LLMien valinta 2026: kattava ostonäyte
GPT ja Claude mukaan lukien, tutki kuinka valita laaja kielioppijoukko soveltuvaksi yrityksen stackiin.
Daniel Nikulshyn
Editor
Perusteet
Mitä LLM 2026 on todella
Suuri Kieli Malli (LLM) on neuronverkko, joka on koulutettu myös suurissa tekstimääristä, jotta se voi ennustaa seuraavaa merkintää. Merten jouluun tuli Transformer-arkkitehtuuri paperissa "Attention Is All You Need" (Vaswani ym., 2017, joka on julkaistu Googlen tutkimuksilla) on tullut hallitseva perusta. Melkein jokainen uraavasti malli - OpenaI: n GPT-sarja, Anthropicin Claude ja Google:n Gemini - on rakentunut uusintaperusta yhdistämällä, kuten Wikipedia kuvaa. Tärkein ymmärrys ostajille vuonna 2026 on, että LLM ei ole tietokonetyökalu, vaan toimintojen arvoitus. Se tuottaa luettavissa olevan tekstin perustuen malleihin, mikä merkitsee päättäväisellä tekstillä tyydyttävää, mutta väärää vastausta. 'Hallusinaatiot' - luottamus antavat, mutta väärät vastaukset - ovat ominaisuus, jonka puutteessa ei voi korjata, mitään. Tämä on suoraan osoite, missä ja missä ei LLM:tä tulisi käyttää. Asteen on räjähtänyt skaluuri. GPT: n 175 miljardin parametrien määrä vuonna 2020 (kuten OpenaI: n alkuperäinen julkaisu) on joissain 2026 -vetoissa käytössä monien mahtavien 'frontier'-mallien ja kompaktien, tehokkaampien mallien taitettuna. Ei ennenkään parametreja ole mitään automaattista parasta sinun tapauksellesi. Bouwerilta tärkein siirtyminen on se, että LLM: t on enää yksittäisiä chat-botti, vaan ne ovat automaattien ajoneuvojen logiikka. Malli, joka antaa hyvän suoritustason keskustelussa, on epäonnistunut, kun se kutsuu välineitä, suorittaa useita askeleet, tai yhdistyy monin asteissa asettaessa. Tämä ulottuvuus pitää olla selkeästi laskettuna.
- Suuri kieliarkki — Yleiskatsaus LLM:n toimintaperästä, historiasta ja käytännöistä sovelluksista.
- Attention Is All You Need — Alkuperäinen Transformer-paper, joka vahvisti nykyisen LLM-pohjan.
Nykyinen merkittävin jakamo
Ala: suljettu raja tai avoin paino
Markkinat jakoontuvat selvästi kaksi ryhmään. Toisella puolella on suljettuja raja-modalleja. Näihin kuuluvat OpenAI:n GPT- perhe, Anthropicin Claude ja Googlen Gemini. Tähän ryhmään kuuluvat mallit tarjoavat API-rajapintaa, ovat usein tehokkaimmat monimutkaisiin päättelyyn ja päivittyvät säännöllisesti. Osaetuutu yksittäiskäyntikustannuksista (tunnit) on tarjoajalle ja tarjontaan liittyvä kontrolli ei ole hallussa. Toisella sivulla ovat avoimia painoja. Meta-yhtiön valmisteisiin liittyy Meta-yhtiön Llama-sarja, Mistral ja vuoden 2025 merkittävä nousu DeepSeekin osalta. Näillä avoimilla painojen mallien valmistajilla on kuitenkin kytketty yhtiön Llama-sarjan ominaisuus. Tämä aiheuttaa seuratessaan merkittävän vauhtin kohdassa. DeepSeek kuitenkin teki yhteensä maailmantunneille vaikutuksen tarjoamalla kilpailukykyiset tulokset hyvissä suhteissa oletettuihin kehittaamismenettelyihin. Hyvä tulos saavutettaan tietysti alihintaisesti. Avoin paino antoi sen tärkeän hyödyn, että täältä voitiin omilla resursseilla hostata, tarkistaa toimensa ja täällä kulloinkin saatiin hallussa omien käyttäjien tietojen luotettavuuden turvallinen hallinta. Tässä yhtälössä, ei tarkkoja ideologisia syitä vaan lähinnä strategisia mietteitä. Siis suljettujen mallien hyvin tuoreet ominaisuuteen saapumiset johtuvat pienestä suunnittelutyöstä ja hyvin nopeasta käyttötapauksen saavuttamisesta markkinapalveluissa. Avoimimmat mallit jo puolittaisivat vastakkain tulleet kustannukset. Tapaavien hyödyt ovat siis pienempikin ja tarjollinen lisämäärä rahaa saa täältä, sillä tulevaisuuden mahdollisiin poliittisiin keksimyksiin ja hintamuutoksiin liittyen, tähän ryhmään kuuluvilla avoimilla painoilla on myös varmasti mahdollisuus muutamillekin valmiuksille. Omaisuutta ei tällä kertaa välttämättä, yhtiön omalla kehityksillä. Nykyaikasta kutsutaan usein niin sanottuun malleja 'käyttöpäättelyjärjestelmiä', joilla varmistetaan niinpäin kumpaan malleihin ryhmiteltäessään minkäkin palvelun koko kustannus. Näitä käytännössä, määrätessä niitä on ymmärrettävästi jo vakuutettu niiden 'optimisointikäytäntöinä', niin sanottu 'malleihin ohjautuvakäytäntö'. Näitä kohdellaan yleissivistyksen osalta kuin tärkeää kertauksia mihinkin osaan. Tätä nykyistä hyötyä on myös kutsuttu niin sanottuun optimisointikäytäntöihin liittyvän kustannusoptimisointiin, josta tähän suuntaa on vieraillut joitkunkin yhtiöiden johtotieteen osalla. Tähän mallien kohdalla tämä kustannusoptimistikäytäntö on siis 'käyttöpäättelyjärjestelmän käytäntö'. Toisaalla tämän mallien yhtiöiden omilla osa-alueilla on myös muistutettu, että tämän nykyisen mallien 'ohjausta' tulee kerran loppua ja siis loppuvaiheessa mallin malleista voidaan tuntua, että siis mallit ovat liian pieniä. Kuten näitä johtokentältä vähemmän tuntemia, myös eriläisiä yksityiskohtaisempia määrittelytoimia. Tätä osalta 'mallikäyttäjän toimia' tulee myös nykyään tuntua, että näiden käyttäjien mallin määrittelytoimien kautta yhä useampi on jo muuttanut 'mallikäyttäjän toimia'. Kuten tulkinta ymmärtää tähän tähän kohdassa, kustannusoptimistikäytäntö ei siis ole siis yksi 'mallikäyttäjän toimissa' ja toisaalla tämä 'käyttöpäättelyjärjestelmän käytäntö' tulee siis aineistolta kokea yleisyys lisääntyessä. Näihin kohdistuu siis 'malleihin ohjautuvan käytäntön' ja 'mallikäyttäjän toiminnan' näyttelijäkseen siis tulee kertaa näyttelijän roolin osaksi, eli nykyiset käyttäjät 'siis myös muuttuvat'. Tämän käyttäjän yksi tärkeimmistä rooleista nykyään on osallistuva käytännön yhteydenpitäjä yhteiskuntaan. Käyttäjän roolia tulevassa 'mallikäyttäjän roolin' näyttelijäksi siis muuttaa siis 'mallikäyttäjän käyttäjä ja sen roolin' muuttuessa tulee siten kauttaan nyttämisen mukaan nykyään 'mallikäyttäjän roolin' osaksi siis roolin nyttelyä ja siten roolin muuttuminen tulee kerran olla 'mallikäyttäjän roolin' osana. Käyttäjän rooli näyttelijänä nykyään, kertaa, tulee 'malleihin ohjautuvan käytäntön ' ja myös 'mallikäyttäjän toimintaan', ja se nykyään myös on nykyään olemassa siis, kuten siis aiemmin kerttuakin ja nykyisin siis olemassa, 'mallikäyttäjän rooli näyttelijänä'. Näitä kohdalla, nykyä, niin sanottua malleja 'käyttöpäättelyjärjestelmää' tarjoavat 'mallikäyttäjä', tulee tulemalla nykyään myös osallistua mallin kohdalla nykyään käyttäjänä siis. Elikö se näissä kohdin, tähän mallin 'mallikäyttäjän ominaisuutena' myöten nykyään 'mallikäyttäjän roolin' nyttelyä osaksi? Tähän kohdassa nähdään tietysti kyllä, mutta yleisen käsityksen osalta ei nykyään vielä tule tulevan ajan mukana, sillä nykyisessä käytännössä nykyään siis yhä nykyään yksi näistä nykyään yleinen käynti näyttelijänä siis tulee tuntua, että niin sanottua 'mallikäyttäjän roolin nyttely' kerran on 'mallikäyttäjän roolin osaisuus' muuttumaan, ja 'tässä kohdassa osallistuvana toimijana' ja siis nykyään yhä kerran osa 'malle
Oliko suositusten rinnalla
Kokonaisvaltainen ostokriteeriotteet
Suositukset kuten MMLU tai GPQA ovat hyödyllisiä yleisissä vertailunpiteissä, mutta niitä voidaan epätarkasti laskea käyttökokemusten yksilöllisten ominaisuuksien mukaan. Julkinen hakemistosortointi kuten LMSYS Chatbot Arena, jossa henkilöt vertailevat ilman tietoa kaksi mallia, antaa reaalimaailman käyttäjien mielipiteitä paljon realistisemmalle. Kontekstiovi on 2026 tärkein kriteeri. Mallit tukevat nyt kymmeniätuhansien - miljoonien tukiasematoken, joten voit tarjonnan koko dokumentin tai -osiota yksittäisesti. Huomioiden: suuri ovien kokoinen ei automaattisesti tarkoita, että malli on kykenevä käyttämään kaikkia tietoja yhtä hyvin. Tutkimus niin sanotusta 'lost in the middle' ilmiöstä näyttää, että mallit ovat yleensä huonosti kykeneviä hakemaan tietoa pitkässä kontekstissa keskimmäisen osalla, mitä vastoin ne ovat hyvin kykeneviä hakevan alku- tai pääosasta. Latenssi ja läpikäyvystys ovat ratkaisevia tuotannon kannalta. Malli, jonka mietintekemisaika on 30 sekuntia, on loistava syvän analyysin kannattamaton, mutta ei käyttökelpoinen real-aikataulukin. Mallit, jotka 'denkäävät jopa kohti' ennen vastausta toimivat korkealaatuisimmin, mutta tällaiset mallit ovat kalliimpia ja kestävät paljon pidempään ennen vastausta - niiden käytön kannattavuus tulisi arvioida kohdistuksen mukaan. Viimeisimpänä vielä: työkalun kutsuminen ja järjestelmällinen tulostus. Kun mallin käytät agenttina, varmempi funktiokutsu on tärkeämpää, kuin muutaman prosentin lisää yhden tiedonkirjoitusmenetelmän sijaan. Kokeile tarkkailee, voidaanko malli toistuvasti tuottaa kelvollista JSON ja, voiko malli osata tiedettä sen ollessa tarpeen pyytää työkalua kutsumaan. Tämän ominaisuuksien arvioiminen riippuu siitä, toimivaanko agentti tuotantovaiheessa tai ei.
- LMSYS Chatbot Arena — Julkinen verkkorintamajärjestelmä, jonka sisällöt kertovat mielipiteiden perusteella kahden mallin vertailusta.
- Lost in the middle (paper) — Tutkimus LLM-mallien pitkien kontekstien kykyjä hyödyntää.
Tärkeitä työkaluja
Mallista agenttiin: työkalut, jotka tekevät erilaisen vaikutuksen
LLM on vain toiminnallinen, kun on rakennettu infrastruktuuria ja ympäröitäviä ohjelmistoja. Nämä seuraavassa osassa esittelemme kahden työkalun käyttäjiä, jotka esittävät, miten laaja kyseinen ekosysteemi on — suurista yleisösovelluksista aina monimutkaisten agenttimatriisin järjestelyihin saakka. Kuuluisa Square Face Generator näyttää, että LLM ja generatiivisesti tietävä tekniikka eivät aina ole monimutkaista. Tämä ilmainen verkko-ohjelma muuttaa käsittelyjä vaiheittaisesti tai valoksia iloiseksi, neliönmuotoiseksi profiilikuvaan. Se on parhaimmillaan tehty suunnattaville tekijöille, yhteisöpäälliköille ja nopea visuaalinen profiili- tai mukikuvakeräämiselle, mikä ei edellytä muotoiluohjelmaa. Hyvä esimerkki siitä, miten käytäntöön otettu generatiivinen AI saa toimiman myös tietokilpailijoille. GPTSwarm sijoittuu kuitenkin koko toisen luokkaan. Se on skaalattava ohjelmistopohja, jolla voidaan rakentaa ja optimoida grafinen graafinperustuvia AI-agenttien suurimassa. Sijaan yhtä modelia, määrittelee yksi GPTSwarmin agentteja, jotka toimivat, niin että ne muodostuvat yhtenäisiksi reikiin yhteen kaiverruneeksi graafiksi, ja automatisoidaan ympäristön optimointi. Tämä on suunniteltu tutkijoille ja kehittäjille, jotka haluavat rakentaa monimutkaisia, usean LLM-koneen yhteistyö- ja oppimissysteemejä, joissa useat LLM:t yhdistyvät toimimaan yhdessä. Ei yhtä työkalu näytä kuitenkaan, että nämä kaksi esittelyä kuvastaakin ylempänä kuvatun markkinoita: taivaassa instant, plug-and-play generoimisen ehdokkaat, maa sitten ohjelmistoon rakennettu, syväkäyttöinen orkestraatio-ohjelmisto järjestelmän kehittäjille, jotka yhdistävät agenttien yhteistyön rajat. LLM-hankinnassa eteenpäin, ei tarvitse siis vaan tarkastaa malli, vaan myös ohjelmistoon sitä käsinkin liittyvä.
- Square Face Generator — Ilmais-ohjelma, joka käsittelyt vaiheittain tai vaakatietoa muuttaa iloiseksi neliönmuotoiseksi profiilikuvaan.
- GPTSwarm — Skaalautuminen grafinen graafin perustuvien AI-agenttien järjestelmään.
Verkon ulkopuolinen maksamaan
Lokit valitseminen 2026: Kustannusten, turvallisuuden ja hallinnan käytänöllinen opas
Yksitieninen merkinnästiedot eivät kerro koko tarinan. Lógistisessa mallissa generoitaneet massiivisia määriä 'pilvoitettuja kirjeitä’ jotka maksat myös, mikä tekee ilmeisen edullisesta tuntuvasta modelista kustantavaa kussakin suoritetussa tehtävässä. Mittaa siis aina kustannus joka tehtyyn tehtävään, eikä ainoaan 1000 kirjeeseen. Varsituksen käytöstä suosituksissa käytettyjä palautteen ja ohjausta pienemmille muille malleilta helpoissa tehtävissä tehostivat selvästi myös verkkomaunaa. Kevään 2026 ehdotus ei ole vain toivoton yläsivu. Prompt-injectie (Pilveen salasanan kantavan henkilön antamien yhteydenottojen avulla pilveen jättää toiseen salasanaan yhdentekeisyyden välttääkseen hajotetun mallin) on OWASP-hankkeen mukaan yhden suurimmista riskikappaleista. Kun tärkein malli käyttötilaa voi antaa tai on kytkettynä käyttöoikeus, epäluotettu sisääntulovirtaus määrittäessä potentiaalisen hyökkäysonnan suunnan. Mallin lopputulos kelpuutetaan koskaan aivan kautta turvana eikä koskaan. Tiedonsuojaus ja vastaavuus määrittelevät usein lopullinen kohta, erityisesti Euroopassa. EU AI-laki johtaa käytännössä 2023-2028 välisenä aikana, mille säännökset vaativat toimintoja joka aiheuttaa tietoturva riskit. Koska hallitseminen ja vakuutus velvoitteita vaati EU AI- Act 2023, joissa mallin ylilkäyttöä aiheuttaa riskit tietäen data siirtonopeudella, kuten toistuva taito mallin lopputulos sisääntuleva. Koskaan salajuonen tiedolla toimintaa tuki kouluttaminen tai koulutettuun mallin kautta, salajuonen tiedon on käytettävä tulevaisuudessa. Käyttäjällä ja käyttäjien välisen hallinnan tietäisi palauttaminen, toiminta muistin tietäisi ja toiminnan käytännön ohjeet olisi välttämätön. Harmittavasti huominen olis sivuun jätettävää. Moduli on yleensä päivitettävissä muutoksista vastaa. Toiminto palautettavaan sivustoon tuli palauttaminen on yleensä jarruttamalla yhteensopivuus. Yhtiö jääkään tietoinen. Tämä on tärkein ylempiä sivuille kuuluvan mallin tärkeys.
- OWASP Top 10 LLM Sovellusten Turvallisuuden Vaarallisuuden — Suurimmat LLM Sovellusten käytössä yleisimmissä riskien mukaan.
- EU AI Act — Wikipedia — Tiedustelun eurooppalaiseen AI- lakiluonnokseen ja sen seuraamuksille.
Toiminnalliseen käyttöönottoon
Päätösvalikoima 2026:in päähänpitoon
Älä aloita kysymällä 'mitä mallia on parasta', vaan 'mitä tehtävää haluan ratkaista'. Määrittele ensin käyttötarkoitus, hyväksymisvaatimukset ja budjetti. Asiakaspalvelu- chatbot, ohjelmointi-apuraja ja oikeudelliset asiakirjalaskennat vaativat kokonaista erilaisia vaatimuksia viiveestä, tarkkuudesta ja syvyyspiiristä. Määrittele sitten pieni, edustava arviointijoukko siitä dataasi, josta haluat valvoa – kymmenestä kahteenkymmeneen esimerkki on usein riittäväksi paljastaa huomattavia eroja. Ajasta läpi viiden parhaan hakemaiset ja pistekoontoi niistä tuotannosta, jotka sinulle ovat tärkeitä. Tämä työ vie vuorokauden ja tallentaa kuukausien syyntakeisia epäonneisiä valinnoista sijoituskohteita perustelemalla liiketoiminnan kannalta. Kun olet epäillen, käytä avointa koulukuntaa modalia API-väylän kautta, jotta voit vahvistaa onko kyseinen käyttötarkoitus ylipäänsä toimii. Sillä hetkellä, kun olet löytänyt tuotteen markkinoiden sopivan asettamisen ja sen kohderyhmän liikevoittoprosentit kasvavat, arvioi, pystyikö yksikkömateriaaliin vaihto suhteellisesti halvemman vastaavaan laatuun. Tämä järjestys, jossa ensimmäiseltä on tarkoitus vahvistaa ja sitten parantaa, estää sen, että oletkaa kuluja tuomassa tietohallinnan infrastruktuuriä kappalein, joita ei kummempia ole. Suunnittele abstractia jo ensimmäisestä päivästä alkaen. Tuo kunkin mallin vaihto tarkoitusasettelun mukaiseksi muuttaminen, eikä erikseen koodinmuutos. Yhdistä tuon mukaisesti observability - ominaisuudet: kirjaudu kaikkiin kutsuihin, tarkasta kulutukset, laatu ja viiveet, ja aseta varoitusrajat. Malleja, hintoja ja tarjoajia saattaa siis 2026 tapahtua nopeasti; ketterä arkiettuurimallinnus sinulle on paras varavakuutus sen volatiliteetin edessä. Kuvausmallit muuttuvat ja tarjoajat jatkuvat kehityksessä; yhteydenpito näkyvien teknisten ympäristöjen kanssa ja muistivihkoon tallettamisesta on hyvä tavoitteen asettaa jo ensimmäisestä päivästä koulukunnan mukaisten mallien käyttöönottoon. Ketteryyttä tarjoava tuki vähentää kuitenkin niitä ongelmia, joita koet hämmennystä ja epämukavuutta aiheuttavalla koulukunnan muuuttumisella.
- Luonnollisen käsittelyn aiheutuvat tekoäly – Wikipedia — Lisäksi yksityiskohtaista tietoa luonnollisen käsittelyn aiheutuvista tekoälymallistoista ja niiden roolia siinä.
- Google Gemini — Google Gemini -mallistoon liittyvä virallinen tiedote.
Resurssit
- Laaja kielioppijoukon - Wikipedia
Painava esittely laaja kielioppijoukon toiminnasta ja historiaansa.
- OpenAI
OpenAIn virallinen sivusto GPT ja muita Open AI -malliin liittyviä tietoja sekä tietoa API-käyttöliittymästä.
- Anthropic
Anthropicin kielellä kutsutaan Claude malleja.
- Google Gemini
Googlein Gemini-modaalitekniikat ovat multimodallisia.
- OWASP LLM-sovellusten parhaiden 10 toiminnoissa
Kuuluivat OWASP Top 10 LLM-sovellusten parhaiden tavoitteen mukaan
Usein kysytyt kysymykset
Mitä tarkoittaa avoimen tai avoimesti kaksinkertaistettu kielioppijoukko?
Avoin tai avoimesti kaksinkertaistettu merkitsee aineistoa, ohjelmakoodia ja lisenssitekiä, jotka ovat julkisesti saatavilla lataukseen ja käyttämiseen, kuten mistral ja Llama. Kunnollinen avoimen lähdekoodin tarkoittaa myös koulutustiedon ja koodin vapautta, mikä on harvinaista. 2026 valikoimassa näistä 'avoin' modaleista useimmat ovat avoimia, mutta lisenssi ehtoina. Täysin avoin ohjelmisto on harvinainen.
Onko suuri, uusi malli aina valinta?
Ei. Suuremmat fronter-mallit ovat kalliita ja hidastuvat, kun taas pienemmät mallit pärjäävät hyvin moneen tehtävään. Mitä tehtävä on, sitä suuremmalla mallilla valikoi, mutta hyvin pienen mallin tai avoimen mallin käyttäminen on parempi vaihtoehto moniin tehtäviin. Malleja voi käyttää esimerkiksi ohjelmistoa ohjaamaan kutsutuilla malleilla.
Mitä tarkoittaa suuri kontekstiovi?
Suuri kontekstiovi on tärkeää pitkillä dokumentteissa tai koodipohjissa työskenteleville, koska suuri vaihtoehdotteet tarjoavat paremman yhteyden kielenkäyttäjän välillä. Suuri kontekstiovi ei kuitenkaan välttämättä tuo paljon lisää hyvistä tuloksista. Lisäksi tutkimuksissa on osoitettu, että mallit eivät välttämättä saa parempia tuloksia pitkälti olevista teksti kappaleista.
Mitä tarkoittaa ohjauspyyntö injektio?
Ohjauspyyntö injektioa pidetään OWASP-tienoissana. Kun LLM-malli käsittelee kielivalinta tai tietoiota jollain toisella tavoin ja antaa virheellisiin tiedonantoihin.
Miten kallis on omankin avoin LLM-malli käyttö?
Seksantilääksittömästi hyvinkin, sillä tietokoneen tarvitaan GPU-infrastruktuuri, ohjaustehtävän ja huollon yhtä mukaan. Toisaalta pienellä tai arvaamattomalla käyttövolymella, API- LLM tulee olemaan paljon edullisemmalla. Kuitenkin siinä tapauksessa, siinäkin tapauksessa, missä malleja ei ole kummalla tahallaan tarvitsisilla.
Miten teen parhaan valinnan oman kielioppijoukon osalta?
Bouw suoraan pieni tulosyhteys muun aineiston valikoimassa, draai parasta malliasi, aja sitten siihen suoran muiden vastakohtien mukaan. Jätä kuitenkin jälkeen omat sivuun muun malleja vastattavat suoria mallikoostot ja vertailun suorittavat tulosyhteys.
Mistä EU AI -laissa käytännössä kiinnostuneilla on seuraavanlaisia toimenpide?
Laajassa kielioppijoukossa, laitojen käyttöä koskevia kriteeriä ei ole enää kunnollista EU- AI laitoksessa, jopa aikuisille on enää jokin tietty määrä kriteerejä, jotka tulee määritellä ja täydentää, kuten tietomateriaalien hallinnointiin kuuluvat kriteerit, lisäksi myos kunnollisia, kriteereitä on enää vain se joutuu sääntelyn alla olleelle yritykselle lisäksi EU-AI lain lisensi kunnollinen ja lisäksi sieltä löytyy edes tietyn kriteerien määrittelemisen lisäksi. joissa määritykset ja ohjeet löytyvät.
Mitä tein omasta päästä välttämään omasta malleista joutumasta vangiksi tukkionneille?
Tee yksinkertaisesti yleiskuvan ja abstrahoin yhteyden yksiköt ja niitty yhdistää ne, niin ettei tule liiaksi kiinnostunut kumpaakin yksiköistä omassa omissa mallein kerralla. Kuten yksikkö, niin ettei siis yksikkötästä jostakin tukkionta yksikötä ei muilla omille mallein kiinnostu, niin yksikkö ei sitä joutuisi malleiksi kiinnostumaan tukkionneille.