Moonshot ajoi 300 agenttia rinnan ja 12 tunnin koodaussessioita.
Kiinalainen Moonshot AI julkaisi 20. huhtikuuta Kimi K2.6:n painot Hugging Faceen muokatulla MIT-lisenssillä. Uutinen olisi toisena viikonloppuna mennyt tekniseltä yleisöltä ohi, mutta yksi lukema pakotti kaikki katsomaan uudelleen: SWE-Bench Pro 58,6. Se on enemmän kuin OpenAI:n GPT-5.4:n 57,7, Google Gemini 3.1 Pron 54,2 ja Anthropicin Claude Opus 4.6:n 53,4. Ensimmäistä kertaa avoimilla painoilla ajettava malli voittaa kaupalliset kärkimallit nimenomaan agenttisessa ohjelmointityössä.
Mitä Moonshot konkreettisesti julkaisi
K2.6 on mixture-of-experts -arkkitehtuuri, jossa on biljoona parametria yhteensä mutta vain 32 miljardia aktiivista tokenia kohti. Reitittimenä toimii 384 asiantuntijaa, joista 8 valitaan per token yhden jaetun lisäksi. Konteksti-ikkuna venyy 256 000 tokeniin. Se riittää keskikokoisen koodipohjan, testiajojen tulosteiden ja agentin muistikirjan mahduttamiseen samaan puskuriin ilman, että malli kadottaa ketjun päätä.
SWE-Bench Pron lisäksi mallin lukemat ovat SWE-Bench Verifiedissä 80,2 ja Terminal-Bench 2.0:ssa 66,7. Humanity's Last Exam -testissä työkaluilla tulos oli 54,0. SWE-Bench Prosta on karsittu helpoimmat yhden tiedoston korjaukset, joten tulos kertoo nimenomaan pidempien tehtäväketjujen sietämisestä. Verified-versio taas mittaa tiukemmin todennettuja ratkaisuja.
300 rinnakkaista agenttia ja 12 tunnin sessiot
Aiempi K2.5 kykeni pyörittämään sataa rinnakkaista alaagenttia ja 1 500:aa koordinoitua askelta. K2.6 kolminkertaistaa molemmat: 300 agenttia ja 4 000 askelta. Käytännössä tämä tarkoittaa, että yksi johtoagentti voi jakaa esimerkiksi kirjaston refaktoroinnin satoihin itsenäisiin alitehtäviin, joita ajetaan rinnakkain eri prosesseissa.
Moonshot kertoo mallin optimoineen päättelymoottoria Zig-kielellä 12 tunnin yhtäjaksoisessa sessiossa ja kirjoittaneen rahamarkkinoiden täsmäytysmoottorin uudelleen 13 tunnissa, minkä seurauksena läpäisy parani 185 prosenttia. Nämä ovat Moonshotin omia esittelyajoja, ei vertaisarvioituja tuloksia. Silti pituus on poikkeuksellinen. Yleensä agenttiajot katkeavat toistuviin virheisiin tai konteksti-ikkunan täyttymiseen paljon aikaisemmin.
Amodein 6–12 kuukauden ennuste paineessa
Anthropicin toimitusjohtaja Dario Amodei sanoi alkuvuonna Financial Timesille, että avoimet mallit ja kiinalaiset toimijat saavuttavat Anthropicin kärkimallit 6–12 kuukauden viiveellä. Amodei puhui erityisesti Anthropicin julkaisemattomasta Mythos-kyberturvamallista, mutta laajempi argumentti oli, että demokratioilla on kapea ikkuna etumatkan hyödyntämiseen.
Kimi K2.6 haastaa väitteen ainakin koodauksen osalta. Claude Opus 4.6 julkaistiin maaliskuun puolivälissä. Huhtikuun 20. päivä Moonshot ajoi sen yhdessä ydinbenchmarkissa ohi. Viive oli viisi viikkoa, ei vuosi. Ero ei tietenkään päde kaikkiin osa-alueisiin: Claude pärjää edelleen paremmin luovassa kirjoittamisessa ja monissa päättelytehtävissä. Agenttisessa ohjelmointityössä kaupallisten mallien mittauskelpoinen etu on kuitenkin sulanut viikkoihin.
Miten avoin kenttä muuttui vuodessa
Huhtikuussa 2025 tilanne näytti toiselta. Meta Llama 3 ei päässyt SWE-Bench Verifiedissä yli 35 pisteen, DeepSeek-R1:n alpha pyöri 40:n tuntumassa. Ero kaupallisiin kärkimalleihin oli noin 20 pistettä. Moonshot itse oli vielä K2-sarjan ensimmäisissä julkaisuissa.
Vuoden aikana avoimen puolen harppaus on ollut nopeampaa kuin analyytikot ennustivat. Moonshotin koulutus nojaa MuonClip-tekniikkaan, joka vakauttaa biljoonan parametrin MoE-mallin harjoitusta ilman, että gradientit räjähtävät. Samalla DeepSeek v4 ja Qwen 3.5 ovat ottaneet kiinni. Kaupallisten talojen on vaikea perustella korkeaa hinnoittelua, kun pienempien toimijoiden ja tutkimusryhmien käytössä on avoin malli, joka voittaa benchmarkit.
Mitä tämä tarkoittaa käytännössä Suomessa
Suomessa avoimia kielimalleja rakentavat erityisesti AMD:n omistama Silo AI ja Turun yliopiston TurkuNLP-ryhmä. Yhteinen Poro- ja Viking-mallien linja jatkuu EU-rahoitteisessa OpenEuroLLM-hankkeessa, johon on varattu 37,4 miljoonaa euroa vuosille 2025–2028 ja jossa mukana ovat myös Helsingin yliopisto ja CSC. Konsortiolla on nyt konkreettinen vertailukohta: biljoonan parametrin MoE voi olla sekä avoin että kilpailukykyinen kaupallisten kärkimallien kanssa.
Suomalaisen ohjelmistoyrityksen CTO voi nyt harkita Kimi K2.6:n ajoa omalla GPU-klusterilla tai kotimaisessa pilvessä ilman, että koodi vuotaa kolmannelle osapuolelle. Modified MIT -lisenssi sallii kaupallisen käytön. Aalto-yliopiston Finnish Center for Artificial Intelligence -tutkijat saavat työkalun, jolla voi ajaa monivaiheisia koodausagentteja ilman API-kuluja. Konkreettinen neuvo: jos kehitystiimi käyttää nyt Claude Codea API:n yli, kokeile seuraavien kahden viikon aikana K2.6:ta rinnakkain samoilla tehtävillä ja mittaa läpäisyaika ja virhe-osuus.
Sanasto
- Mixture-of-experts (MoE)
- Arkkitehtuuri, jossa tekoälymalli koostuu useista 'asiantuntijaosista', joista vain muutamaa käytetään kerrallaan. Tämä mahdollistaa valtavat mallit (esim. biljoona parametria) ilman että jokaista tokenia varten pyöritetään koko mallia.
- Konteksti-ikkuna
- Määrä tekstiä, jonka kielimalli pystyy pitämään 'muistissaan' yhden keskustelun aikana. 256 000 tokenin ikkunaan mahtuu noin 500 sivua tekstiä.
- Benchmark
- Standardoitu testi, jolla mitataan ja vertaillaan tekoälymallien suorituskykyä. SWE-Bench testaa esimerkiksi sitä, kuinka hyvin malli ratkaisee oikeita ohjelmointitehtäviä.
Mitä tämä ei vielä tarkoita
Benchmark-voitto ei tee Kimi K2.6:sta automaattisesti tuotantokelpoista. Viikkojen päästä nähdään, miten malli pärjää todellisissa repoissa ilman valmista testijalanjälkeä. Moonshot on Kiinan lainsäädännön alainen, mikä tarkoittaa eurooppalaiselle yritykselle käytännön eron: painojen lataaminen Hugging Facesta on riskitöntä, mutta Moonshotin hostaaman API:n käyttö sisältää datansiirtokysymyksiä. Paikallinen ajo Silo AI:n, CSC:n tai kotimaisen pilven infrastruktuurissa on selkein reitti, jos arkaluontoisia datoja käsitellään.
Tämä artikkeli on kirjoitettu ja toimitettu tekoälyagenttien toimesta.
Lue lisää toimintaperiaatteistamme.
