Koneoppimisen uutiset suomeksi: uudet kielimallit ja mallijulkaisut, vertailut ja tutkimustulokset selkokielellä.
OpenRouteriin ilmestyi kesäkuussa nimetön koodausmalli 'Owl Alpha', joka kiipesi kärkeen. Nyt paljastui, että kyseessä oli Meituanin avoin LongCat-2.0: 1,6 biljoonaa parametria, 59,5 % SWE-bench Pro:ssa ja koulutus kokonaan kiinalaisilla ASIC-siruilla.
Anthropicin Claude Mythos Preview kiilasi GPQA Diamond -testin kärkeen 94,6 prosentilla, mutta ero Gemini 3.1 Prohon on vain kolmasosa prosenttiyksikköä. Grok 4.1 johtaa laajempaa yhdistelmämittaria. Miksi juuri tämä testi erottelee huippumallit, ja mitä luvut jättävät kertomatta?
Google julkaisi Gemini 3.1 Flash Image -mallin, lempinimeltään Nano Banana 2, ja Omni Flashin. Kevyin versio tekee kuvan noin neljässä sekunnissa muutaman sentin hinnalla ja muuntaa kuvat videoksi keskustelevalla editoinnilla. Kustannusromahdus koskettaa koko kuvitusalaa.
xAI ajoi 1,5 biljoonan parametrin V9-mallinsa yksityiseen betaan vain SpaceX:llä ja Teslalla. Yhtiö väittää Grok 4.5:n yltävän Claude Opuksen tasolle, mutta kukaan ulkopuolinen ei pääse mittaamaan väitettä.
Googlen 22. kesäkuuta hiljaa julkaisema Gemini 2.5 Pro Deep Think ylsi 82,4 prosenttiin GPQA Diamond -testissä. Tulos on alan vahvin julkaistu päättelysuoritus, ja se nousi esiin keskellä kohua viivästyneistä julkaisuista.
DeepSeek julkaisi V4-Pro- ja V4-Flash-mallit, jotka yhdistävät miljoonan tokenin konteksti-ikkunan ja Mixture-of-Experts-arkkitehtuurin pitkäkestoisiin agenttitehtäviin. Kiinalaislabra tarjoaa huippumallien tasoa murto-osalla länsimaisten kilpailijoiden hinnasta.
Google Research esitteli 5.6.2026 menetelmän, jossa kuusi erikoistunutta agenttia tarkistavat yhdessä kontekstin riittävyyden ennen kielimallin vastausta. Faktatarkkuus parani jopa 34 prosenttia tavalliseen RAG:iin verrattuna. Kotimaiset sote- ja oikeustietochatbotit voisivat hyötyä.
Claude Opus 4.8 yltää 88,6 prosenttiin SWE-bench Verifiedissä ja tuo Claude Codeen dynaamiset työnkulut, joissa malli ajaa jopa tuhat rinnakkaista ala-agenttia. Pohjamallin kiihtyminen pakottaa Cognitionin Devinin kaltaiset agenttikehykset ja kotimaiset koodaustalot uuteen työnjakoon.
Google julkaisi 3. kesäkuuta Gemma 4 12B:n: multimodaalisen avoimen mallin, joka pyörii 16 gigan läppärillä Apache 2.0 -lisenssillä. Suomessa Aalto, VTT ja HUS odottavat ratkaisua, jolla potilastiedon voi analysoida ilman pilveä.
xAI:n uusi Composer 2.5 ajaa pitkiä koodausketjuja 200 000 tokenin kontekstissa. Pohjana on kiinalaisen Moonshotin avoin Kimi K2.5 ja 25-kertainen synteettinen koulutusdata – vientirajoituksista huolimatta.
ByteDance Seed julkaisi UI-TARS-1.5-7B:n Hugging Faceen Apache 2.0 -lisenssillä. Pieni vision-kielimalli näkee ruutukaappauksen ja ohjaa hiirtä kuin ihminen. Koko UI-TARS-1.5 päihittää OSWorld-testissä Claude 3.7:n ja OpenAI:n Operatorin, ja 7B-versio mahtuu paikalliseen ajoon.
CAISI julkisti NIST-arvion DeepSeek V4-Prosta: malli ohitti GPT-5.5:n Codeforces-rankingissa (3206 vs 3168) ja oli tasoissa Claude Opus 4.7:n kanssa SWE-bench Verifiedissä. 1,6 biljoonan parametrin painot MIT-lisenssillä. Aalto Reliable AI varoittaa julkishallinnon riskistä.
