fix(ms-ai-architect): Spor 0 — 37 kilde-verifiserte KB-feil fikset (25 ref-filer), 1 avvist [skip-docs]

Per-kilde verifiserings-agenter (Opus xhigh, live microsoft_docs_fetch) bekreftet
hver verdi mot kilden FOER endring; alle forekomster av samme gale fakta fikset
fil-vidt (ikke bare sitert linje).

- 37/38 confirm-fix anvendt; #8 (model-selection «Model Router GA») AVVIST: fila var
  allerede korrekt (Model Router GA siden 2025-11-18); den siterte model-choice-guide
  har utdatert «(preview)»-etikett. AA «fikse» ville innfoert en feil.
- Tverteklynger reconciled til kilde-sann verdi: AI Search storage (S1 160/S2 512/S3
  1024/L1 2048/L2 4096 GB; vektor 5/35/150/300), Quota Tiers (erstatter
  Default/Enterprise + «1 Unit Capacity»).
- Hoey-innsats: realtime Schrems II omskrevet (global deployment != EU-residens,
  selv-verifisert mot kilde); Data Zone Norway East = gpt-5.4 OG gpt-5.5 (ikke kun
  5.5); computer-use = gpt-5.4 + computer-tool (region flagget for verifisering).
- Suite 552/552 groenn. Manifest oppdatert (fixed/verdict/verified per fiks).

Spor 1-froe (cross-fil-gjentakelser i UBEROERTE filer): «DDoS Protection Standard» i
ros-ai-threat-library.md + zero-trust-ai-services.md. Tilstoetende funn (ikke i de 38):
se docs / STATE.

skills/ms-ai-security/references/cost-optimization/azure-ai-foundry-cost-governance.md

@@ -22,7 +22,7 @@ Quotas er tekniske grenser som kontrollerer hvor mye av en gitt ressurs en subsc
 
 | Quota Type | Scope | Default Limit | Adjustable? |
 |------------|-------|---------------|-------------|
-| **Model Quota (TPM)** | Per subscription, per region, per model | Varies by tier (150K-30M TPM) | Yes, via quota request |
+| **Model Quota (TPM)** | Per subscription, per region, per model | Varierer per Quota Tier (Free Tier (Tier 0) + Tier 1–6); ca. 100K–225M TPM | Yes, via quota request |
 | **VM Family Quota** | Per subscription, per region | 24-300 cores (depends on subscription type) | Yes, via support request |
 | **Compute Instances** | Per region | 500 total compute limit | Yes, up to 2500 via quota UI, beyond via support |
 | **Serverless API Quota** | Per deployment | 200K TPM, 1K RPM | Yes, one deployment per model per project by default |

skills/ms-ai-security/references/cost-optimization/model-selection-price-performance.md

@@ -299,7 +299,7 @@ Månedlig besparelse (NOK) = (Kostnad_current - Kostnad_new) × USD_to_NOK
 ### Power Platform AI Builder
 
 **Modellvalg i AI Builder:**
-- AI Builder bruker **Azure OpenAI GPT-4o-mini** som default for generative oppgaver (per desember 2024)
+- AI Builder / prompt builder bruker **GPT-4.1 mini** som standardmodell for generative oppgaver (GPT-4o mini og GPT-4o brukes nå kun i US government-regioner)
 - Ingen direkte modellvalg tilgjengelig i AI Builder-grensesnittet
 - Kostnader inkludert i AI Builder credits (500 credits/bruker/måned i premium-planer)
 

skills/ms-ai-security/references/cost-optimization/multi-model-strategy-costs.md

@@ -10,7 +10,7 @@
 
 Moderne AI-løsninger krever ofte forskjellige modellkapabiliteter for ulike oppgaver. En multi-model strategy innebærer intelligent routing av requests til den mest kostnadseffektive modellen som tilfredsstiller kvalitetskravene. Med Azure OpenAI-modeller som varierer fra GPT-4.1-nano (59 400 tokens/PTU) til GPT-5 (4 750 tokens/PTU) kan besparelsene være betydelige — opptil 90% kostnadsdifferanse mellom modeller for enkle oppgaver.
 
-Model Router fra Microsoft er en trent språkmodell som automatiserer denne beslutningsprosessen i real-time. Den analyserer prompt-kompleksitet, resonnementskrav og oppgavetype for å velge optimal modell fra et sett på opptil 18 underliggende modeller (inkludert GPT-serien, Claude, DeepSeek, Llama og Grok). Dette gir én deployment-overflate med kombinert kosteffektivitet og kvalitet.
+Model Router fra Microsoft er en trent språkmodell som automatiserer denne beslutningsprosessen i real-time. Den analyserer prompt-kompleksitet, resonnementskrav og oppgavetype for å velge optimal modell fra et sett på 28 underliggende modeller (inkludert GPT-serien, Claude, DeepSeek, Llama, Grok og flere; versjon 2025-11-18 oppdateres løpende, så antallet vokser). Dette gir én deployment-overflate med kombinert kosteffektivitet og kvalitet.
 
 For organisasjoner som ønsker mer kontroll, tilbyr custom gateway-løsninger (via Azure API Management eller egen kode) mulighet for egendefinerte routing-regler basert på client identity, quota management, blue-green deployments eller data sovereignty-krav. Denne kunnskapsfilen dekker både managed (Model Router) og custom gateway-strategier for multi-model deployments.
 
@@ -24,20 +24,25 @@ For organisasjoner som ønsker mer kontroll, tilbyr custom gateway-løsninger (v
 | **Routing Modes** | Quality (max nøyaktighet), Balanced (default), Cost (max besparelse) | GA |
 | **Model Subset** | Custom selection av underliggende modeller for routing | GA |
 | **Deployment Types** | Global Standard, Data Zone Standard | Regional: East US 2, Sweden Central |
-| **Underlying Models** | 18 modeller: GPT-4.1/5-serien, o-series, Claude, DeepSeek, Llama, Grok | Varierer per modell |
+| **Underlying Models** | 28 modeller (per 2026-06): GPT-4.1/5/5.2–5.5-serien, o4-mini, Claude (4–5), DeepSeek (V3.1/V3.2), gpt-oss-120b, Llama-4-Maverick, Grok-4 | Varierer per modell |
 
-**Underliggende modeller i Model Router `2025-11-18`:**
-- **OpenAI-modeller:** gpt-4.1, gpt-4.1-mini, gpt-4.1-nano, gpt-5, gpt-5-mini, gpt-5-nano, gpt-5-chat, o4-mini, gpt-4o, gpt-4o-mini
-- **Reasoning-modeller:** o4-mini (preview)
-- **3rd-party modeller:** DeepSeek-V3.1, gpt-oss-120b, Llama-4-Maverick-17B-128E-Instruct-FP8, grok-4, grok-4-fast
-- **Claude (krever egen deployment):** claude-haiku-4-5, claude-opus-4-1, claude-sonnet-4-5
+**Underliggende modeller i Model Router `2025-11-18` (28 per 2026-06; oppdateres løpende):**
+- **OpenAI:** gpt-4o, gpt-4o-mini, gpt-4.1, gpt-4.1-mini, gpt-4.1-nano, o4-mini, gpt-5-nano, gpt-5-mini, gpt-5, gpt-5-chat, gpt-5.2, gpt-5.2-chat, gpt-5.3-chat, gpt-5.4-nano, gpt-5.4-mini, gpt-5.4, gpt-5.5
+- **3rd-party:** DeepSeek-V3.1, DeepSeek-V3.2, gpt-oss-120b, Llama-4-Maverick-17B-128E-Instruct-FP8, grok-4, grok-4-fast-reasoning
+- **Claude (krever egen deployment):** claude-haiku-4-5, claude-sonnet-4-5, claude-opus-4-1, claude-opus-4-6, claude-opus-4-7
 
-**Rate limits (Model Router `2025-11-18`):**
+**Rate limits (Model Router `2025-11-18`, kvotenivå-basert):**
 
-| Deployment Type | Default RPM | Default TPM | Enterprise RPM | Enterprise TPM |
-|-----------------|-------------|-------------|----------------|----------------|
-| GlobalStandard | 250 | 250 000 | 400 | 400 000 |
-| DataZoneStandard | 150 | 150 000 | 300 | 300 000 |
+Grenser skalerer med abonnementets bruksnivå (Quota Tier 1–6), ikke lenger Default/Enterprise. Se [Quota tiers](https://learn.microsoft.com/azure/foundry/openai/quotas-limits).
+
+| Tier | GlobalStandard RPM | GlobalStandard TPM | DataZoneStandard RPM | DataZoneStandard TPM |
+|------|--------------------|--------------------|----------------------|----------------------|
+| Tier 1 | 1 000 | 1 000 000 | 300 | 300 000 |
+| Tier 2 | 2 000 | 2 000 000 | 670 | 670 000 |
+| Tier 3 | 4 000 | 4 000 000 | 1 000 | 1 000 000 |
+| Tier 4 | 7 000 | 7 000 000 | 2 000 | 2 000 000 |
+| Tier 5 | 10 000 | 10 000 000 | 3 000 | 3 000 000 |
+| Tier 6 | 15 000 | 15 000 000 | 4 000 | 4 000 000 |
 
 ### Custom Gateway Architectures
 

skills/ms-ai-security/references/cost-optimization/rag-query-cost-reduction.md

@@ -46,10 +46,10 @@ Basert på Microsoft Learn-data for standard konfigurasjon (5 retrieved document
 
 | Tier | Partitions | Replicas | QPS Capacity | Storage | ~NOK/month | Best For |
 |------|------------|----------|--------------|---------|------------|----------|
-| **Basic** | 1 | 3 | Moderate | 2 GB | 1 200 | Proof-of-concept, lav trafikk |
-| **S1** | 12 | 12 | High | 25 GB/partition | 2 800 | Produksjon, moderate volumer |
-| **S2** | 12 | 12 | Very High | 100 GB/partition | 11 200 | High-volume produksjon |
-| **S3** | 12 | 12 | Enterprise | 200 GB/partition | 22 400 | Enterprise-skala |
+| **Basic** | 1 | 3 | Moderate | 15 GB/partition (eldre: 2 GB) | 1 200 | Proof-of-concept, lav trafikk |
+| **S1** | 12 | 12 | High | 160 GB/partition | 2 800 | Produksjon, moderate volumer |
+| **S2** | 12 | 12 | Very High | 512 GB/partition | 11 200 | High-volume produksjon |
+| **S3** | 12 | 12 | Enterprise | 1 024 GB/partition | 22 400 | Enterprise-skala |
 
 **Baseline (Modellkunnskap):** Prisene er omregnet fra USD til NOK (1 USD ≈ 11 NOK, februar 2026) og er veiledende.
 

skills/ms-ai-security/references/cost-optimization/reserved-capacity-planning.md

@@ -282,7 +282,7 @@ Er tjenesten Azure OpenAI/Foundry Models?
 
 **💡 Best Practice:** **ALLTID deploy først, kjøp reservasjon etterpå.** Quota ≠ capacity.
 
-**Autorenew er nå ON som standard for alle nye reservasjoner** (gjelder reservasjoner opprettet etter 2025-Q4). Sjekk innstillingen ved kjøp og deaktiver manuelt hvis ønskelig. Verified (MCP 2026-04).
+**Autorenew er opt-in — ikke på som standard.** Aktiveres i Renewal settings eller ved kjøp. Ved utløp kan reservasjonen enten fornyes på samme reservasjons-ordre-ID eller erstattes av en ny reservasjon; en erstatningsreservasjon har autorenew **av** som standard. Sjekk og still inn ønsket fornyelse ved kjøp/fornyelse. Verified (MCP 2026-06).
 
 ---
 

skills/ms-ai-security/references/cost-optimization/vector-storage-cost-optimization.md

@@ -396,10 +396,10 @@ Eksempel: 5 millioner dokumenter, gjennomsnittlig 2000 tokens per dokument
 
 | Tier | Vector quota | Pris/måned (1 partition) | Egnet datasett |
 |------|--------------|--------------------------|----------------|
-| **Basic** | 1 GB | ~$75 USD | <100K docs |
-| **S1** | 12 GB | ~$250 USD | 100K-1M docs |
-| **S2** | 36 GB | ~$1,000 USD | 1M-5M docs |
-| **S3** | 72 GB | ~$2,000 USD | 5M-20M docs |
+| **Basic** | 5 GB | ~$75 USD | <100K docs |
+| **S1** | 35 GB | ~$250 USD | 100K-1M docs |
+| **S2** | 150 GB | ~$1,000 USD | 1M-5M docs |
+| **S3** | 300 GB | ~$2,000 USD | 5M-20M docs |
 
 **Viktig:** Eldre services (pre-April 2024) har lavere quotas. Sjekk oppgraderingsmulighet: `az search service show --name <service> --resource-group <rg>`.