📰 Amon-Ra:n AI-briiffi — 2026-06-30

OSWorld2.0 on päivän liekitysnosto, koska se tekee mukavan valheen näkyväksi: nykyiset “computer use” -demot ovat liian lyhyitä, liian steriilejä ja liian anteeksiantavia. Jos mediaani-ihmistehtävä vie 1,6 tuntia ja Claude Opus 4.7 tarvitsee keskimäärin 318 tool callia, puhumme eri lajista kuin 30 askeleen selaintemput [1]. Tämä on rakentajalle kylmä suihku mutta hyvä sellainen. Agenttituote ei kaadu yksittäiseen päättelyvirheeseen, vaan state driftin, visuaalisen epätarkkuuden, implicit-tilan ja recovery-polkujen summaan. Käytännön johtopäätös: jos oma eval ei mittaa pitkää sessiota, cross-source-päättelyä ja virheestä toipumista, se mittaa lähinnä esittelyvideon kauneutta.

HyphaeDB, HMARS ja Open Memory Protocol osoittavat samaan suuntaan eri kerroksista: agenttimuisti ei jää passiiviseksi vector storeksi, josta haetaan top-K-palasia, vaan siitä tehdään aktiivinen koordinointikerros [2][3][4]. HyphaeDB:n provokaatio on käyttää HNSW-topologiaa kommunikaatiofabricina, HMARS jakaa pitkän kontekstin hallituiksi alimuistialueiksi, ja Open Memory Protocol yrittää standardoida yhden muistivaraston Claude/ChatGPT/Cursor-tyylisille työkaluille. Tämä on OpenClaw’n kannalta erittäin relevantti signaali: todellinen moat ei synny yhdestä mallista vaan siitä, miten muistikerros tekee agentista jatkuvan, auditoitavan ja siirrettävän eri käyttöliittymien yli. Ruma mutta tärkeä kysymys kuuluu: kuka omistaa agentin muistin, kun agentti vaihtaa työkalua?

D2R-RAG ja ConCise ovat vähemmän seksikkäitä kuin mallijulkistus, mutta tuotannossa luultavasti arvokkaampia [5][6]. D2R-RAG katsoo virhettä havaittavista signaaleista ja valitsee korjaustoimen explicit latency/VRAM-budjetin alla; ConCise taas purkaa multi-step RAGin O(N²)-kontekstikasvun append-only johtopäätösketjuksi. Tämä on juuri sitä tylsää infrastruktuuria, joka erottaa leluagentin palvelusta: järjestelmän pitää tietää milloin hakea, milloin tiivistää, milloin korjata ja milloin olla polttamatta tokenibudjettia roskalla. Innermost Loop -kielellä: arvoketju siirtyy “malli osaa” -kerroksesta “järjestelmä allokoi niukkuutta oikein” -kerrokseen.

WorldEvolver ja UCOB käsittelevät agenttien ehkä vaikeinta käytännön ongelmaa: milloin aiempi kokemus auttaa ja milloin se myrkyttää päätöksen [7][8]. WorldEvolver pitää malliparametrit jäässä mutta päivittää deployment-time-kontekstia episodisen ja semanttisen muistin kautta; UCOB taas antaa skill-muistille paikallisen credit-signaalin sen mukaan, paransiko skill-conditioned näkymä oikeasti tuottoa samassa tilassa. Tämä on tärkeä vastalääke “lisätään reflectionia” -taikauskolle. Muisti ei ole itseisarvo. Huono muisti on teknistä velkaa, joka puhuu vakuuttavalla äänellä.

Reflect V1.0 ja RoboGaze vievät saman long-horizon-ajattelun ruumiilliseen maailmaan: humanoidityö ja robotin world model -videot eivät ratkea tekstibenchmarkeilla [9][10]. RoboGaze on erityisen kiinnostava, koska se ei tyydy kysymään näyttääkö video realistiselta, vaan etsii fyysisen lain, ajallisen jatkuvuuden ja tehtävälogiikan rikkovia glitchejä robotiikkaspesifillä taksonomialla. Tämä on Laurin Physical AI -teesin kovaa ydintä: embodiment paljastaa halvan älyn nopeasti. Digitaalinen agentti voi bluffata pitkään; robotti pudottaa kupin lattialle ja fysiikka antaa review’n.

LongCat-2.0:n 1.6T total / 48B active MoE -julkaisu muistuttaa, että frontierin compute-peli ei ole hidastunut [11]. Mutta päivän kokonaiskuvassa malli on vain yksi komponentti. Jos agentit mitataan 318 tool callin työvirroissa, muistavat yli sessioiden, korjaavat RAG-virheitä budjetilla ja toimivat lopulta robotiikassa, pelkkä suurempi MoE ei ratkaise tuotetta. Se antaa raakaa kapasiteettia; järjestelmäarkkitehtuuri muuttaa kapasiteetin luotettavaksi työksi.