Jev byl požádán o trůn: StartLux.

30. září vydala Shanghai AI, StartLux, plně otevřený model rozhodnutí. StartLux- DecisionJednorázový start 0,8B, 2B, 4B, 9B, 27B, 5. Podle hodnocení zveřejněného týmem, jeho vlajková loď 27B verze obdržela 63.88 bodů na rozhodnutí Index 0.2.1, více než Jeff 1.13 (57.91), první na seznamu.Nový král rozhodovacího modelu vedl k trůnu.Nevím.

Zajímavější je míra výzkumu a vývoje:Celý model byl pouze 3 dny na dokončení výzkumu a ověření.Nevím. Za tím je linka Auto Research postavená StartLux -- oficiálně je to jedna z jejich hlavních cest k postupu RSI.

Začněme tím, že tohle je týmový test, ne oficiální seznam.

Tento musí být jasný, jinak je snadné být veden nad názvem.

Známky StartLux jsou:S použitím oficiálního hodnotícího nástroje Decisión Index, tým sám-měřil proti veřejné listshot dokončen 28. září 2026Nevím. Jinými slovy:

• Používají nástroj pro hodnocení seznamu a data ze stejného dne.
• Ale...Jejich známky nejsou na oficiálním seznamu.V oficiálním článku je také napsáno, že "ne že by to bylo oficiálně ověřeno."
• Jo.Nejvyšší skóre na veřejném seznamu.(2026- 09- 28)

Takže přesná odpověď je:"StartLux- Decisión překonal vrchol současného veřejného seznamu, který si tým sám změřil."Nevím. Není to ponižující - je to sebeměřené znamená to sílu, ale čtenář potřebuje měřítko. Všechna níže uvedená čísla jsou přijímána s výchozím předpokladem "team self-measurement".

Co je to: rozhodovací model, který nevytváří text?

Začněte tím, že pochopíte základní rozdíl mezi StarLux- Decisión a obecný velký model. Není to generační model.Nepište přirozené jazykyNevím.

Tak to funguje: dej tomu jeden.StavPřidat skupinuOtázky- výběr tématu (jedna z několika možností), není, nebo je hodnocena. Stát může být text, JSON nebo obrázek, až 256 K token.Vrací pravděpodobnost každé otázky do každé volbyNevím.

Pointa je v poslední větě:Nic to neprodukuje.Nevím. Odpověď je načtena přímo z opčního písmene po přenosu vpřed. Krátká otázka vyžaduje několik milisekund a pravděpodobnost může být použita přímo jako důvěra.

To řeší konkrétní druh práce v chytrém těle:HF, jasná sada kandidátůRozsudek. Například přišel příkaz k obsluze cestujících - "objednávka je opakovaně pozastavena, ale stále neukazuje žádnou platbu" - a stejné informace mohou zároveň položit tři otázky: který tým ji dostal, zda je dnes zpracováván a jaký dopad má. Tradičním přístupem je umožnit generační model, aby napsal kus, který je pomalý a snadno interpretovat chyby; jeden požadavek od StateLux- Decisión může dokončit tři rozsudky společně.

Vysvědčení: 63.88 vs. 57.91,38 ze 31 wonů

Srovnání indexu rozhodnutí 0.2.1 (jak 2026-09-28 snímků):

• StartLux- Decision- 27B: 63.88
• Jev 1.13: 57.91 (první místo)
• Rune 26B- A4B: 57.44
• Rozhodčí Chat 31B: 57.33
• AutoJev- 27B: 56.40
• StartLux- Decision- 9B: 58.639B je před Jeffem.

27B vyšší než Jev 5, 97 minut, 38 referenčních hodnot obsažených v indexu,Je tu 31 bodů.Nevím.

Ale všimněte si oficiální citace:"Kombinované skóre neznamená, že jsou všechny schopnosti silnější."Nevím. Tahle věta stojí za přečtení.

Kde vyhrát, kde prohrát.

V oblasti skóre pro Decisión Index, 27B vede ve čtyřech oblastech, ale prohrává Jev:

• Jazykové porozumění74, 5 vs Jev 62, 0 (vysoká 12, 5)
• Vyhledávání a klasifikace: 66, 8 vs 55, 4 (vysoká 11, 4)
• Nástroje a automatizace: 82, 2 vs 75, 1 (vysoká 7, 1)
• Umění a lidské preference47, 9 vs 37, 7
• Znalosti a úvahy:44, 3 vs Jev 51, 4 (později 7, 1)

Toto rozdělení je velmi ilustrativní. StartLux- Decision Strong"Pochopení podmínek, rozlišování mezi kandidáty, volba dalšího postupu"- Náhodou se jedná o tři druhy schopností, které jsou v každodenním zavádění inteligence nejvíce potřebné; není to lepší než čistě intelektuální uvažování. Takže závěr není "kdo koho drtí", ale...Výběr závisí na tom, s jakým úsudkem se vaše inteligence s největší pravděpodobností setká.Nevím.

Podobné rozdělení existuje na jednotlivé položky. Například API- Bank, která nevede, domácí aplikace čerpají z 52.3 v Jev na 77.3, a POP909 z 15.9 na 50.6. Toto jsou výsledky indexu Decisión, které byly korigovány podle náhodné výchozí hodnoty.Nelze přímo považovat za přesnost nebo úplnost původní verze základní hodnotyNevím.

Sedm veřejných testů: 91,82% průměr, málo chyb 8

Kromě Decisión Index, tým utekl ze Shanghai umělé zpravodajské laboratoře spustit Inter- Design.Sedm sad zkoušek(JevBench EASY / Original / Hard, Typed decisions, ToolaCE, AG News, WildjailBreak):

• StartLux- Decision- 27B průměrná přesnost 91.82%
• Jev 1. 13: 88. 74%
• Inter- Decisión- 4B: 90.02%

Veřejně, JevBench má 231 otázek, tři odpovědi. 208 / 199 / 201 Otázka - 27B vs. 9 více než Jeff. V nejtěžší JevBench- Hard (111 otevřených dilemat), 27B chyba 23, ve srovnání s Jev 31Otázka 8Nevím.

I zde je třeba si toho všimnout: veřejná JevBenchova 208 / 231 je jen otevřená otázka.Není to oficiální skóre utajených testů, rychlosti a nákladů.; dodatečné údaje o výcviku využily soubor otevřených školení 14 z těchto referenčních hodnot a příslušné testovací otázky byly filtrovány (oficiální označení).

Rychlost: milisekundy, všechny problémy se počítají dopředu najednou

Hodnota rozhodovacího modelu je napůl správná, napůl rychlá. V krátkém testu požadavku na kartu H200, BF16, místní HTTP,Tři otázky najednou.časově náročné:

• 0, 8B: 12, 2 ms
• 2B: 15.5 ms
• 4B: 26.0 ms
• 9B: 35.7 ms
• 27B: 102.3 ms
• 35B-A3B (MoE): 52, 5 msKaždý symbol v 35B aktivuje jen asi 3B, dvakrát rychlejší než 27B.

Když odpovíte jen na jednu otázku, 4B v průměru. 14, 7 msNevím. Optimalizace v rámci stejného modelu je více orientační pro technické zisky: 4B Graf CUDA byl 90, 3 ms, když nebyl povolen, až 26, 0 ms, když byl povolen- Více než třikrát to povýšení závisí na inženýrství. Projekt také využívá algoritmy rychlé lineární pozornosti a konsoliduje více problémů do forwardového výpočtu ke snížení dvojího volání.

Jako odkaz, Jev 1.13 o třech žádostech stejného druhu, konec služby hlášený jeho API bránou je 64, 0 msNevím. Orgány se však zdržely od připomínání:Hardware a servisní sklady se liší od jedné strany ke druhé a nemohou být použity jako základ pro závěr, že hardware je stejná rychlosta tyto milisekundy nejsou čas na dokončení celého úkolu webové stránky (jak vstupní délka, načítání stránky, provedení nástroje). Tento sebevědomý výraz je spíše důvěryhodnější částí publikace.

Pole prezentace: od provozu prohlížeče do hry

Oficiální prezentace se týkala několika směrů, jejichž jádrem je "modely pro rozhodování, prováděcí systémy pro činnost":

Prohlížeč / Web operace: Každý krok klade dvě otázky - které kontroly jsou další operací a zda je úkol splněn. Při demonstraci byl doplněn filtrační seznam pro "Koupit nejlevnější, zdarma, 8 AA baterií poslaných domů" a určení členové byli pozváni do týmu Design a zřízeni jako editor. Pozor na oficiální prohlášení:Řízené prostředíNásledující je nepřetržitý provoz.Není to stejné jako vstup zdarma na jakékoliv webové stránky., Vstupní box také doplňuje výběr prostřednictvím návrhu kandidáta.

Šachy: StartLux- Decisión-27B a Jev 1.13 soutěžit, ani vyhledávání, a kód nikdy překoná výběr modelů (Stockfish pouze čerpá hodnotící tyče). Je to jen otázka času.256, 27B, 58,4%.Nevím.

Hra: Mario (simulovat 11 kandidátských akcí nejprve, napsat výsledky do textu před výběrem), StarCraft II (položit tři otázky každých 12 sekund herní čas: co postavit, co dát přednost, co zaútočit / bránit / sbírat), DOOM (každý 4 Tic soudce cíle, oheň, pohyb), JevBall (jedna žádost o samostatnou akci pro několik hráčů v blízkosti míče). Ve stejné žíle:To není jednotný Direct Read Screen test., existují skripty pro vnímání a provedení, a model je zodpovědný pouze za část rozhodování definované rozhraní.

A je tu ještě jeden zajímavý detail - "Hanno, neviděla jsi dnes Jeffa?" V té větě je Hannah a Jeff. Systém musí soudit.Byl vyslýchán kvůli Hannah.Místo aby další herec reagoval kvůli Jeffovi. To se bere odděleně určit, zda model rozumí konverzaci nebo pouze odpovídá názvu.

Pět souborů specifikací + MoE + kvantifikované, místně rozmístěné přátelské

StartLux- Decistion poskytuje pětistupňový hutný model (0.8B / 2B / 4B / 9B / 27B), plus jeden 35B-A3B smíšený odborník (MoE)Verze. 3. října.Obrázek vstup a 256K token kontextKaždý z nich může být považován za důkaz.

Místní nasazení je zaměření: lama.cpp je k dispozici pro každou tranši GUF soubory, včetně BF16 pro zachování původní přesnosti, a dva kvantitativní formáty Q8 0, Q4 K M,15Nevím. Vezměte si příklad 4B:

• Soubory Q8 0 4.48 GBV roce 231, na JevBench s původním vpravo HeavyRozhodovací míra soudržnosti 100%(Stejná odpověď za 204)
• Q4 K M lisy 2.71 GB98,3%, ano 201

Možná byste měl věnovat zvláštní pozornost.: Kód používá Apache- 2.0, aleVzor vážení s CC BY-NC 4.0 - Výzkum a nekomerční pouze, komerční použití podléhající samostatnému povolení společnosti StartLux LabsNevím. To se liší od propagandy "plného open source", která musí být potvrzena před komercializací.

Rozhraní je kompatibilní, Jev. Pravděpodobnost lze odklonit.

Existuje chytrý design na úrovni přístupu: StartLux- Decisión s TypeSafe /v1/systemone formát rozhraní,Klient pro Jev může být použit tak, jak je, obchodní procesy zachovat aktuální 'stav plus problém' režim volání a změnit adresu služby. Rozhraní (lama.cpp load model s doprovodnými rozhodovacími službami odpovědnými za organizační otázky a možnosti čtení) je také udržováno pro nasazení.

Dalším mechanismem obav jeOdklon pravděpodobnostiVzhledem k tomu, že každý kandidát má pravděpodobnost, může systém přímo implementovat rozhodování v "validovaném rutinním scénáři"; pokud je uchazeč obtížně rozlišitelný, je v nedostatečném stavu nebo má vyšší provozní riziko, může být doplněn o další připomínky, které budou předloženy rozsáhlé modelové analýze nebo žádosti o ruční potvrzení.

Vláda také dává skutečné varování:Výstup pravděpodobnosti se nerovná skutečné úspěšnosti a práh odklonu je v souladu s kalibrací provozních dat.; platba, výmaz, oprávnění k úpravě těchto operací nadále podléhají původním pravidlům pro povolování a potvrzování - Rozhodovací model je dalším krokem k posouzení systému, nikoli k nahrazení těchto omezení.

Automatický výzkum a RSI za

Tři dny na výrobu pětistupňového modelu, záleží na StartLuxu. Automatický vývoj výzkumu potrubíPodle předchozího rozhovoru se strojovým srdcem provedla AI nejen přednastavené experimenty, ale také...Analýza selhání na základě předchozího kola, prezentace nových předpokladů, účast na rozhodování, co se podívat na dalšíZatímco cíle výzkumu, hodnotící kritéria a klíčová pravidla zůstávají otevřené.

V systémové divizi StartLux,StartLux-27B přenášet generickou funkční vrstvu, Decisión model zaměřený na vysokou frekvenci rozhodovací vrstvyA nad tím je agent a Memoory, dno je podporováno kvantifikací, uvažování systémy a hardware. Takže Decisión není izolované uvolnění, které bylo učiněno ve snaze o horká místa, ale část této architektury, která byla postavena podle plánu.

Guo Quan definoval Auto Research jako základní prvek pro dosažení RSI: Za prvé, zapojit AI do výzkumu a modelování zlepšení, pak dále požadovat "zlepšení AI, dokonce i schopnost zlepšit AI sám byl posílen". StartLux- Decision je konkrétní výsledek této linie.

A co tohle?

Dej Jeva na trůn.Čínský tým na dně agentovy úrovně rozhodnutí.Nevím. Myšlenka, že Jev přináší - pomocí specializovaného modelu, aby se na vysokou frekvenci, aby se postavila před jasný úsudek, než aby se model generace stal rozhodčím i sportovcem - se ukazuje jako skutečná potřeba. StartLux používá open source, pátou sadu specifikací, lokální nasazení a Jev kompatibilní rozhraní, aby silnice "pevnější".

Ale tři upomínky stále platí:

• Je to týmový test.Není potvrzeno na oficiálním seznamu.
• Vpřed, vpřed.Stále zaostává v intelektuálním uvažování, Jeffe. Záleží na rozdělení úkolů.
• Váha je CC BY-NC 4.0., "Full open source" pouze pro nekomerční scénáře, s reklamami povoleny samostatně

V každém případě stojí za to si připomenout, že relativně mladý tým Šanghaje, tři dny výroby pětistupňového rozhodovacího modelu a překonání současného vrcholu veřejné ráže.Agentova "úroveň úsudku" se stává nezávislou a zaslouženou technologickou tratí.

Cílem rozhodovacího modelu není nahradit velký model, ale spíše učinit méně triviálních úsudků, které by neměl.