Testasimme viisi tekoälymallia tekemään three.js-verkkosivun – yksi maksoi 0,005 $ ja yksi 0,39 $

📅 Päivitetty 29.9.2026

Testasimme viisi tekoälymallia tekemään three.js-verkkosivun – yksi maksoi 0,005 $ ja yksi 0,39 $

Tekoälymallien markkinointi perustuu pääosin valmistajien omiin benchmark-taulukoihin. Me teimme toisin: annoimme viidelle mallille täsmälleen saman tehtävän, ajoimme niiden tuottaman koodin oikeassa selaimessa ja mittasimme tuloksen. Tässä artikkelissa on jokainen luku, myös ne jotka eivät mairittele ketään.

Testin aiheena oli three.js-hero-osio: kolmiulotteinen, syvyysparallaksilla liikkuva etusivun tausta, jollaisia nykyään näkee sekä verkkokaupoissa että palvelusivustoilla. Se on hyvä mittatikku, koska tehtävä vaatii samaan aikaan ohjelmointia, 3D-ymmärrystä ja suorituskykyajattelua — ei pelkää tekstin tuottamista.

Testiasetelma

Kaikki mallit saivat identtisen englanninkielisen promptin, joka vaati muun muassa yhden HTML-tiedoston, kolmesta viiteen selkeästi erottuvaa syvyyskerrosta, sumun, scroll-ohjatun kameran liikkeen, proseduraalisesti piirretyt partikkelitekstuurit, katon laitteen pikselitiheydelle ja tuen prefers-reduced-motion-asetukselle. Vaatimuksia oli kymmenen, ja ne pilkottiin koneellisesti 20 osatarkistukseen.

Mukana olivat:

• MiMo-V2.6-Pro (Xiaomi, MIT-lisenssi) — tuore avoimen painon lippulaiva
• MiMo-V2.6-Flash (Xiaomi) — sama sarja, halvempi ja pienempi
• Kimi K3 (Moonshot AI)
• Claude Opus 5 (Anthropic)
• GLM-5.3 (Z.ai)

Ajot tehtiin OpenRouterin kautta, ja jokainen tiedosto renderöitiin headless-Chromiumissa 1440 × 900 -ikkunassa. Mitattuja asioita olivat koodin rivimäärä ja tavukoko, vastausaika, tokenkulutus, todellinen kustannus, konsolivirheet ja -varoitukset, WebGL2-kontekstin syntyminen, kuvataajuus sekä se, kuinka suuri osa pikseleistä muuttuu kun sivua vieritetään 60 prosenttia alaspäin. Viimeinen luku on parallaksin voimakkuuden mitta: mitä suurempi osuus, sitä selvempi syvyysvaikutelma.

Mittarin kalibrointia varten kirjoitimme myös oman kontrollisivun samalla rakenteella (pikselimuutos 25,2 %, kuvataajuus 13,3, nolla virhettä) ja täysin tyhjän sivun (0 canvasia, pikselimuutos 0,5 %). Kuvataajuus on ohjelmistorenderöinnin lukema, joten absoluuttiset arvot ovat matalia — mallien välinen järjestys kertoo silti piirtotyön määrästä.

Tulokset

Kun kaikilta malleilta pyydettiin sama asetus (päättely pois päältä), tulokset olivat nämä:

Koska GLM-5.3 ei suostu ajamaan ilman päättelyä lainkaan (palvelin vastaa virheellä ”Reasoning is mandatory for this endpoint and cannot be disabled”), sen luvut ovat eri asetelmasta. Samasta syystä MiMo-V2.6-Pro ja -Flash eivät toimineet tässä asetelmassa lainkaan ilman erillistä lisäparametria — siitä lisää seuraavassa luvussa. Kun päättely oli päällä ja effort-asetus matala, nämä mallit tuottivat:

Viisi havaintoa luvuista

Kustannusero on kaksi suuruusluokkaa. MiMo-V2.6-Pro tuotti vaatimukset täyttävän, 555-rivisen ja selvästi parallaksisen kohtauksen 0,0051 dollarilla. Claude Opus 5 tuotti laajemman kohtauksen 0,3942 dollarilla. Ero on 77-kertainen, ja Flashilla peräti 206-kertainen. Kun yksi hero-osio maksaa puoli senttiä, sen voi generoida uudelleen niin monta kertaa kuin haluaa — 39 sentillä ei.

Koodin määrä ei ole sama kuin laatu. Opus 5 kirjoitti 806 riviä ja 31 kilotavua, MiMo-V2.6-Pro 555 riviä ja 17 kilotavua. Vaatimustarkistus meni molemmilta läpi täysin pistein, ja parallaksin voimakkuus oli lähes sama (40,9 % vastaan 38,9 %). Suurempi tiedosto ei siis tarkoittanut parempaa lopputulosta tässä tehtävässä, mutta se tarkoitti enemmän ylläpidettävää koodia.

Nopeus ja laatu eivät kulje käsi kädessä. Kimi K3:n päättelyllä varustettu versio tuotti voimakkaimman liikkeen koko testissä (90,4 % pikkeleistä muuttui) mutta samalla raskaimman kohtauksen: kuvataajuus romahti 3,0:aan. GLM-5.3 puolestaan pyöri sulavimmin (60,5) mutta sen syvyysvaikutelma oli heikoin (7,9 %) — lähes staattinen tausta.

Kaikki mallit läpäisivät teknisen tarkistuksen — paitsi yksi. Yksikään valmis tiedosto ei tuottanut yhtäkään konsolivirhettä tai -varoitusta, kaikki loivat WebGL2-kontekstin, ja kaikki kunnioittivat pikselitiheyden kattoa sekä prefers-reduced-motion-asetusta. Ainoa tekninen hylkäys tuli MiMo-V2.6-Flashin keskeneräisestä tiedostosta, joka ei sisältänyt canvas-elementtiä lainkaan.

Väripaletti on mitattavissa. Laskimme renderöidyn sivun keskikirkkauden. Kaikki muut mallit tuottivat vaalean, modernin ilmeen (keskikirkkaus 220–239), mutta GLM-5.3 tuotti tumman sivun (24) — se rikkoi promptin nimenomaista vaatimusta olla tekemättä ”dark editorial” -tyylistä ulkoasua. Tämä on hyvä muistutus siitä, että visuaaliset ohjeet kannattaa tarkistaa mitattuna eikä silmämääräisesti.

Tärkein käytännön löydös: päättelyansa

Testin arvokkain yksittäinen tulos ei liity koodin laatuun vaan siihen, miten mallit käyttäytyvät, kun niitä kutsutaan ohjelmallisesti.

Annoimme aluksi kaikille malleille 12 000 tokenin vastausbudjetin ilman erillistä päättelyparametria. Tulos: kaikki viisi mallia käyttivät koko budjetin päättelyyn ja palauttivat tyhjän tai katkenneen tiedoston. Claude Opus 5 käytti 12 000 tokenia päättelyyn ja palautti nolla tavua sisältöä. MiMo-V2.6-Pro käytti 11 999 ja palautti nolla. GLM-5.3 käytti 12 000 ja palautti nolla.

Toisella kierroksella pyysimme matalaa päättelytehoa (reasoning effort: low) ja kasvatimme budjetin 20 000 tokeniin. Claude Opus 5, Kimi K3 ja GLM-5.3 tottelivat: ne käyttivät päättelyyn 33–174 tokenia ja tuottivat valmiin tiedoston. MiMo-V2.6-Pro ja -Flash eivät tottelleet — Pro käytti 20 001 tokenia päättelyyn ja palautti yhä tyhjän vastauksen, Flash käytti 19 425 tokenia päättelyä ja tuotti 44 rivin tyngän 532 sekunnin jälkeen.

Vasta kun päättely kytkettiin eksplisiittisesti pois (reasoning: {enabled: false}), molemmat MiMo-mallit tuottivat täyden tiedoston — Flash 36 sekunnissa ja Pro 215 sekunnissa.

Käytännön johtopäätös on yksinkertainen: jos kytket nämä mallit putkeen, aseta päättelyasetus aina eksplisiittisesti. Pelkkä tokenbudjetin kasvattaminen ei auta, jos malli käyttää budjetin ajattelemiseen eikä kirjoittamiseen. Tämä on juuri sellainen asia, jota ei näy mistään julkaisutaulukosta, mutta joka kaataa tuotantoputken hiljaisesti — malli nimittäin palauttaa onnistuneen vastauksen, jonka sisältö on tyhjä.

Mallikohtaiset huomiot

MiMo-V2.6-Pro on tämän testin paras hinta-laatu-suhde. Se läpäisi kaikki 20 tarkistusta, tuotti selvän syvyysvaikutelman ja maksoi 0,0051 dollaria. Heikkous on sen hitaus (215 sekuntia) ja se, että se vaatii eksplisiittisen päättelyparametrin toimiakseen lainkaan. Hinnaltaan malli on 0,435 $ miljoonalta syötetokenilta ja 0,87 $ miljoonalta tuotetulta tokenilta. Malli on MIT-lisenssillä, joten se on myös itse hostattavissa — tosin 1,02 biljoonan parametrin MoE-arkkitehtuurina se ei mahdu kotikoneelle millään kvantisoinnilla.

MiMo-V2.6-Flash on testin nopein ja halvin (0,0019 $, 36 sekuntia), ja se kirjoitti jopa enemmän rivejä kuin Pro. Sen heikkous on visuaalinen: parallaksi jäi 8,0 prosenttiin, eli kohtaus näyttää enemmän liukuväriltä kuin syvyysmatkalta. Luonnosteluun ja massatuotantoon se on erinomainen, lopulliseen hero-osioon ei ilman lisätyötä.

Kimi K3 on epätasaisin. Ilman päättelyä se tuotti selvästi lyhyimmän tiedoston (218 riviä) ja laimean parallaksin (10,8 %). Päättely päällä se tuotti testin voimakkaimman liikkeen (90,4 %) mutta samalla raskaimman kohtauksen ja hitaimman kuvataajuuden. Käytännössä malli tarvitsee päättelyn toimiakseen hyvin, mutta silloin sen kustannus nousee (0,0719 $) ja suorituskyky kärsii. Hinta on 3 $ miljoonalta syötetokenilta ja 15 $ miljoonalta tuotetulta.

Claude Opus 5 tuottaa selvästi laajinta koodia ja tasaisimman laadun: 806 riviä, 20/20 vaatimusta, voimakkain parallaksi ja matalin kuvataajuus eli raskain kohtaus. Se on ainoa testin malleista, jonka kohdalla hinta alkaa tuntua perustellulta, jos kohtauksen pitää olla lopullinen. Hinta: 5 $ miljoonalta syötetokenilta, 25 $ miljoonalta tuotetulta.

GLM-5.3 on nopein (21,5 sekuntia) ja halpa (0,0201 $), mutta tuottaa tyylillisesti erilaisen lopputuloksen: tumman sivun ja laimean liikkeen. Se ei suostu ajamaan ilman päättelyä, joten sitä ei voi pakottaa kaikkein ennustettavimpaan tilaan. Hinta on 1,40 $ miljoonalta syötetokenilta.

Kumpi kannattaa valita

Jos teet luonnoksia tai massatuotantoa: MiMo-V2.6-Flash. Puoli senttiä alle, 36 sekuntia per versio, ja päättelyasetus on muistettava asettaa itse.

Jos haluat valmiin hero-osion halvalla: MiMo-V2.6-Pro. Lähes sama parallaksin voimakkuus kuin Opus 5:llä, 77 kertaa halvempi, mutta hitaampi ja vaatii eksplisiittisen päättelyparametrin.

Jos kohtaus on lopullinen eikä hinnalla ole väliä: Claude Opus 5. Laajin koodi, tasaisin laatu, voimakkain liike.

Jos koneesi on tarpeeksi tehokas: kaikki paitsi GLM-5.3 ovat avoimen painon malleja, joten ne voi hostata itse. MiMo-V2.6-Pro vaatii kuitenkin datakeskusluokan raudan, ja 9B-kokoinen distill-versio on realistisempi vaihtoehto kotikoneelle. Aiheesta enemmän artikkelissa avoimen lähdekoodin AI-mallit 2026.

Miten toistat testin itse

Testi on toistettavissa ilman erikoisjärjestelyjä. Tarvitset API-avaimen (esimerkiksi OpenRouter), Pythonin ja Playwrightin. Toimi näin:

1. Kirjoita promptti tiedostoon ja aja se jokaiselle mallille samalla max_tokens– ja reasoning-asetuksella.
2. Tallenna jokainen vastaus omaan HTML-tiedostoon. Poista koodiaidat, mutta älä muokkaa sisältöä.
3. Käynnistä paikallinen HTTP-palvelin tiedostojen kansiossa ja avaa sivut Chromiumissa.
4. Kerää konsolivirheet ja -varoitukset, tarkista että canvas löytyy ja että WebGL2-konteksti syntyy.
5. Mittaa requestAnimationFrame-kutsujen määrä kolmen sekunnin ajalta — se antaa kuvataajuuden.
6. Ota kuvakaappaus yläasennosta, vieritä 60 prosenttia alaspäin, ota toinen kuvakaappaus ja laske muuttuneiden pikselien osuus.

Viimeinen kohta on tärkein, koska se erottaa oikeasti liikkuvan kohtauksen staattisesta taustasta. Ilman sitä kaikki mallit näyttävät yhtä hyviltä.

Rajoitukset

Tämä testi mittaa sitä mitä voidaan mitata. Esteettistä laatua se ei arvioi: kuvakaappaukset näyttävät, miltä kohtaukset näyttävät, mutta kauneusarvio jää katsojalle. Kuvataajuus on mitattu ohjelmistorenderöinnillä, joten absoluuttiset luvut ovat matalia eivätkä vastaa näytönohjaimella saatavaa suorituskykyä.

Testi kattoi yhden tehtävätyypin — three.js-hero-osion — eikä sitä voi yleistää koskemaan koodausta laajemmin. Julkisissa koodausvertailuissa kärjessä ovat edelleen GPT-5.6 Sol ja Claude Opus 5, joiden osalta MiMo-V2.6-Pro jää valmistajan omassakin taulukossa jälkeen terminaali- ja agenttitehtävissä. Tässä nimenomaisessa tehtävässä ero ei kuitenkaan näkynyt koodin laadussa vaan hinnassa. Lisää 3D-aiheista testausta: tekoäly 3D-mallinnus testi.

Usein kysytyt kysymykset

Voiko näillä malleilla tehdä tuotantokäyttöön kelpaavan three.js-sivun?
Kyllä. Kaikki valmiit tiedostot läpäisivät teknisen tarkistuksen ilman yhtäkään konsolivirhettä, ja kaikki loivat WebGL2-kontekstin. Tuotantoon tarvitaan silti ihmisen tarkistus: mallit eivät osaa arvioida oman työnsä visuaalista laatua.

Miksi MiMo-V2.6-Pro palautti tyhjän vastauksen?
Koska se käytti koko vastausbudjetin päättelyyn. Malli ei noudattanut matalan päättelytehon pyyntöä vaan tarvitsi eksplisiittisen reasoning.enabled=false-asetuksen. Vastaus oli teknisesti onnistunut, mutta sisältö tyhjä — juuri siksi tämä ansa on vaarallinen automaatiossa.

Kumpi on halvempi, MiMo-V2.6-Pro vai Flash?
Flash on noin kolme kertaa halvempi ja kuusi kertaa nopeampi, mutta sen tuottama syvyysvaikutelma on selvästi heikompi. Luonnosteluun Flash, viimeistelyyn Pro.

Onko hintaero todella 77-kertainen?
Tässä yhdessä tehtävässä kyllä: 0,0051 $ vastaan 0,3942 $. Ero syntyy sekä tokenhinnoista että siitä, että Opus 5 kirjoitti lähes kolminkertaisen määrän tokeneita. Muissa tehtävissä ero voi olla pienempi tai suurempi.

Kannattaako nämä mallit ajaa omalla koneella?
MiMo-V2.6-Pro ja -Flash eivät mahdu kuluttajalaitteistolle (1,02 biljoonaa ja 309 miljardia parametria). Sarjan 9B-kokoinen distill-versio mahtuu, mutta se on tutkimuskäyttöön julkaistu hienosäätöpiste, ei viimeistelty chat-malli.

Miksi GLM-5.3 tuotti tumman sivun vaikka pyysimme vaaleaa?
Emme tiedä, emmekä lähde arvaamaan. Mitattuna asia on selvä: sivun keskikirkkaus oli 24, kun muilla malleilla se oli 220–239. Väripaletti kannattaa siis tarkistaa koodista tai kuvakaappauksesta, ei luottaa siihen että malli noudattaa tyyliohjetta.

Voiko samaa testiä soveltaa muihin tehtäviin?
Kyllä, ja mittarit kannattaa valita tehtävän mukaan. Kolmiulotteisessa sisällössä parallaksi ja kuvataajuus ovat olennaisia; tekstintuotannossa olennaisempaa on esimerkiksi se, kuinka monta kertaa malli tarvitsee uudelleenyrityksen. Päättelyansan tarkistus kannattaa tehdä aina.

Yhteenveto

Viisi mallia, sama tehtävä, mitatut tulokset. Halvin malli ei ollut huonoin, kallein ei ollut paras jokaisella mittarilla, ja tärkein löydös ei liittynyt lainkaan koodin laatuun vaan siihen, että ilman eksplisiittistä päättelyasetusta yksikään malli ei tuottanut valmista tiedostoa.

Koko testin kustannus oli 1,30 dollaria, josta valtaosa kului ensimmäiseen epäonnistuneeseen kierrokseen ja Claude Opus 5:een. Se on halpa hinta siitä tiedosta, että tekoälymallien valinta kannattaa perustaa omaan mittaukseen eikä valmistajan taulukkoon.

Jos haluat lukea lisää avoimista malleista ja niiden käytännön eroista, aloita artikkelista avoimen lähdekoodin AI-mallit 2026. Koodaaville agenteille suunnatuista malleista kirjoitimme aiemmin artikkelissa StepFun julkaisi Step 3.7 Flashin, ja GLM-sarjan edellisestä versiosta artikkelissa GLM-5.3 Flash julkaistiin. Yrittäjän työkalupakista laajemmin: paras AI-työkalu yrittäjälle 2026.