开源模型登顶决策基准
9月30日，一款决策模型正式发布，迅速引发关注：在Decision Index 0.2.1的38项基准测试中，它有31项成绩超过当前最热门的Jev，综合得分63.88对57.91，领先公开榜首近6分；而且，它完全开源。拿出这款模型的公司，是成立不到5个月的上海AI明星企业StartLux（原点星辉）。
数字说话：36局国际象棋赢下35局
先看实战。StartLux-Decision-27B与Jev 1.13对弈国际象棋，双方看到相同棋盘状态，不借助额外搜索，每一步都由模型直接选择。最终27B完成将死，平均损失、最佳着法命中率和失误次数等指标全面占优，36局中赢下35局。
在独立的Decision Index 0.2.1中，27B版本得分63.88，38项基准里有31项高于Jev 1.13；在另一套来自上海AI实验室Intern-Decision团队的七项测试中，27B平均准确率达91.82%，高于Jev的88.74%和Intern-Decision-4B的90.02%。需要说明的是，前者是StartLux基于公开评测工具、对照9月28日榜单快照的自测结果，两套口径相互独立。
此次一口气推出0.8B、2B、4B、9B和27B五档版本，并提供BF16、Q8_0、Q4_K_M三种GGUF量化文件。以4B为例，Q8_0文件约4.48GB，在231道公开JevBench量化复测中与原始权重决策一致率达100%；压缩至约2.71GB的Q4_K_M版本后，一致率仍有98.3%。
为什么Agent需要专用”决策模型”
决策模型瞄准的是智能体执行任务时大量重复出现的判断：下一步点哪个按钮、调用哪个工具、当前任务是否完成。这些问题的候选项往往已经明确，但每一步等待仍会累积，拖慢整体执行效率。
StartLux-Decision接收当前状态和候选项，支持选择题、是非题与等级评分。对于常规请求，它可以通过一次前向计算返回多个问题的判断及选项概率，无需逐字生成回答文本。例如，同一条客服工单可以同时对应三个问题：应交给哪个团队、是否需要当天处理、影响程度如何。执行程序拿到结构化结果后继续分流或操作；需要撰写回复、展开复杂规划时，再由通用模型接手。
性能上，单张H200、BF16精度和短请求条件下，4B版本一次回答三个问题平均耗时26毫秒，0.8B与2B版本分别只有12.2毫秒和15.5毫秒。
3天研发：AI参与”造AI”
更引人关注的是研发速度。据团队介绍，完成StartLux-Decision的研发与验证全程仅用3天，支撑这一速度的是正在建设的Auto Research方法——它属于RSI（递归式自我改进）体系，让AI参与”假设—实验—验证—新假设”的循环：分析上一轮失败、构造数据、执行训练与评测，再提出下一轮值得尝试的改进。研究目标、评价标准和关键取舍仍由人类研究员把关。
这是StartLux第二次震惊业界。此前StartLux-27B本地模型在工信部中国信通院测试中超过284B的DeepSeek-V4-Flash，并以约1/60的参数量基本打平DeepSeek-V4-Pro。应用演示中，StartLux-Decision被接入模拟网店完成商品筛选和下单，还在《星际争霸II》中为人族机器人选择建造目标、兵种优先级与攻防策略。
高频小判断成为行业共识
StartLux-Decision登顶背后，是行业的一种新共识：智能体系统里调用最频繁的，恰恰是那些高频、候选明确的小判断——它们值得一层专用、低成本、毫秒级响应的智能来承载。从OpenAI开发者日发布的Decisions API，到Cloudflare开源的决策模型Clef，再到更早走红的Laya与持续升温的Personal Agent，这条路线正在被密集验证。
目前StartLux已公开模型权重、相关代码和评测结果，Auto Research仍作为内部研发环节运行。现有测试主要反映公开基准和受控环境中的表现，模型在更复杂任务中能否持续作出可靠判断，仍需后续实验和实际应用检验。按照规划，基于备案进度，StartLux首个面向公众的本地智能体验版本有望在年内推出——届时，这套”让AI参与改进AI”的设想将第一次接受完整检验。
© 版权声明
文章版权归作者所有，未经允许请勿转载。
