AI Aulis

AI-UUTISET SUOMEKSI · 16.11.2026

Tekoälyalan tärkeimmät uutiset joka aamu. Tekoäly kirjoittaa ja tarkastaa jutut alkuperäisiä lähteitä vasten – tarkista tärkeät tiedot lähteistä.

24 juttua · seuraava numero huomenna aamulla · Miten lehti tehdään →

← Numero 16.11.2026Lehti

Tanskalainen Sevren julkaisi puhelimelle suunnitellun Embla 1 -päättelymallin

Tekoälyn tuottama sisältöTekoälyn kirjoittama

github.com, sevren.ai · 2 lähdettä · Lähteet julkaistu: 13.11.2026 · osan lähteistä ajankohta ei tiedossa

Sevrenin mukaan Embla 1 toimii puhelimessa ilman verkkoyhteyttä. Yhtiön omassa vertailussa viisi muuta mallia sai enemmän pisteitä, mutta ne vastasivat iPhone 18 Prolla hitaammin.

Kööpenhaminalainen tekoälyyhtiö Sevren esitteli Embla 1 -mallin blogissaan 13. marraskuuta. Embla 1 on päättelymalli eli kielimalli, joka kirjoittaa välivaiheita ennen vastaustaan. Sevren tavoitteli nopeaa mallia, joka käyttää vastaukseen vähän tokeneita.

Isommat Qwen-mallit toimivat opettajina

Embla 1 on MoE-malli: kutakin tokenia käsittelee 8 asiantuntijaosaa 96:sta ja yksi kaikille tokeneille yhteinen osa. Osa kerroksista laskee huomiopainot ReLU²-funktiolla softmaxin sijaan. Sevrenin mukaan noin 95 prosenttia huomiopainoista on silloin tasan nolla, ja tekstiä tuottaessaan malli ohittaa ne. Mallin jälkimmäisen puoliskon välimuistin rakentavat erilliset siltaosat, joten malli ohittaa kehotetta käsitellessään kerrokset 16–31.

Sevren koulutti mallin 16 laskentasolmulla, joissa kussakin on kahdeksan H100-GPU:ta. Kaikissa GRPO-vahvistusoppimista edeltävissä vaiheissa Sevren opetti Emblan jäljittelemään suuremman mallin ennusteita. Esikoulutuksessa aineistoa oli 1,4 biljoonaa tokenia, ja opettajana oli Qwen3.5-35B-A3B-Base. Hienosäädön viimeiset 2 000 askelta malli koulutettiin jo puhelimessa käytettävässä 4-bittisessä muodossa (kvantisointitietoinen koulutus).

Vahvistusoppimisessa automaattiset tarkistimet pisteyttivät muun muassa matematiikka- ja koodivastaukset. Tietokysymyksissä väärä vastaus toi miinuspisteen ja vastaamatta jättäminen nollan. Loppuvaiheessa malli sai rangaistuksen toistuvista jaksoista. Sevrenin mukaan 16K tokenin rajaan asti venyneiden vastausten osuus laski 20,7 prosentista 1,8 prosenttiin.

Pisteiltään paremmat mallit olivat hitaampia

Sevren vertasi Emblaa 12 pieneen malliin, jotka kaikki ajettiin 4-bittisinä. Pisteet ovat viiden testin keskiarvo: BFCL, IFBench, AA-Omniscience, GPQA ja MATH-500. Viive on vastausaika iPhone 18 Prolla, kun kehotteessa on 1 024 tokenia ja malli tuottaa 256 tokenia.

Taulukossa ovat Embla ja seitsemän muuta päättelymallia. Emblan nopeutta ei voi suoraan verrata muihin, sillä Embla ajettiin Sevrenin omalla Metal-toteutuksella ja muut llama.cpp-ohjelmalla. Llama.cpp:llä Emblan viive oli 2,18 sekuntia.

Malli Pisteet Viive (s) Tokeneita/vastaus
Embla 1 57,4 1,77 888
LFM2.5-8B-A1B 58,8 3,59 3 129
LFM2.5-2.6B 62,7 5,33 3 557
Granite 4.2 3B 61,0 6,80 5 633
Gemma 4 E4B 60,4 9,53 1 577
Qwen3.5-4B 60,0 9,69 6 619
Gemma 4 E2B 52,8 4,95 1 611
MiniCPM5-1B 43,1 1,95 6 461

Lähde: Sevrenin omat mittaukset, 4-bittiset mallit, enintään 16K tokenia vastausta kohden.

Sevren huomauttaa, että luvut on mitattu yhdellä puhelimella, yhdellä arviointiohjelmistolla ja viidellä testillä. Keskiarvojen epävarmuus on noin ±1 piste, ja muissa oloissa mallien järjestys voi muuttua. Esimerkiksi LFM2.5-8B-A1B:n etumatka on 1,4 pistettä. Matematiikassa Embla jää yhtiön mukaan selvästi jälkeen: MATH-500-testissä se sai 76,1 pistettä, LFM2.5-8B-A1B 89,6 ja LFM2.5-2.6B 90,5.

Emblan 4-bittiset painot ovat ladattavissa Hugging Facesta, ja Sevrenin mukaan kysely puhelimessa ei maksa mitään. Applen Metal-rajapintaa käyttävä ajo-ohjelma embla-metal on julkaistu yhtiön GitHub-sivulla.

Mihin tämä perustuu

  1. github.com

    Julkaisija: github.com · lähteen julkaisuaika ei tiedossa · noudettu 16.11.2026 05:37 (Suomen aikaa) · löytökanava: GitHub

  2. Embla 1: A reasoning model built for phones

    Julkaisija: sevren.ai · julkaistu 13.11.2026 · noudettu 16.11.2026 05:37 (Suomen aikaa) · löytökanava: verkko

Ilmoita virheestä tässä jutussa