Tier 2: Erikoistujat ja nopeuskuninkaat

Claude Opus 4.8 (Anthropic)

Ennen Fable 5:n saapumista Opus 4.8 oli kiistaton kuningas. Toukokuun 2026 lopussa julkaistu malli on nyt Anthropicin tehokas "kakkonen" ja pysyy itsessään huipputason mallina .

• Yleinen ja agenttisuorituskyky: Se oli ensimmäinen malli, joka johti Artificial Analysis Intelligence -indeksiä tuloksella 61,4 ja GDPval-AA-tulostaulukkoa 1890 Elo-pisteellä, ennen kuin Fable 5 ohitti sen .
• Koodaus: Se saavuttaa 69,2 % SWE-bench Prossa ja 88,6 % SWE-bench Verifiedissä .
• Matematiikka: Se teki historiallisen 27 pisteen loikan vuoden 2026 USA:n matematiikkaolympialaisten (USAMO) kaltaisessa vaativassa matematiikkamittarissa, noustaen 69,3 %:sta 96,7 %:iin vain 41 päivässä .
• Rehellisyys: Mallilla on kilpailijoitaan alhaisin faktuaalisten hallusinaatioiden määrä, mikä johtuu pääasiassa siitä, että se jättää vastaamatta epävarmoihin kysymyksiin arvailun sijaan . Jos tarvitset luotettavaa tietoa, tämä on vahva valinta.

GPT-5.5 (OpenAI)

Huhtikuun 2026 lopussa julkaistu GPT-5.5 oli tämän sukupolven ensimmäinen malli, joka nappasi OpenAI:lle takaisin kokonaissuorituskyvyn johtoaseman, tosin erikoistuneemmalla osaamisprofiililla .

• Matemaattinen päättely: Se on ylivoimainen matematiikkamalli, saavuttaen 51,7 % FrontierMath Tasoilla 1–3 ja 35,4 % lähes mahdottomalla Tasolla 4 – selvä johtoasema muihin nähden .
• Itsenäinen komentorivityöskentely: Se johtaa myös Terminal-Bench 2.0:ssa, saavuttaen 82,7 % monimutkaisissa komentorivitehtävissä, verrattuna Claude Opus 4.7:n 69,4 %:iin .
• Pitkä konteksti: GPT-5.5 teki 37 pisteen loikan pitkän kontekstin tiedonhaussa (MRCR v2), saavuttaen 74,0 % miljoonan merkin kontekstilla ja jättäen edeltäjänsä 36,6 %:n tuloksen taakseen .
• Varaus koodauksessa: Vaikka se on vahva yleismalli, sen 58,6 %:n SWE-Bench Pro -tulos on nyt merkittävästi Anthropicin malleja jäljessä .

Gemini 3.5 Flash (Google)

Google I/O 2026 -tapahtumassa debytoinut malli on 'Flash'-tason tarjous, eli se on suunniteltu nopeuteen ja kustannustehokkuuteen uhraamatta kykyä yllättää positiivisesti .

• Nopeus ja arvo: Sen raportoidaan olevan jopa 4 kertaa nopeampi kuin Gemini 3.1 Pro agentti- ja koodaustehtävissä, ja sen hinnoittelu on kilpailukykyinen .
• Agentti- ja työkalunkäyttö: Se saavuttaa vahvan 83,6 % MCP Atlasissa, joka mittaa monivaiheista työkalujen käyttöä .
• Koodaus ja visuaalisuus: SWE-Bench Prossa sen tulos 55,1 % ylittää niukasti suuremman edeltäjänsä, Gemini 3.1 Pron, ja se saa 84,2 % CharXiv-visuaalisen päättelyn mittarissa .
• Todellisuustarkistus koodauksessa: Riippumattoman Artificial Analysisin data viittaa siihen, että sen koodaustulokset ovat huomattavasti heikommat kuin Googlen omat vertailut antavat ymmärtää. Sen todellinen hyöty kehittäjille on siis vielä varmistumassa .

Grok 4.3 (xAI)

Huhtikuun 2026 lopussa hiljaisesti lanseerattu Grok 4.3 on kustannustehokkuuteen ja nopeuteen keskittyvä malli, joka loistaa kapeammilla erikoisalueilla .

• Yleissijoitus: Se saavuttaa 53 pistettä Artificial Analysis Intelligence -indeksillä. Tämä sijoittaa sen keskitason mallien, kuten Claude Sonnet 4.6:n, yläpuolelle, mutta selvästi huipputason GPT-5.5:n, Claude Opus 4.7:n ja Gemini 3.1 Pron alapuolelle .
• Ohjeiden seuraamisen mestari: Se on ykkösenä IFBenchissä 81 %:n tuloksella, päihittäen GPT-5.5:n, Gemini 3.1 Pron ja Claude Opus 4.7:n .
• Agenttipotentiaalin räjähdysmäinen kasvu: Grok 4.3 näyttää massiivisen +321 Elo-pisteen harppauksen GDPval-AA-agenttitehtävämittarissa edeltäjäänsä verrattuna, saavuttaen tuloksen 1500 . Se saavuttaa myös kärkituloksen 98 % τ²-Bench Telecom -mittarissa .
• Vauhtihirmu: Varhaisten raporttien mukaan sen nopeus on jopa 159 merkkiä (tokenia) sekunnissa .
• Hinnoittelu ja rajoitukset: Aggressiivisesti hinnoiteltu, arviolta 1,25 $/2,50 $ per miljoona merkkiä (input/output), joten se on vahva valinta hintatietoisille, mutta se ei ole yleisälyn haastaja .

Avoimen lähdekoodin haastaja: DeepSeek V4 Pro (DeepSeek AI)

Huhtikuussa 2026 julkaistu DeepSeek V4 Pro on vahvin avoimen lähdekoodin haastaja, joka tarjoaa uskomatonta vastinetta rahalle koodauksessa, mutta sisältää tärkeän riippumattoman varauksen.

• Koodauksen hinta-laatusuhteen ykkönen: Se saavuttaa vaikuttavan 80,6 % SWE-bench Verifiedissä ja 93,5 % LiveCodeBenchissä, mikä asettaa sen hiuksenhienon etäisyyden päähän Claude Opus 4.6:sta koodauksessa – murto-osalla hinnasta (arviolta ~3,48 $/miljoona tuotettua merkkiä) .
• CAISI:n tuomio: Yhdysvaltain hallituksen CAISI:n riippumaton arviointi totesi, että DeepSeek V4:n kyvykkyydet olivat noin 8 kuukautta kärkeä jäljessä. Kun DeepSeekin oma data vertasi sitä GPT-5.4:ään, CAISI:n mukaan sen suorituskyky on lähempänä elokuun 2025 GPT-5:tä .
• Yleisranking: Se jää jälkeen yleisessä tietämyksessä ja monimutkaisessa päättelyssä verrattuna suljetun lähdekoodin jättiläisiin, sijoittuen #39 123 mallin joukossa yhdellä laajemmalla tulostaulukolla . Tämä on erinomainen valinta, jos koodaus ja budjetti ovat pääprioriteettisi.

Turvallisuus ja riippumattomat arvioinnit

Riippumattomat, standardoidut turvallisuustestit ovat edelleen harvinaisia ja usein julkaisemattomia.

• DeepSeek V4 Pro (CAISI/NIST): Yhdysvaltain hallituksen arviointi on edelleen merkittävin turvallisuussignaali, ja se totesi mallin kyvykkyyksien olevan noin 8 kuukautta kärkeä jäljessä .
• GPT-5.5 (AI Security Institute): Yhdistyneen kuningaskunnan AI Security Institute raportoi GPT-5.5:n läpäisyprosentiksi 71,4 % sen asiantuntijatason kybertehtävissä, ja totesi sen "saattavan olla vahvin testaamamme malli" tällä mittarilla .

Miten näitä tuloksia kannattaa tulkita

On houkuttelevaa kruunata yksi voittaja, mutta data maalaa käytännönläheisemmän kuvan. Voit ajatella asiaa näin:

• Puhdas koodauskyky ja agenttitehtävät: Claude Fable 5 on omassa luokassaan.
• Raskas matemaattinen päättely ja itsenäinen komentorivityö: GPT-5.5 on valintasi.
• Tasapainoinen, kustannustehokas malli, joka on nopea ja luotettava: Gemini 3.5 Flash on houkutteleva vaihtoehto, joskin sen koodausväitteet kannattaa validoida omaan käyttötarkoitukseesi.
• Tarvitset erikoistyökalun juridiseen päättelyyn, rahoitukseen tai ohjeiden seuraamiseen alhaisella hinnalla: Grok 4.3 on yllättävän tehokas valinta.
• Rakennat budjetilla ja tarvitset huipputason koodausta avoimen lähdekoodin lisenssillä: DeepSeek V4 Pro on hinta-laatusuhteeltaan lyömätön, mutta sen kypsyys todellisen maailman monimutkaisuudessa ei välttämättä vastaa aivan parhaita.

Muista aina, että testiolosuhteet vaihtelevat (mm. kehotteen antotapa, työkalujen käyttö, päättelypyrkimys), eivätkä ne ole täydellinen ennuste juuri sinun sovelluksesi suorituskyvystä.

Tier 2: Erikoistujat ja nopeuskuninkaat

Claude Opus 4.8 (Anthropic)

Ennen Fable 5:n saapumista Opus 4.8 oli kiistaton kuningas. Toukokuun 2026 lopussa julkaistu malli on nyt Anthropicin tehokas "kakkonen" ja pysyy itsessään huipputason mallina .

• Yleinen ja agenttisuorituskyky: Se oli ensimmäinen malli, joka johti Artificial Analysis Intelligence -indeksiä tuloksella 61,4 ja GDPval-AA-tulostaulukkoa 1890 Elo-pisteellä, ennen kuin Fable 5 ohitti sen .
• Koodaus: Se saavuttaa 69,2 % SWE-bench Prossa ja 88,6 % SWE-bench Verifiedissä .
• Matematiikka: Se teki historiallisen 27 pisteen loikan vuoden 2026 USA:n matematiikkaolympialaisten (USAMO) kaltaisessa vaativassa matematiikkamittarissa, noustaen 69,3 %:sta 96,7 %:iin vain 41 päivässä .
• Rehellisyys: Mallilla on kilpailijoitaan alhaisin faktuaalisten hallusinaatioiden määrä, mikä johtuu pääasiassa siitä, että se jättää vastaamatta epävarmoihin kysymyksiin arvailun sijaan . Jos tarvitset luotettavaa tietoa, tämä on vahva valinta.

GPT-5.5 (OpenAI)

Huhtikuun 2026 lopussa julkaistu GPT-5.5 oli tämän sukupolven ensimmäinen malli, joka nappasi OpenAI:lle takaisin kokonaissuorituskyvyn johtoaseman, tosin erikoistuneemmalla osaamisprofiililla .

• Matemaattinen päättely: Se on ylivoimainen matematiikkamalli, saavuttaen 51,7 % FrontierMath Tasoilla 1–3 ja 35,4 % lähes mahdottomalla Tasolla 4 – selvä johtoasema muihin nähden .
• Itsenäinen komentorivityöskentely: Se johtaa myös Terminal-Bench 2.0:ssa, saavuttaen 82,7 % monimutkaisissa komentorivitehtävissä, verrattuna Claude Opus 4.7:n 69,4 %:iin .
• Pitkä konteksti: GPT-5.5 teki 37 pisteen loikan pitkän kontekstin tiedonhaussa (MRCR v2), saavuttaen 74,0 % miljoonan merkin kontekstilla ja jättäen edeltäjänsä 36,6 %:n tuloksen taakseen .
• Varaus koodauksessa: Vaikka se on vahva yleismalli, sen 58,6 %:n SWE-Bench Pro -tulos on nyt merkittävästi Anthropicin malleja jäljessä .

Gemini 3.5 Flash (Google)

Google I/O 2026 -tapahtumassa debytoinut malli on 'Flash'-tason tarjous, eli se on suunniteltu nopeuteen ja kustannustehokkuuteen uhraamatta kykyä yllättää positiivisesti .

• Nopeus ja arvo: Sen raportoidaan olevan jopa 4 kertaa nopeampi kuin Gemini 3.1 Pro agentti- ja koodaustehtävissä, ja sen hinnoittelu on kilpailukykyinen .
• Agentti- ja työkalunkäyttö: Se saavuttaa vahvan 83,6 % MCP Atlasissa, joka mittaa monivaiheista työkalujen käyttöä .
• Koodaus ja visuaalisuus: SWE-Bench Prossa sen tulos 55,1 % ylittää niukasti suuremman edeltäjänsä, Gemini 3.1 Pron, ja se saa 84,2 % CharXiv-visuaalisen päättelyn mittarissa .
• Todellisuustarkistus koodauksessa: Riippumattoman Artificial Analysisin data viittaa siihen, että sen koodaustulokset ovat huomattavasti heikommat kuin Googlen omat vertailut antavat ymmärtää. Sen todellinen hyöty kehittäjille on siis vielä varmistumassa .

Grok 4.3 (xAI)

Huhtikuun 2026 lopussa hiljaisesti lanseerattu Grok 4.3 on kustannustehokkuuteen ja nopeuteen keskittyvä malli, joka loistaa kapeammilla erikoisalueilla .

• Yleissijoitus: Se saavuttaa 53 pistettä Artificial Analysis Intelligence -indeksillä. Tämä sijoittaa sen keskitason mallien, kuten Claude Sonnet 4.6:n, yläpuolelle, mutta selvästi huipputason GPT-5.5:n, Claude Opus 4.7:n ja Gemini 3.1 Pron alapuolelle .
• Ohjeiden seuraamisen mestari: Se on ykkösenä IFBenchissä 81 %:n tuloksella, päihittäen GPT-5.5:n, Gemini 3.1 Pron ja Claude Opus 4.7:n .
• Agenttipotentiaalin räjähdysmäinen kasvu: Grok 4.3 näyttää massiivisen +321 Elo-pisteen harppauksen GDPval-AA-agenttitehtävämittarissa edeltäjäänsä verrattuna, saavuttaen tuloksen 1500 . Se saavuttaa myös kärkituloksen 98 % τ²-Bench Telecom -mittarissa .
• Vauhtihirmu: Varhaisten raporttien mukaan sen nopeus on jopa 159 merkkiä (tokenia) sekunnissa .
• Hinnoittelu ja rajoitukset: Aggressiivisesti hinnoiteltu, arviolta 1,25 $/2,50 $ per miljoona merkkiä (input/output), joten se on vahva valinta hintatietoisille, mutta se ei ole yleisälyn haastaja .

Avoimen lähdekoodin haastaja: DeepSeek V4 Pro (DeepSeek AI)

Huhtikuussa 2026 julkaistu DeepSeek V4 Pro on vahvin avoimen lähdekoodin haastaja, joka tarjoaa uskomatonta vastinetta rahalle koodauksessa, mutta sisältää tärkeän riippumattoman varauksen.

• Koodauksen hinta-laatusuhteen ykkönen: Se saavuttaa vaikuttavan 80,6 % SWE-bench Verifiedissä ja 93,5 % LiveCodeBenchissä, mikä asettaa sen hiuksenhienon etäisyyden päähän Claude Opus 4.6:sta koodauksessa – murto-osalla hinnasta (arviolta ~3,48 $/miljoona tuotettua merkkiä) .
• CAISI:n tuomio: Yhdysvaltain hallituksen CAISI:n riippumaton arviointi totesi, että DeepSeek V4:n kyvykkyydet olivat noin 8 kuukautta kärkeä jäljessä. Kun DeepSeekin oma data vertasi sitä GPT-5.4:ään, CAISI:n mukaan sen suorituskyky on lähempänä elokuun 2025 GPT-5:tä .
• Yleisranking: Se jää jälkeen yleisessä tietämyksessä ja monimutkaisessa päättelyssä verrattuna suljetun lähdekoodin jättiläisiin, sijoittuen #39 123 mallin joukossa yhdellä laajemmalla tulostaulukolla . Tämä on erinomainen valinta, jos koodaus ja budjetti ovat pääprioriteettisi.

Turvallisuus ja riippumattomat arvioinnit

Riippumattomat, standardoidut turvallisuustestit ovat edelleen harvinaisia ja usein julkaisemattomia.

• DeepSeek V4 Pro (CAISI/NIST): Yhdysvaltain hallituksen arviointi on edelleen merkittävin turvallisuussignaali, ja se totesi mallin kyvykkyyksien olevan noin 8 kuukautta kärkeä jäljessä .
• GPT-5.5 (AI Security Institute): Yhdistyneen kuningaskunnan AI Security Institute raportoi GPT-5.5:n läpäisyprosentiksi 71,4 % sen asiantuntijatason kybertehtävissä, ja totesi sen "saattavan olla vahvin testaamamme malli" tällä mittarilla .

Miten näitä tuloksia kannattaa tulkita

On houkuttelevaa kruunata yksi voittaja, mutta data maalaa käytännönläheisemmän kuvan. Voit ajatella asiaa näin:

• Puhdas koodauskyky ja agenttitehtävät: Claude Fable 5 on omassa luokassaan.
• Raskas matemaattinen päättely ja itsenäinen komentorivityö: GPT-5.5 on valintasi.
• Tasapainoinen, kustannustehokas malli, joka on nopea ja luotettava: Gemini 3.5 Flash on houkutteleva vaihtoehto, joskin sen koodausväitteet kannattaa validoida omaan käyttötarkoitukseesi.
• Tarvitset erikoistyökalun juridiseen päättelyyn, rahoitukseen tai ohjeiden seuraamiseen alhaisella hinnalla: Grok 4.3 on yllättävän tehokas valinta.
• Rakennat budjetilla ja tarvitset huipputason koodausta avoimen lähdekoodin lisenssillä: DeepSeek V4 Pro on hinta-laatusuhteeltaan lyömätön, mutta sen kypsyys todellisen maailman monimutkaisuudessa ei välttämättä vastaa aivan parhaita.

Muista aina, että testiolosuhteet vaihtelevat (mm. kehotteen antotapa, työkalujen käyttö, päättelypyrkimys), eivätkä ne ole täydellinen ennuste juuri sinun sovelluksesi suorituskyvystä.