighet; konkurrens från TensorRT/OpenVINO noteras. Drift och införande 3/5 Gäller: Bibliotek som byggs in i applikationen — ingen egen tjänst att drifta, men ingen färdig server-yta eller MCP belagd. Kostnadsbild 4/5 Gäller: Fri MIT-licens och ingen infrastrukturutöver värden; integrations- och konverteringsarbete är huvudkostnaden. Svensk användbarhet 1/5 Gäller: Inga belägg för svensk lokalisering eller svensk dokumentation i researchfilen. Kostnad: . Faktakontrollerad 25 oktober 2026 Jämför ONNX Runtime
Hugging Face Transformers Modellbibliotek/ramverk för maskininlärning (transformermodeller) Hugging Face Transformers är ett Python-bibliotek med öppen källkod som ger ett gemensamt gränssnitt mot tusentals modeller på Hugging Face Hub. Öppen källkod – OSI-godkänd öppen källkod. Läs om licensmodeller.Python Startår2018MCPMCP-server, Officiellt tillägg Betyg 95/100 av 100 Preliminärt Projektdata168 530GitHub-stjärnor1 253 commits · 13 veckor Visa alla fakta och bedömningarVisa alla fakta Startår2018LicensApache License 2.0Öppen källkod (OSI-godkänd licens) · Repots LICENSE-fil innehåller Apache License, Version 2.0 med copyright 'The Hugging Face team'; även README:s filhuvud anger Apache 2.0. GitHub identifierar licensen som Apache-2.0. · LicensmodellerÖppen källkodJaPlattformarLinux · macOS · WindowsAPISaknas VerifieratMCPMCP-server, Officiellt tilläggExportEj verifierat Tränade modeller kan sparas och laddas med bibliotekets egna funktioner, men någon dokumenterad exportfunktion av användardata i katalogmening påträffades inte i de hämtade källorna. Ej verifieratSpråkGränssnitt: Engelska · Dokumentation: Engelska · Support: Engelska Öppenhet och kontroll 5/5 Gäller: Apache-2.0 (OSI), full frihet; biblioteket helt öppet även om vissa modellvikter på HF Hub är gated. Funktionell passform 5/5 Gäller: Träna/konvertera/köra modeller i Python är bibliotekets exakta kärna, med Trainer/accelerate och export till ONNX/GGUF. Dataflytt och interoperabilitet 5/5 Gäller: safetensors är öppet standardformat; export till ONNX/GGUF ger portabilitet till i princip vilken runtime som helst. Mognad och trygghet 5/5 Gäller: Industristandard sedan 2019 med enormt ekosystem, täta stabila releaser och bred produktionsanvändning. Framtidskraft 5/5 Gäller: Hela Python-stacken är programmatisk; peft/trl/accelerate-ekosystemet ger referensklass anpassningsförmåga. Drift och införande 3/5 Gäller: Väldokumenterad men kräver Python-miljöhantering med tunga beroenden och versionskrav. Kostnadsbild 5/5 Gäller: Apache-2.0, gratis; beräkningskostnad kategoriinnevärd, HF Hub gratis för öppna modeller. Svensk användbarhet 3/5 Gäller: Svenska/flerspråkiga modeller (AI Sweden, KB-BERT) laddas direkt — fungerande svenska i praktiken; biblioteket självt har ingen svensk dokumentation. Kostnad: . Faktakontrollerad 31 oktober 2026 Jämför Hugging Face Transformers
Haystack Haystack är ett öppet Python-ramverk för AI-orkestrering där ni bygger produktionsklara agenter, RAG-system och multimodal sökning av återanvändbara komponenter i egna pipelinegrafer. Öppen källkod – OSI-godkänd öppen källkod. Läs om licensmodeller.Python Startår2019APIREST APIMCPMCP-server, Officiellt tillägg Betyg 76/100 av 100 Preliminärt Projektdata26 926GitHub-stjärnor735 commits · 13 veckor Visa alla fakta och bedömningarVisa alla fakta Startår2019LicensApache License 2.0Öppen källkod (OSI-godkänd licens) · Repots LICENSE-fil är Apache 2.0 (verifierad 2026-10-20). · LicensmodellerÖppen källkodJaPlattformarLinux · Windows · macOSAPIREST API VerifieratMCPMCP-server, Officiellt tilläggExportEj verifierat Ej verifieratSpråkGränssnitt: Engelska · Dokumentation: Engelska · Support: Engelska Öppenhet och kontroll 5/5 Gäller: Apache-2.0 verifierad i repots LICENSE-fil (2026-10-20); öppen kodbas. Funktionell passform 3/5 Gäller: Passar utvecklingsteam som bygger RAG/agenter i Python och vill styra komponenterna; dock krävs Python-kompetens och ingen färdig UI — inte för användare som söker färdig chatbot. Dataflytt och interoperabilitet 4/5 Gäller: Bibliotek på PyPI (haystack-ai) och Docker-avbilder för Linux/Windows/macOS; valfri hanterad Enterprise-plattform är dock separat och kommersiell. Mognad och trygghet 4/5 Gäller: Etablerat ramverk med stabil v3.4.0; v3.5.0-rc finns i repot. Framtidskraft 4/5 Gäller: Modulär pipeline-arkitektur för RAG och agenter med REST/MCP-exponering via Hayhooks; aktiv utveckling i deepsets ekosystem. Drift och införande 3/5 Gäller: Kräver Python-drift utan färdig UI; REST/MCP-servring sker via det separata tillägget Hayhooks. Kostnadsbild 4/5 Gäller: Öppen kärna under Apache-2.0; den hanterade Haystack Enterprise Platform är en separat kommersiell tjänst. Svensk användbarhet 1/5 Gäller: Ingen svensk lokalisation verifierad i researchen; utvecklarverktyg med engelsk dokumentation. Kostnad: . Faktakontrollerad 1 november 2026 Jämför Haystack
OpenCV Bibliotek för datorseende och bildbehandling med algoritmer från grundläggande filtrering till objektigenkänning. Öppen källkod – OSI-godkänd öppen källkod. Läs om licensmodeller.Python Startår2000MCPMCP-server, Tredjepart Betyg 81/100 av 100 Preliminärt Projektdata91 446GitHub-stjärnor596 commits · 13 veckor Visa alla fakta och bedömningarVisa alla fakta Startår2000LicensApache-2.0Öppen källkod (OSI-godkänd licens) · LicensmodellerÖppen källkodJaPlattformarLinux · WebAPIEj tillämpligtMCPMCP-server, TredjepartExportEj verifierat Ej verifieratSpråkGränssnitt: Engelska · Dokumentation: Engelska · Support: Engelska Öppenhet och kontroll 5/5 Gäller: Apache License 2.0 enligt licensfilen i repot (raw.githubusercontent.com/opencv/opencv/4.x/LICENSE); OSI-godkänd licens med full rätt att läsa, ändra och återdistribuera samt fri självdrift. Ett bibliotek utan leverantörslåsning eller proprietära format. Funktionell passform 4/5 Gäller: Täcker kärnbehovet i användningsfallet: bildbehandling, objekt-/konturdetektering, kamerakalibrering och DNN-inferens för färdiga modeller enligt dokumentationen (docs.opencv.org). Mindre luckor enligt postens begränsningar: ingen modellträning från grunden, och avancerad prestandaoptimering kräver C++-djup. Dataflytt och interoperabilitet 4/5 Gäller: Som bibliotek låser OpenCV ingen data: bilder läses och skrivs i standardiserade bildformat via dokumenterade API:er (docs.opencv.org) med gränssnitt i Python, C++ och Java. Ingen exportmekanik behövs eftersom data aldrig hamnar i ett proprietärt system — men begreppet 'export' är odefinierat för bibliotek, därför inte nivå 5. Mognad och trygghet 5/5 Gäller: Projektet existerar sedan 2000 (Wikipedia) och publicerar löpande releaser (GitHub releases); omfattande dokumentation (docs.opencv.org) och ett brett ekosystem. Lång historik och etablerad förvaltning är direkt belagd. Framtidskraft 3/5 Gäller: Väldokumenterade API:er i Python/C++/Java (docs.opencv.org) används i stor utsträckning för automation; däremot saknas dokumenterad webhook-, agent- eller MCP-integration, vilket enligt ankaret hindrar nivå 4. Drift och införande 4/5 Gäller: Enkel installation via pip eller systempaket utan serverdrift (pypi.org/project/opencv-python) och väldokumenterad. Mindre lucka: CUDA-byggen och prestandatuning kräver specialistkompetens enligt postens begränsningar. Kostnadsbild 3/5 Gäller: Apache-2.0 innebär ingen licenskostnad och projektet säljer ingen tjänst, så licensbilden är transparent. Driftkostnader (GPU/CPU vid full installation, utvecklingstid) kräver egen beräkning — enligt regeln ger gratis licens utan transparent TCO nivå 3, inte 4. Svensk användbarhet 1/5 Gäller: Ingen svensk lokalisering eller dokumentation belagd. Namngiven kontroll: OpenCVs officiella dokumentationsportal (docs.opencv.org/4.x/d9/df8/tutorial_root.html, verifierad 200 med UA) är enbart engelsk (lang='en-US', inga svenska hänvisningar), och projektet har ingen i18n-/språkkatalog. Svensk community/support är inte systematiskt kontrollerad; biblioteket är engelskspråkigt men tekniskt användbart i Sverige. Kostnad: . Faktakontrollerad 27 oktober 2026 Jämför OpenCV
scikit-learn scikit-learn är Pythons standardbibliotek för klassisk maskininlärning: klassificering, regression och oövervakad inlärning med ett gemensamt fit/predict-API och pipelines. Det är gratis under BSD-licens och bygger på NumPy och SciPy. Öppen källkod – OSI-godkänd öppen källkod. Läs om licensmodeller.Python Startår2010APIAnnanMCPMCP-server, Tredjepart Betyg 88/100 av 100 Preliminärt Projektdata68 005GitHub-stjärnor324 commits · 13 veckor Visa alla fakta och bedömningarVisa alla fakta Startår2010LicensBSD 3-ClauseÖppen källkod (OSI-godkänd licens) · Verifierad i repots LICENSE-fil (raw.githubusercontent / GitLab raw). · LicensmodellerÖppen källkodJaPlattformarLinux · macOS · WindowsAPIAnnan VerifieratMCPMCP-server, TredjepartExportEj verifierat Ej verifieratSpråkGränssnitt: Engelska · Dokumentation: Engelska · Support: Engelska Öppenhet och kontroll 5/5 Gäller: BSD-3-Clause verifierad i repots COPYING/LICENSE; helt öppen kodbas. Funktionell passform 4/5 Gäller: De facto-standard för klassisk ML och fyller luckan mellan AI-verktyg och djupinlärningsramverk i kategorin enligt kategoriresearch; saknar dock djupinlärning. Dataflytt och interoperabilitet 4/5 Gäller: Ren Python/Cython-API installerbar var som helst via pip; modeller serialiseras i standardformat men pickle-låsning till biblioteksversion är en känd begränsning. Mognad och trygghet 5/5 Gäller: Mogent, världsutbrett bibliotek på NumPy/SciPy; officiellt repo aktivt underhållet enligt research 2026-10-22. Framtidskraft 4/5 Gäller: Stabilt och aktivt underhållet med stark ställning inom klassisk ML; mindre utvecklingstakt än djupinlärningsekosystemen. Drift och införande 5/5 Gäller: Rent bibliotek utan HTTP-yta eller serverkomponent — ingen driftbörda utöver själva Python-miljön. Kostnadsbild 5/5 Gäller: Helt fritt under BSD-3-Clause; inga licenskostnader. Svensk användbarhet 2/5 Gäller: Dokumentation och community är engelskspråkiga; inget svenskt språkstöd belagt i källorna. Kostnad: . Faktakontrollerad 25 oktober 2026 Jämför scikit-learn
spaCy spaCy är ett Python-bibliotek för industriell språkbearbetning: tokenisering, taggning, parsing och namngiven enhetsigenkänning med neurala nätverksmodeller. Det kombinerar statistiska modeller med regelbaserade mönster i sammansatta pipelines. Öppen källkod – OSI-godkänd öppen källkod. Läs om licensmodeller.Python Startår2015APIAnnan Betyg 89/100 av 100 Preliminärt Projektdata34 021GitHub-stjärnor30 commits · 13 veckor Visa alla fakta och bedömningarVisa alla fakta Startår2015LicensMIT LicenseÖppen källkod (OSI-godkänd licens) · Verifierad i repots LICENSE-fil (raw.githubusercontent / GitLab raw). · LicensmodellerÖppen källkodJaPlattformarLinux · Windows · macOSAPIAnnan VerifieratMCPSaknasExportEj verifierat Ej verifieratSpråkGränssnitt: Engelska · Dokumentation: Engelska · Support: Engelska Öppenhet och kontroll 5/5 Gäller: MIT verifierad i repots LICENSE-fil enligt kategoriresearch; kodbasen är helt öppen (modellpaket licensieras separat). Funktionell passform 4/5 Gäller: Praktiskt NLP-bibliotek som kompletterar LLM-verktygen i kategorin; har svensk språkmodell vilket kategoriresearch lyfter som relevant för svensk publik. Dataflytt och interoperabilitet 4/5 Gäller: Rent Python-bibliotek via pip med nedladdningsbara modeller; ingen HTTP-yta i kärnan — serverexponering (t.ex. DispaCy) byggs separat. Mognad och trygghet 5/5 Gäller: Etablerat produktionsbibliotek under Explosion AI; officiellt repo aktivt underhållet enligt research 2026-10-22. Framtidskraft 4/5 Gäller: Aktiv utveckling och stark ställning för klassisk NLP; konkurrens från LLM-baserade flöden men stabil nisch. Drift och införande 5/5 Gäller: Bibliotek utan serverkomponent; driftbörda begränsad till Python-miljön. Kostnadsbild 5/5 Gäller: Helt fritt under MIT; inga licenskostnader. Svensk användbarhet 3/5 Gäller: Har svensk språkmodell (sv_core_news_sm) enligt modellkatalogen, men dokumentation och community är engelskspråkiga. Kostnad: . Faktakontrollerad 25 oktober 2026 Jämför spaCy
