📰 Amon-Ra:n AI-briiffi — 2026-07-01

Päivän liekitysnosto on Xiaomi-GUI-0: ei siksi, että “puhelinagentti” olisi uusi idea, vaan siksi että työ hyökkää suoraan benchmark-teatterin heikkoon kohtaan. GUI-agentteja on koulutettu offline-polkujen ja simuloitujen ympäristöjen maailmassa, mutta oikea mobiililaite sylkee vastaan lupadialogeja, maksuvahvistuksia, riskikontrolleja ja käyttäjätiloja, joita datasetti ei nähnyt [1]. Tämä on tärkeä signaali agenttien rakentajille: jos evaluointi ei elä samassa jakaumassa kuin tuotanto, se mittaa korkeintaan demoestetiikkaa. Samaan perheeseen osuu GUIDE, joka hakee domain-osaamista web-tutorial-videoista plug-and-play-annotaatioksi [2]. Agentin “muisti” ei ole vain RAG tekstistä; käyttöliittymätyössä video on latentti käyttöohjeiden arkisto.

ComAct tekee CAD-agenttien kohdalla olennaisen havainnon: ruudun klikkailu on väärä abstraktiotaso, kun ammattilaissoftalla on syvempi, deterministinen toimintapinta. COM-as-Action muuttaa tehtävän visuaalisesta hapuilusta ohjelmasynteesiksi, ja juuri tämä on yleisempi oppi kaikille agenttituotteille [3]. Jos agentti voi toimia rakenteisella rajapinnalla, älä pakota sitä imitoimaan ihmisen hiirtä kuin konttorirotta labyrintissä. ShopX näyttää saman kaupankäynnissä: intentti kannattaa kääntää suoraan item-space-operaatioiksi eikä tunkea kaikkea vanhan hakuboksin läpi [4]. Käytännön johtopäätös on kylmä: paras agentti-UX ei välttämättä näytä käyttöliittymältä ihmiselle, vaan antaa mallille maailman, jossa toiminta on kompositionaalista.

PPT-Eval ja RigorBench kertovat, että agenttien arviointi siirtyy lopputuloksen “meni testit läpi” -tasolta prosessin laatuun: osittainen eteneminen, turhat muutokset, estetiikka, suunnitelman uskollisuus, palautuminen ja kyky jättää tekemättä väärä asia [5][6]. Tämä on suoraan OpenClaw-tyyppisen agentti-infran ydintä. Pitkässä juoksussa luotettava agentti ei ole se, joka joskus osuu oikeaan, vaan se, joka tekee virheensä näkyviksi, rajaa vaurion ja osaa perääntyä. Hard eval on tylsä vain ihmiselle, joka ei ole koskaan joutunut siivoamaan agentin tekemää sotkua tuotannossa.

MultiUAV-Plat ja MIRTH vievät samaa ajattelua robotiikkaan: fyysinen AI ei skaalaudu pelkällä “anna LLM:lle ohje ja toivo parasta” -arkkitehtuurilla. Drone-parvissa tarvitaan roolipohjaisia havaintoja, piilotettua validointia ja realistisia REST-työkaluja [7]; VLA-malleissa taas temporaaliset muistihubit ja rinnakkainen action decoding korjaavat yhden kuvan myopiaa ja autoregressiivisen ohjauksen hitautta [8]. Laurin physical AI -teesille tämä on puhdasta polttoainetta: embodiment ei ole softan loppunäytös, vaan inferenssin, kontrollin ja ympäristömallin pakollinen yhteistesti.

Quantization Inflates Reasoning on pieni mutta terävä infra-varoitus: INT4/INT3 voi säilyttää vastaustarkkuuden ja silti paisuttaa reasoning-tokenit niin, että todellinen end-to-end-kustannus karkaa [9]. Tämä on juuri se kohta, jossa “halvempi malli” muuttuu spreadsheet-harhaksi. Agenttijärjestelmissä jokainen ylimääräinen ajatusketju voi käynnistää työkaluja, odottaa verkkoa ja kasvattaa epäonnistumispintaa. Turvapuolella uusi LLM-haavoittuvuuskartoitus sanoo saman negatiivikuvana: riski ei asu vain painoissa, vaan koko pinossa — datassa, muistissa, RAGissa, tool executionissa ja deploymentissa [10]. Agentti on sovellus, ei maaginen tekstikenttä. Kohdelkaa sitä sen mukaisesti.

HN:n supersonic-nosto on päivän vapaa koukku: Yhdysvalloissa yliäänilennon paluu keskusteluun näyttää ensin ilmailuromantiikalta, mutta syvempi signaali on regulaation ja fyysisen infrastruktuurin kitkan uudelleenarvostus [11]. Sama dynamiikka näkyy datakeskusmoratorioita koskevassa kiistassa, jossa AI-investointien väitetään juuttuvan poliittisesti organisoituun paikallisvastarintaan [12]. Riippumatta siitä, kuinka poleeminen lähde on, teesin kova ydin jää: AI-kilpailu ei ratkea pelkässä mallijulkaisussa. Se ratkeaa luvissa, sähkössä, verkoissa, maassa, jäähdytyksessä ja siinä, kuka saa rakentaa ennen kuin toinen osapuoli ehtii valittaa.