sunnuntai 26.7.2026
Tämän päivän AI-uutiset käsittelevät avoimen painon mallien nousua ja niiden vaikutusta teollisuuteen. DeepSeek keskeytti rahankeruunsa vuodetun transkriptin jälkeen, kun taas kiinalaiset avoimen painon mallit, kuten Qwen ja Kimi K3, keräävät kasvavaa ekosysteemiä, joka vertautuu Kubernetesin läpimurtoon. Samalla koodin tuottamisen halpeneminen pakottaa organisaatioita arvioimaan johtamiskäytäntöjään: Anthropic havaitsi, että uudemmat Claude-mallit tarvitsevat vähemmän eksplisiittisiä ohjeita, ja kehittäjät pystyvät nyt ajamaan kielimalleja jopa kahdeksan dollarin mikrokontrollereilla, mikä muuttaa perinteisiä mittareita ja verifiointiprosesseja.
DeepSeek keskeytti rahankeruunsa sen jälkeen, kun vuoti julkisuuteen transkripti, jossa yhtiö kommentoi laskentakapasiteettieroa suhteessa yhdysvaltalaisiin kilpailijoihin. Lähdemateriaali ei sisällä tarkempia tietoja transkriptin sisällöstä tai rahankeruun yksityiskohdista.
Mesospheren perustaja ja Kubernetes-aikakauden todistaja vertaa avoimen painon mallien nousua Kubernetesin läpimurtoon: kun riittävän hyvä alusta on vapaasti muokattavissa, ekosysteemi alkaa kasvaa nopeammin kuin yksikään toimija pystyy yksin innovoimaan. Hugging Facessa on jo yli kaksi miljoonaa julkista mallia, ja palvelukerros vLLM:stä llama.cppiin on kypsymässä tuotantokelpoiseksi. Kirjoittajan mukaan Yhdysvalloissa harkittu kiinalaisveto kiinalaisiin avoimen painon malleihin, kuten Qweniin ja Kimi K3:een, ei heikentäisi kiinalaisia kehittäjiä vaan rajoittaisi amerikkalaisten pääsyä ekosysteemiin, johon muu maailma rakentaa joka tapauksessa.
Anthropic havaitsi, että Claude Opus 5:n ja Claude Fable 5:n kaltaiset uudemmat mallit selviävät koodaustehtävistä yhtä hyvin, vaikka järjestelmäpromptista poistettiin yli 80 % sisällöstä. Keskeinen havainto on, että aiemmin tarpeelliset eksplisiittiset säännöt ja esimerkit rajoittavat uudempia malleja enemmän kuin auttavat niitä. Käytännön muutokset koskevat kolmea aluetta: sääntöjen sijaan kannattaa antaa mallin käyttää harkintakykyä, esimerkkien sijaan kannattaa suunnitella työkalujen rajapinnat ilmaisuvoimaisiksi ja kaiken upfront-lataamisen sijaan kannattaa hyödyntää progressive disclosurea eli ladata konteksti tarpeen mukaan. Anthropic on tuonut nämä suositukset Claude Coden /doctor-komennon taakse, joka tarkistaa käyttäjän omien skills- ja CLAUDE.md-tiedostojen koon.
Kehittäjä ajaa 28,9 miljoonan parametrin kielimallia ESP32-S3-mikrokontrollerilla, joka maksaa noin kahdeksan dollaria. Malli tuottaa tekstiä suoraan sirulla noin yhdeksän tokenin sekuntivauhdilla ilman palvelinyhteyttä. Ratkaisu perustuu Googlen Gemma-malleista tuttuun Per-Layer Embeddings -tekniikkaan, jossa 25 miljoonan parametrin embedding-taulukko säilytetään hitaassa flash-muistissa ja nopeaan SRAM-muistiin ladataan kerrallaan vain muutama rivi. Malli on koulutettu TinyStories-datasetillä, joten se tuottaa lyhyitä tarinoita eikä osaa vastata kysymyksiin tai seurata ohjeita.
Engineering-johtaja analysoi, mitkä perinteiset johtamiskäytännöt perustuvat oletuksiin koodin kirjoittamisen kalleudesta ja mitkä eivät. Hänen mukaansa noin puolet vanhoista säännöistä nojaa oletuksiin, jotka eivät enää pidä, mutta toinen puoli koskee ihmisten koordinaatiota ja luottamusta, joihin LLM:t eivät vaikuta. Erityisen kriittisesti hän suhtautuu velocity-mittareihin: kun koodin tuottaminen on halpaa, pull request -määrät ja suljetut tiketit ohjaavat aktiivisesti harhaan, koska helpoin tapa kasvattaa lukuja on generoida volyymia. Mekaaninen verifiointi nopeutuu, mutta semanttinen verifiointi, eli se vastaako koodi oikeaa liiketoimintatarvetta, pysyy ihmistyönä, koska AI-tarkistajalla on samat sokeat pisteet kuin generoijalla.