perjantai 17.7.2026
Päivän uutiset käsittelivät pääosin avoimen lähdekoodin tekoälymalleista ja niiden soveltamisesta: LM Studio ja saksalainen konsortio julkaisivat uusia avoimia malleja, kun taas tutkijat osoittivat perinteisten ML-menetelmien tehokkuuden LLM-tekstin tunnistamisessa ja moniagenttijärjestelmien potentiaalin tieteellisten artikkeleiden analysoinnissa. Samalla Google esitteli uusia ominaisuuksia Gemini Notebookille, kehittäjät demonstroivat kielimallien autonomiaa musiikkivideoiden tuotannossa, ja Timeline Scan toi tekoälyn valokuvien päivämääritykseen, mutta alan suurena haasteena nousee esiin generatiivisen tekoälyn huono skaalautuvuus, joka nostaa laitteistojen hintoja.
LM Studio Bionic on erillinen sovellus, joka yhdistää paikallisen mallien ajamisen ja pilvipohjaiset frontier-mallit yhdeksi agenttityökaluksi. Se tukee koodausta, dokumenttityötä ja äänikirjoitusta paikallisella Voxtral-mallilla. Tietosuojan osalta LM Studio lupaa nolladatansäilytyksen eikä käytä käyttäjädataa mallien koulutukseen. Pilvipalvelun käyttö edellyttää LM Studio -tilin luomista ja laskutuksen käyttöönottoa.
KI Bundesverbandin koordinoima tutkimuskonsortio julkaisi Soofi S -kielimallin, joka on koulutettu kokonaan Deutsche Telekomin pilvi-infrastruktuurilla Münchenissä. Malli käyttää MoE-arkkitehtuuria, jossa aktivoituu vain 3,2 miljardia parametria per token, mikä pitää suorituskyvyn lähes vakiona jopa 256 000 tokenin kontekstipituuksilla. Esikoulutusraportin mukaan malli päihittää kaikki täysin avoimet mallit sekä saksan- että englanninkielisissä vertailutesteissä, mukaan lukien OLMo 3 32B ja Apertus 70B. Julkaisun jälkeen osa kriitikoista on arvostellut mallia ylitreenauksen vuoksi suhteessa Chinchilla-skaalauslakeihin, mutta projektin tekninen johto kiistää kritiikin vedoten siihen, että vanhat skaalauslait eivät päde MoE-arkkitehtuureihin.
Kiinalainen kehittäjä rakensi viikonloppuprojektina tekstiluokittelijan, joka erottaa LLM-tuotetun tekstin ihmiskirjoituksesta perinteisillä scikit-learn-malleilla kuten Linear SVC ja Naive Bayes. Yksittäisten lauseiden tunnistustarkkuus on noin 85 % testidatalla. Kehittäjä arvelee, että monet kaupalliset AIGC-tunnistuspalvelut toimivat samalla periaatteella. Koodi ja koulutettu malli ovat saatavilla GitHubissa.
Tutkijat testasivat Gauntlet-nimistä avoimen lähdekoodin pipeline-työkalua, joka analysoi tieteellisiä artikkeleita viiden erillisen asiantuntijapersoona-agentin ja adversariaalisen synteesivaiheen avulla. 20 ISCA 2025- ja HPCA 2026 -artikkelin vertailussa arvioijat suosivat Gauntlet'n analyysiä 15 tapauksessa, ihmistä neljässä ja yhdessä tulos oli tasapeli. Etu oli suurin kriittisen tarkkuuden osalta, mutta ihmisarvioijat voittivat luotettavuuden ja käytännöllisyyden kategorioissa. 98 artikkelin automaattinen ablointikoe osoitti, että hyöty tulee nimenomaan moniagenttirakenteesta eikä yksittäisestä mallista.
Kehittäjät rakensivat agenttikehyksen, jossa kielimalli sai tehtäväkseen tuottaa kokonaisen musiikkivideon itsenäisesti annetulla budjetilla. Molemmat mallit tutkivat videomalleja, generoivat klippejä, editoivat ffmpeg:llä ja kokosivat lopullisen videon ilman ihmisen väliintuloa. Claude Fable 5:n tokenikustannukset olivat 16–25 dollaria per ajo eli 30–40 % kokonaiskustannuksesta, kun GPT-5.6 Sol:n tokenikustannukset jäivät 3–4 dollariin samalla tokenmäärällä. Kaikki neljä ajoa tuottivat valmiin videon, mutta hahmojen johdonmukaisuus, tarinallinen jatkuvuus ja tempon seuraaminen olivat heikkouksia kaikilla malleilla.
Timeline Scan on verkkopalvelu, joka analysoi skannattujen valokuvien todellisen ottamisajankohdan ja kirjoittaa korjatun päivämäärän tiedoston metatietoihin. Palvelu lukee vihjeitä useista lähteistä: kansioiden nimistä, tiedostonimistä, painettuista päivämääräleimaleimasta, käsinkirjoitetuista teksteistä sekä kuvien visuaalisista piirteistä kuten vaatteista, autoista ja filmityypistä. Korjattu päivämäärä toimii suoraan Google Photosin, Apple Photosin ja Immichin lajitteluperusteena. Palvelu tukee myös iPhonea sekä suoraa synkronointia Immich-palvelimeen.
Google nimeää NotebookLM:n Gemini Notebookiksi ja tuo samalla merkittävän teknisen muutoksen: jokaiselle notebookille annetaan oma suojattu pilviympäristö, jossa malli voi kirjoittaa ja suorittaa koodia suoraan. Tämä mahdollistaa datan analysoinnin suoraan käyttäjän omista lähteistä. Ominaisuus on tällä hetkellä saatavilla AI Ultra- ja tietyille Workspace-asiakkaille, ja se laajenee muille Pro-käyttäjille lähiviikkojen aikana. Tuote integroituu myös Gemini-sovellukseen ja tulee myöhemmin osaksi Googlen hakukoneen AI Mode -toimintoa.
LLM-mallit kuluttavat niin paljon muistia, että tekoälyyhtiöt saattavat ostaa 70 % maailman huippuluokan tietokonemuistista, mikä on jo nostanut kovalevyjen ja kannettavien hintoja merkittävästi. Toisin kuin aiemmat suuret teknologiamurrokset, generatiivinen tekoäly ei skaalaudu tehokkaasti: kustannukset kasvavat käyttäjämäärän kasvaessa sen sijaan, että ne laskisivat. Teknisesti ongelma johtuu siitä, että LLM:t skaalautuvat kvadraattisesti logaritmisen sijaan, mikä tarkoittaa, että muistin ja laskennan tarve kasvaa nopeammin kuin syötteen koko. Artikkelissa haastateltujen tutkijoiden mukaan alalla ei ole vastaavaa esimerkkiä muusta ohjelmistosta, joka skaalautuisi yhtä huonosti.