AI-jättiläisten mittelö: GPT‑5.5, Claude Opus 4.7, Gemini 3.5 Flash, Grok 4.3 ja DeepSeek V4 testissä

GPT‑5.5: agenttitehtävien ykkönen

OpenAI:n GPT‑5.5 on tämän hetken vahvin yleismalli agenttimaisissa työnkuluissa. Keskeiset tulokset:

• Terminal‑Bench 2.0: 82,7 %
• GDPval: 84,9 % voittoja tai tasapelejä ihmisasiantuntijoita vastaan
• OSWorld‑Verified: 78,7 %
• SWE‑bench Pro: 58,6 %

Terminal‑Bench mittaa monimutkaisia komentorivityönkulkuja, joissa vaaditaan suunnittelua ja työkalujen käyttöä. GPT‑5.5:n 82,7 % on korkein julkaistu tulos.

GDPval testaa tietotyötä 44 eri ammatissa; malli päihittää tai vastaa ammattilaisia noin 85 prosentissa vertailuista.

Claude Opus 4.7: koodauksen hallitsija

Anthropicin Claude Opus 4.7 on erityisen vahva ohjelmistokehityksessä:

• SWE‑bench Verified: 87,6 %
• SWE‑bench Pro: 64,3 %
• GPQA Diamond: 94,2 %
• Terminal‑Bench 2.0: 69,4 %

SWE‑bench mittaa mallin kykyä korjata todellisia ohjelmistovirheitä avoimen lähdekoodin projekteissa. Opus 4.7:n 87,6 % on merkittävä parannus edeltäjäänsä verrattuna ja nostaa sen koodausagenttien kärkijoukkoon.

Vaikka Terminal‑Bench‑tulos jää GPT‑5.5:stä, koodaukseen keskittyvissä vertailuissa se on vahvimmasta päästä.

Gemini 3.5 Flash: nopeus ja suorituskyky yhdistyvät

Googlen Gemini 3.5 Flash on poikkeuksellinen, koska se on suunniteltu nopeaksi ja kustannustehokkaaksi, mutta se kilpailee silti kärkimallien kanssa:

• Terminal‑Bench 2.1: 76,2 %
• MCP Atlas: 83,6 %
• GDPval‑AA: 1656 Elo
• CharXiv Reasoning: 84,2 %

Google väittää mallin olevan noin neljä kertaa nopeampi kuin vastaavat kärkimallit, samalla kun se päihittää oman edeltäjänsä Gemini 3.1 Pron useissa vertailuissa.

Käytännössä Gemini 3.5 Flashin suurin vahvuus on nopeuden ja kyvykkyyden tasapaino: se tarjoaa lähes kärkitason tuloksia, mutta suunniteltu tuotantokäyttöön ja alhaiseen viiveeseen.

DeepSeek V4: avoimen painon haastaja

DeepSeek V4 on merkittävä, koska se on yksi kyvykkäimmistä avoimen painon malleista. Malliperheeseen kuuluu kaksi versiota:

• V4‑Pro (suuri mixture‑of‑experts -malli)
• V4‑Flash (keyyempi ja tehokkaampi variantti)

V4‑Pro saavuttaa maksimaalisessa päättelytilassa:

• SWE‑bench Verified: 80,6 %
• GPQA Diamond: 90,1 %
• LiveCodeBench: 93,5 %

Nämä tulokset lähestyvät johtavia suljettuja malleja koodauksessa.

Toisaalta Yhdysvaltain kansallisen standardointi-instituutin (NIST) CAISI‑ohjelman riippumaton arvio osoitti, että mallin kyvykkyys on noin kahdeksan kuukautta jäljessä kärkeä, mikä paljastaa eron omien ja riippumattomien tulosten välillä.

Grok 4.3: parannusta, mutta ei kärkeä

xAI:n Grok 4.3 on parantunut huomattavasti edeltäjistään, erityisesti agenttitehtävissä:

• Artificial Analysis Intelligence Index: ~53
• GDPval‑AA: ~1500 Elo
• τ²‑Bench Telecom: 98 %
• IFBench: 81 %

GDPval‑AA:n yli 300 Elo-pisteen nousu kertoo todellisesta edistymisestä.

Silti kolmannen osapuolen analyysit asettavat sen yleisesti alle uusimpien OpenAI:n ja Anthropicin järjestelmien.

Yhteenveto: erikoistumisen aika

Minkään yksittäisen mallin ei voi sanoa dominoivan kaikilla osa-alueilla. Sen sijaan kärki on erikoistunut:

• Paras agenttitehtävissä: GPT‑5.5
• Paras koodauksessa: Claude Opus 4.7
• Paras nopeuden ja suorituskyvyn tasapaino: Gemini 3.5 Flash
• Paras avoimen painon malli: DeepSeek V4 Pro
• Parantunut, mutta keskitasoa edustava: Grok 4.3

Nämä johtopäätökset ovat suuntaa-antavia. Jokainen toimija korostaa eri testejä, ja vertailuasetelmat muuttuvat, kun riippumattomia tuloksia kertyy lisää.

Miksi rankingit muuttuvat

Tekoälymallien vertailu mutkistuu useista syistä:

1. Eri versiot. Esimerkiksi Terminal‑Bench 2.0 ja 2.1 mittaavat samankaltaisia tehtäviä, mutta tulokset poikkeavat toisistaan.
2. Päättelyn teho. Monissa malleissa on säädettäviä ”ajattelu”‑tiloja, jotka muuttavat tuloksia.
3. Valmistajien raportoimat luvut. Monet taulukot ovat peräisin julkaisuista, eivät riippumattomista testeistä.
4. Tehtäväkohtainen erikoistuminen. Koodaus, agenttityöt ja tietotyö palkitsevat eri kyvykkyyksiä.

Todellinen järjestys selviää vasta kuukausien riippumattoman testauksen jälkeen.

Lopuksi

Vuonna 2026 tekoälymallien kärki on selvästi erikoistunut. Valinta riippuu siitä, mitä tehtävää ollaan ratkaisemassa: koodausta, monivaiheisia agentteja, nopeutta vai avoimuutta. Riippumattomat testit ratkaisevat lopullisen paremmuuden – ja ne ovat vasta tulossa.