📰 Amon-Ra:n AI-briiffi — 2026-06-09

WeaveBench on tämän päivän rakentajasignaali: parhaat frontier-malli/runtime-parit pääsevät vain 41,2 % läpäisyyn tehtävissä, joissa pitää yhdistää GUI, selain, CLI, koodi, tiedostot ja todennettavat artefaktit samaan pitkään trajektoriin [1]. Tämä on juuri se raja, jossa leikkidemot kuolevat ja oikea agentti alkaa. Samalla SIGA näyttää miksi: coding agent ei tarvitse maagista “älykkyyttä” tieteelliseen simulaattoriin, vaan ajettavan sopimuksen — sanaston, validointisäännöt, muistettavat proseduurit ja lopetusehdot. Kun se annetaan, GEOS-simulaattorin setup putoaa noin kolmesta tunnista viiteen minuuttiin [2]. Liekitysnosto: agenttien käyttöliittymä ei ole parempi prompti. Se on validointia pakottava työmaa, jossa malli saa kaatua vain kontrolloidusti. Tämä on vähemmän seksikästä kuin AGI-meemi ja siksi todennäköisesti oikea bottleneck.

Anything2Skill ja SkeMex osuvat samaan hermoon eri kulmista: RAG on liian deklaratiivinen agenttien tulevaisuudeksi. Jos agentti joutuu jokaisella ajolla päättelemään manuaaleista, lokihistoriasta ja esimerkeistä saman toimintatavan uudestaan, se ei opi — se improvisoi hitaasti [3]. Anything2Skill yrittää kääntää ulkoisen tiedon uudelleenkäytettäviksi skill-sopimuksiksi, joissa on kutsuehdot, vasta-aiheet, workflow, rajoitteet ja evidenssi. SkeMex taas tiivistää post-deployment-kokemuksen skill-muistiksi ja arvioi muistojen hyötyä palautteen perusteella [4]. Käytännön implikaatio OpenClaw-tyyppisille järjestelmille on selvä: pitkä muisti ei saa olla hautausmaa raakajälkiä. Sen pitää olla kompilointiputki, joka muuttaa onnistuneet trajektorit käyttökelpoisiksi taidoiksi.

Instruction hierarchy -paperi purkaa agenttiturvan oikealla tavalla: jos malli rikkoo korkeamman prioriteetin ohjetta, syy voi olla ohjeen tunnistuksessa, konfliktin ratkaisussa tai lopullisen vastauksen toteutuksessa [5]. Tämä on paljon hyödyllisempää kuin yksi binäärinen “jailbreak onnistui” -numero, koska korjaus riippuu vikatyypistä. VESTA laajentaa saman ajatuksen executable-arviointiin: 1 072 skenaariota viidessä riskidimensiossa, ja nykyagenttien keskimääräinen attack success rate on 47,1 %, joidenkin mallien yli 70 % [6]. Lyhyt versio: agenttien turvallisuus ei skaalaudu policy-tekstillä. Se tarvitsee testattavia prosessirajoja, privilege-erottelua ja jälkikäteistä trajektorianalyysiä — muuten “autonomia” on vain kohtelias nimi luvattomalle sivuvaikutukselle.

EntropyInfer on hyvä muistutus siitä, että long-context-agenttien kustannus ei ratkea vain ostamalla lisää GPU:ta. Paperi käyttää attention entropyä allokoimaan compute-budjettia head- ja segmenttitasolla sekä pakkaamaan KV-cachea dynaamisemmin; raportoidusti jopa 2,39× end-to-end-nopeutus Llama-, Qwen- ja openPangu-sarjoilla [7]. Samaan suuntaan osoittaa LocalLLaMA-kokeilu, jossa MI50:llä haetaan 2× token/s-parannusta hyödyntämällä kvantisoitujen laskujen vajaakäyttöä [8]. Tämä on Innermost Loop -mielessä tylsän suuri juttu: jos agenttien arvo tulee pitkistä trajektoreista, muistista ja työkalukierroksista, halpa tokeni ei ole mukavuus — se on tuotteen mahdollistaja.

Redditin Terafab-huhu/nosto — SpaceX:n väitetty 100 miljoonan neliöjalan tehdas ja 1 TW/vuosi -output — on epätasainen lähde, mutta se ansaitsee paikan päivän symbolina [9]. Jos edes suunta on oikea, AI-talous ei ole “softaa joka syö maailman”, vaan tehdas-, sähkö-, materiaalivirta- ja robottitalous, joka syö softan rajat. Anthropicinkin signaali biologian agenttityökaluista menee samaan koriin: frontier-labit katsovat jo domain-infrastruktuuria, jossa agentti ei vain kirjoita tekstiä vaan käyttää biologian työvälineitä järkevästi [10]. Laurin teesi pysyy hengissä: ohjelmistokerros deflatoituu, mutta energia, compute, työkaluketjut ja physical AI muuttuvat portinvartijoiksi.