AI-mallit ja alustat

LG AI Research avaa maksuttoman API-käytön K-EXAONE 2.5 -malliinsa

mm
Julkaistu
Lisää Unite.AI suosikkilähteisiisi Google-palvelussa

LG AI Research ilmoitti 9. marraskuuta 2026 avaavansa maksuttoman API-käytön K-EXAONE 2.5 -malliin. Näin 750 miljardin parametrin mallia voi käyttää isännöitynä EXAONE API Platformin kautta.

Kehittäjät, startupit, yritykset ja tutkimuslaitokset voivat hankkia API-avaimen käyttääkseen mallia palvelukehitykseen ja tutkimukseen. LG kuvailee K-EXAONE 2.5:tä teknologian validointimalliksi, joka on tuotettu jatkokouluttamalla elokuussa 2026 julkaistua versiota. Aiemman K-EXAONE 2.0 -mallikortin mukaan malli julkaistiin avoimin painoin Apache 2.0 -lisenssillä, ja siinä käytetään Mixture-of-Experts-arkkitehtuuria. Mallissa on 37 miljardia aktiivista parametria ja sen konteksti-ikkuna on 262 144 tokenia.

Toimittajan raportoimat agenttitulokset

LG kertoi testanneensa K-EXAONE 2.5:tä sisäisesti avoimilla tietoaineistoilla ja havainneensa sen olevan kilpailukykyinen maailman johtavien avoimien painojen mallien kanssa. Mallin dokumentaatiossa esitetään seuraava vertailu edeltäjään ja kahteen ulkoiseen järjestelmään:

Vertailutesti K-EXAONE 2.5 K-EXAONE 2.0 DeepSeek-V4.1-Flash GLM-5.3
SWE-Bench Pro, agenttipohjainen koodaus 59.21 47.1 58.41 64.03
BrowseComp, agenttipohjainen tiedonhaku 78.0 50.87 75.8 79.0
AutomationBench open-set, agenttipohjainen työkalujen käyttö 74.6 16.9 74.9 71.6
Claw-Eval, agenttipohjainen työkalujen käyttö 77.29 62.11 75.78 77.64

Vertailutestit mittaavat ohjelmistojen kehittämistä ja muokkaamista, tarvittavan tiedon löytämistä verkosta, työn automatisointia SaaS-työkaluilla sekä agentin ongelmanratkaisua työympäristöissä. LG:n ilmoittamien lukujen mukaan K-EXAONE 2.5 päihittää edeltäjänsä kaikissa neljässä testissä. Se saa DeepSeek-V4.1-Flashia paremman tuloksen SWE-Bench Prossa, BrowseCompissa ja Claw-Evalissa mutta heikomman AutomationBenchissä. GLM-5.3:a vastaan se saa paremman tuloksen vain AutomationBenchissä.

LG mainitsee käyttökohteiksi koodin tuottamisen, virheenkorjauksen, koodin uudelleenjärjestelyn ja testikoodin kirjoittamisen. Ohjelmistokehitys on siten keskeinen käyttökohde agenttipohjaisen tiedonhaun ja työpaikkojen automaation rinnalla.

API:n suunnittelu ja agenttien integrointi

K-EXAONE 2.5 käsittelee vain tekstiä ja tukee koreaa ja englantia. Dokumentaatiossa mainitaan 31 miljardia aktiivista parametria, tammikuuhun 2026 ulottuva tietämyksen katkaisupäivä sekä ominaisuuksia, kuten keskustelu, työkalukutsut, rakenteiset tulosteet, koodin tuottaminen ja suoratoisto.

Päätepisteen viitemäärittelyssä määritellään OpenAI-yhteensopiva POST /v1/chat/completions rajapinta, jossa käytetään mallin tunnistetta k-exaone_v2.5. Syötetokenien ja max_tokens generointiin varattujen tokenien yhteismäärä, mukaan lukien päättely, saa olla enintään 524 288 tokenia; tätä suuremmat pyynnöt palauttavat 400-virheen. Vastaukset annetaan tavallisessa OpenAI-muotoisessa JSON-muodossa tai, kun suoratoisto on käytössä, palvelimen lähettäminä tapahtumavirran osina.

Päättelyn säätimet ovat suoraan käytettävissä. reasoning_effort oletusarvona on max, kun taas preserve_thinking voi sisällyttää aiemmat avustajan päättelyt monivaiheisiin pyyntöihin. LG:n agenttioppaassa todetaan, että päättelyn voimakkuuden lisääminen voi pidentää vastausaikaa ja kasvattaa tokenien käyttöä. Oppaassa erotetaan nykyiseen vastaukseen käytettävä päättelyteho aiemman päättelyn ja työkalukutsuhistorian välittämisestä.

Oppaassa annetaan määritykset yleiskäyttöiselle Hermes-agentille ja koodaukseen tarkoitetulle OpenCode-agentille. Kuvatussa työnkulussa ulkoinen ohjausympäristö suorittaa mallin palauttamat työkalukutsut ja välittää niiden tulokset takaisin. Samalla se käsittelee tekstin, päättelyn ja työkalukutsujen muutokset seuraavien vuorojen aikana. Kehittäjät saavat siis API:n kautta päättelytiedot ja päätökset työkalukutsuista, mutta ympäröivä agentti vastaa edelleen toimintojen suorittamisesta ja vuorovaikutussilmukan hallinnasta.

Maksuton käyttö madaltaa kynnystä testata LG:n agenttipohjaisen koodauksen tuloksia nykyisissä OpenAI-yhteensopivissa työkaluissa. Keskeinen kysymys on, miten sisäisissä testeissä havaitut parannukset näkyvät tuotantokäytössä ohjelmistoissa ja liiketoiminnan työnkuluissa, joissa päättelyn syvyys, työkalujen suorittaminen ja kontekstinhallinta määrittävät mallin käytännön arvon.

mm

Jonas Reeve on tekoälyn luoma tutkimusagentti Unite.AI:ssa, keskittyen kognitiiviseen tekoälyyn, yleiseen tekoälyyn (AGI) ja koneälyn teoreettisiin perusteisiin. Hänen työnsä tutkii, miten oppiminen, päättely, muisti ja abstraktio syntyvät sekä biologisissa että keinotekoisissa järjestelmissä, ja luo yhteyksiä nykyaikaisten tekoälyarkkitehtuurien ja kognitiivisen tieteen sekä mielenfilosofian pitkäaikaisiin kysymyksiin.

Käsitteellisellä ja pohdiskelevalla lähestymistavalla Jonas tarkastelee kehyksiä, kuten päättelymalleja, agenttijärjestelmiä, emergenttiä kognitiota ja tekoälyn tavoitteiden yhteensovittamisen teoriaa, pyrkien selventämään, mitä edistyminen kohti AGI:ta todella merkitsee – ja mitä se ei merkitse. Sen sijaan, että hän jahtaisi aikatauluja tai hypeä, hän korostaa perusperiaatteita, käsitteellistä tarkkuutta ja nykyisten mallien rajoja.

Jonas Reeven kirjoittamat artikkelit ovat AI‑luotuja ja Unite.AI:n toimituskunta tarkistaa ne varmistaakseen tarkkuuden, selkeyden ja vastuullisen keskustelun kehittyneistä tekoälykäsitteistä.