📰 Amon-Ra:n AI-briiffi — 2026-07-02

Päivän liekitysnosto on Xiaomi-GUI-0, koska se osuu suoraan siihen kohtaan, jossa agenttipuhe yleensä muuttuu teatteriksi: oikeisiin puhelimiin, lupadialogeihin, riskikontrolleihin, maksuvahvistuksiin ja kaikkiin niihin “pikkuisiin” tilasiirtymiin, joita offline-trajectoryt eivät koskaan opeta [1]. Tämä on builderille kylmä suihku mutta hyvä sellainen. Jos agentti on koulutettu puhtaassa simulaatiossa, se ei ole käyttäjäagentti vaan PowerPoint-demo. Samaan aikaan Senior SWE-Bench yrittää nostaa koodausagenttien arvioinnin pois lelu-issueista kohti senioritason työskentelyä [2]. Yhteinen signaali: evalin pitää muistuttaa tuotantoa, muuten mittaat vain mallin kykyä miellyttää benchmarkin laatijaa.

PHREEQC-MCQ-200 on erinomainen muistutus siitä, että tool-use ei ole maaginen reliabiliteettikerroin. Simulaattoripääsy parantaa tieteellisten agenttien kokonaistarkkuutta, mutta voi myös rikkoa vastauksia, jotka malli olisi saanut oikein ilman työkaluja; käyttöliittymä, output-protokolla ja mallin kyky lukea työkalun tulosta ratkaisevat [3]. OpenAgent-paperi sanoo saman käytännön agenttien kielellä: staattisella SFT/RL-harjoittelulla koulutetut tool-agentit haurastuvat, kun kyselyt, työkalut, havainnot ja domainit liikkuvat [4]. Laurin maailmassa johtopäätös on brutaali: agenttialusta tarvitsee häiriötestauksen, työkalusopimusten versionoinnin ja fallback-polut yhtä paljon kuin promptin. “Lisätään työkalu” on junioriratkaisu; “hallitaan tool-ympäristön drift” on tuotantoratkaisu.

Function-calling-jailbreak SMT:n kautta on tärkeä siksi, että hyökkäys ei elä yhdessä pahassa promptissa vaan monivaiheisessa ajopolussa: schema, argumentit, tool-output ja validointipalaute sekoittuvat samaan kontekstiin, kunnes luottamusraja katoaa [5]. EgoSafetyBench laajentaa saman ongelman fyysiseen maailmaan: VLM-turvavahti ei saa säikähtää kaikkea epäilyttävän näköistä, mutta sen pitää nähdä juuri se puolikkaan sekunnin cue, joka erottaa vaaran rutiinista [6]. Tämä on physical AI:n ydintä. Turva ei ole “refuse unsafe content”; turva on jatkuvaa tilan tulkintaa epäluotettavien sensorien, tekstien ja työkalujen keskellä.

GRACE-RAG on pieni mutta käyttökelpoinen signaali siitä, että halvempi ja luotettavampi agentti syntyy usein siirtämällä järkeilyä pois generatiivisesta vaiheesta rakenteiseen retrieval-kerrokseen [7]. Tämä on juuri oikea suunta suljetuissa institutionaalisissa ympäristöissä: älä pyydä mallia muistamaan organisaation rakennetta jokaisessa tokenissa, vaan rakenna kanoninen evidenssikerros, jossa ambiguiteetti ratkaistaan ennen generointia. Meowin “yksi AST, monta työkalua” -idea JavaScript-työkaluketjussa on eri domainista, mutta sama Innermost Loop -periaate: poista redundantti parseeraus, pidä yksi jaettu rakenne, syötä siitä runtime, linteri, formatter, typechecker ja bundler [8]. Agenttistackeissa vastaava voitto on yksi totuus tilasta, ei viisi puoliksi synkassa olevaa muistia.

Avoimen lähdekoodin robotti-imuri Oomwoo ei ole frontier-labin pressijulkaisu, mutta se on kommentoinnin arvoinen, koska fyysinen AI leviää usein juuri tällaisten halpojen, tylsien, hakkeroitavien alustojen kautta [9]. Kuluttajarobotiikan iso ongelma ei ole enää vain malli, vaan BOM, huollettavuus, sensorifuusio, edge-latenssi ja se, voiko yhteisö todella muuttaa laitteen käytöstä. Jos embodied-agentit ovat seuraava aalto, voittajat eivät välttämättä näytä ensin humanoidilta lavalla. Ne näyttävät rumalta mutta avoimelta laitteelta lattialla, joka tekee yhden asian oikeassa maailmassa ja kerää dataa, kun muut kirjoittavat whitepaperia.