Jev blev bedt om at tage tronen: StartLux.

Den 30. september, Shanghai AI, StartLux, udgivet en fuldt open source beslutningsmodel. StartLux- beslutningEn one-time lancering af 0,8B, 2B, 4B, 9B, 27B, 5. Ifølge den evaluering, der blev offentliggjort af holdet, modtog flagskibet 27B version 63,88 point på beslutning indeks 0.2.1, mere end Jeff 1.13 (57.91), den første på listen.Den nye konge af beslutningstagningsmodellen førte til tronen.Det ved jeg ikke.

Mere interessant er F & U:Hele modellen var kun 3 dage til at fuldføre forskning og validering.Det ved jeg ikke. Bag dette er Auto Research linjen bygget af StartLux -- officielt er det en af deres centrale veje til at fremme RSI.

Lad os starte med at sige, at dette er en holdtest, ikke en officiel liste.

Denne skal være klar, ellers er det let at blive ført over titlen.

StartLux 'karakterer er:Ved hjælp af det officielle evalueringsværktøj i Decisión Index, holdet selv målt mod den offentlige liste afsluttet den 28 september 2026Det ved jeg ikke. Med andre ord:

• De bruger checkliste vurderingsværktøjet og den samme dags sammenligningsdata.
• Men...Deres karakterer er ikke på den officielle liste.Det er også skrevet i den officielle artikel, at "ikke at det er officielt certificeret".
• Ja.Top score på den offentlige liste.(2026-09- 28)

Så det nøjagtige svar er:"StartLux- Decisión har overgået toppen af den nuværende offentlige liste efter team selv-målt".Det ved jeg ikke. Det er ikke nedværdigende - det er selv-målt, der betyder styrke, men læseren har brug for en skala. Alle tal nedenfor er taget med standard forudsætning af "team selv- måling".

Hvad er det: en beslutningsmodel, der ikke skaber tekst?

Start med at forstå den grundlæggende forskel mellem StarLux- Decisión og den generelle store model. Det er ikke en generationsmodel.Skriv ikke naturlige sprogDet ved jeg ikke.

Sådan fungerer det: Giv det en.StatusTilføj en gruppeSpørgsmål- udvælgelsen af temaet (en fra flere muligheder), er ikke, eller er sorteret. Staten kan være tekst, JSON eller billede, op til 256 K token.Returnerer sandsynligheden for hvert spørgsmål til hver mulighedDet ved jeg ikke.

Pointen er i sidste sætning:Den producerer ikke noget.Det ved jeg ikke. Svaret læses direkte fra optionsbrevet efter en videresendelse. Så et kort spørgsmål tager et par millisekunder og sandsynligheden kan bruges direkte som tillid.

Dette løser en bestemt slags arbejde i en smart krop:HF, klart kandidatsætDommen. For eksempel kom ordren om passagerservice - "ordren tilbageholdes gentagne gange, men viser stadig ingen betaling" - og de samme oplysninger kan stille tre spørgsmål på samme tid: hvilket hold fik den, om den bliver behandlet i dag, og hvor meget effekt den har haft. Den traditionelle tilgang er at tillade generationsmodellen at skrive et stykke af det, som er langsom og let at fortolke fejl; en anmodning fra StateLux- Decisión kan fuldføre de tre domme sammen.

Rapportkort: 63.88 vs. 57.91,38 ud af 31 vandt

En sammenligning af beslutning indeks 0.2.1 (både 2026-09- 28 snapshots):

• StartLux- decision- 27B: 63,88
• Jev 1.13: 57.91 (første plads)
• Rune 26B- A4B: 57.44
• Decider Chat 31B: 57,33
• AutoJev- 27B: 56.40
• StartLux- decision- 9B: 58.639B er foran Jeff.

27B højere end Jev 5, 97 minutteraf de 38 benchmarks i indeksetDer er 31 højere point.Det ved jeg ikke.

Men bemærk venligst det officielle citat:"Den kombinerede score betyder ikke, at alle kapaciteter er stærkere".Det ved jeg ikke. Denne sætning er værd at læse.

Hvor man vinder, hvor man taber.

I området score for Decisión Index, 27B fører i fire områder, men taber til Jev:

• Sprogforståelse74, 5 vs Jev 62, 0 (høj 12, 5)
• Søgning og klassificering66, 8 vs 55, 4 (høj 11, 4)
• Værktøj og automatisering82, 2 vs 75, 1 (høj 7, 1)
• Kunst og menneskelige præferencer47, 9 vs 37, 7
• Viden og ræsonnement:44, 3 vs Jev 51, 4 (senere 7, 1)

Denne fordeling er meget illustrativ. StartLux- Decision Strong"Forstå betingelser, skelne mellem kandidater, vælge den næste fremgangsmåde"- Det er tilfældigvis de tre typer af kapaciteter, der er mest nødvendige i den daglige implementering af intelligens; det er ikke bedre end rent intellektuelle ræsonnement. Så konklusionen er ikke "hvem knuser hvem", men...Udvælgelsen afhænger af, hvilken slags dom din intelligens er mest tilbøjelige til at støde på.Det ved jeg ikke.

En lignende opdeling findes på enkelte poster. For eksempel, API- Bank, som ikke fører, Hjem ansøgninger trække fra 52.3 i Jev til 77.3, og POP909 fra 15.9 til 50.6. Det er de resultater af decisión Index, der er blevet korrigeret ved tilfældig baseline.Kunne ikke direkte betragtes som nøjagtigheden eller fuldstændigheden af den oprindelige version af basislinjenDet ved jeg ikke.

Syv offentlige test: 91,82% gennemsnit, få fejl 8

Ud over Decisión Index, holdet løb væk fra Shanghai 's kunstige intelligens lab til at lancere Inter- Design.Syv sæt test(JevBench EASY / Original / Hard, indtastede beslutninger, ToolaCE, AG News, WildjailBreak):

• StartLux- decision- 27B gennemsnitlig nøjagtighed 91.82%
• Jev. 1,13: 88,74%
• Inter- Decisión- 4B: 90,02%

Offentligt har JevBench 231 spørgsmål, tre svar. 208 / 199 / 201 Spørgsmål - 27B mod 9 mere end Jeff. I den sværeste JevBench- Hard (111 åbne dilemmaer), 27B fejl 23, sammenlignet med Jev 31Spørgsmål 8Det ved jeg ikke.

Her er der også meget at bemærke: den offentlige JevBench 's 208 / 231 er blot et åbent spørgsmål.Det er ikke en officiel score af hemmelige tests, hastighed og omkostninger.; yderligere træningsdata blev anvendt til det åbne træningssæt på 14 af disse benchmarks, og de tilsvarende testspørgsmål blev filtreret ud (officiel etiket).

Hastighed: millisekunder, alle problemer tælles fremad på én gang

Værdien af beslutningsmodellen er halvt højre, halvt hurtig. I en kort forespørgsel test for kort H200, BF16, lokale HTTP,Tre spørgsmål ad gangen.tidskrævende:

• 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 msHver token i 35B aktiverer kun omkring 3B, dobbelt så hurtigt som 27B.

Når du kun svarer på et spørgsmål, 4B i gennemsnit. 14, 7 msDet ved jeg ikke. Optimering inden for samme model er mere vejledende for engineering gevinster: 4B CUDA Graph var 90,3 ms, når det ikke var aktiveret, ned til 26,0 ms, når aktiveret- Mere end tre gange forfremmelse afhænger af teknik. Projektet bruger også hurtig lineær opmærksomhed algoritmer og konsoliderer flere spørgsmål til en fremadrettet beregning for at reducere dobbelt opkald.

Som reference, Jev 1.13 på de tre anmodninger af samme art, service end rapporteret af sin API gateway er 64, 0 msDet ved jeg ikke. Myndighederne har imidlertid holdt sig fra at minde om:Hardware og service depoter varierer fra den ene part til den anden og kan ikke bruges som grundlag for at konkludere, at hård hardware er den samme hastighedog disse millisekunder er ikke tid til at fuldføre hele webside opgave (både input længde, side indlæsning, værktøj udførelse). Dette selvbeherskelse er snarere den mere troværdige del af publikationen.

Felt præsentation: fra browser operation til spil

Den officielle præsentation omfattede flere retninger, hvor kernen var "modeller for beslutningstagning, gennemførelsessystemer for handling":

Browser / netoperation: Hvert trin stiller to spørgsmål - hvilke kontroller er den næste operation, og om opgaven er fuldført. I demonstrationen, filtreringslisten blev afsluttet for "Køb den billigste, gratis, 8 AA batterier sendt hjem" og de udpegede medlemmer blev inviteret til Design team og oprettet som redaktør. Opmærksomhed på officielle erklæringer:Kontrolleret miljøFølgende er en kontinuerlig operation.Det er ikke det samme som gratis adgang på nogen hjemmeside., input boksen også fuldfører udvælgelsen via kandidatforslaget.

Skak: StartLux- Decisión- 27B og Jev 1.13 konkurrere, hverken søgning, og koden aldrig overvælder udvælgelsen af modeller (Stockfish kun trækker vurdering barer). Det er bare et spørgsmål om tid.256, 27B, 58,4%.Det ved jeg ikke.

Spil: Mario (simulere 11 kandidataktioner først, skrive resultaterne i tekst før valg), StarCraft II (stille tre spørgsmål hver 12. sekund af spiltid: hvad man skal bygge, hvad man skal give prioritet til, hvad man skal angribe / forsvare / indsamle), DOOM (hver 4 Tic dommer mål, brand, flytte), JevBall (en anmodning om separat handling for flere spillere nær bolden). På samme måde:Disse er ikke en ensartet direkte læse skærm test., der er scripts for opfattelse og udførelse, og modellen er kun ansvarlig for den del af beslutningsprocessen, der er defineret af grænsefladen.

Og der er en detalje mere der er interessant -- "Hanna, har du set Jeff i dag?" Der er Hannah og Jeff i den sætning. Systemet skal dømme.Han er blevet afhørt om Hannah.I stedet for at få en anden skuespiller til at reagere på grund af Jeff. Det er taget separat for at afgøre, om modellen forstår samtalen eller kun matcher navnet.

Fem sæt specifikationer + MoE + Kvantificeret, lokalt indsat venlig

StartLux- Decision giver en fem-tier tæt model (0.8B / 2B / 4B / 9B / 27B), plus en 35B- A3B blandet ekspert (MoE)Version. 3. oktober.Billede input og 256K token kontekstHver af dem kan læses som bevis.

Lokal implementering er fokus: llama.cpp er tilgængelig for hver tranche GUF Filer, herunder BF16 at bevare original nøjagtighed, og to kvantitative formater Q8 0, Q4 K M,15 GGF- indgangeDet ved jeg ikke. Tag eksemplet med 4B:

• Q8 0 filer 4,48 GBI 231, på JevBench med den oprindelige højre HeavyBeslutningstagningsgrad 100%(Samme svar for 204)
• Q4 K M presser 2,71 GB98,3%, ja 201

Måske skulle du være særlig opmærksom.: Kode bruger Apache- 2.0, menModel vægtning med CC BY- NC 4.0 - Forskning og ikke-kommerciel kun, kommerciel brug underlagt en separat StartLux Labs godkendelseDet ved jeg ikke. Dette adskiller sig fra den "fulde open source" propaganda, som skal bekræftes før kommercialisering.

Interfacet er kompatibelt, Jev. Sandsynligheden kan omdirigeres.

Der er et smart design på adgangsniveau: StartLux- Decisión med TypeSafe /v1/systemone grænsefladeformatKlient til Jev kan bruges som det er, forretningsprocesser bevare den nuværende "tilstand plus problem" tilstand af opkald og ændre service adresse. Interfacet (Llama.cpp load model med ledsagende beslutningstagende tjenester ansvarlig for organisatoriske spørgsmål og læse ud muligheder) opretholdes også for GGF implementering.

En anden mekanisme til bekymring erSandsynlighedDa hver ansøger har en sandsynlighed, kan systemet direkte gennemføre beslutninger i et "valideret rutinescenarie"; når kandidaten er vanskelig at skelne, er i utilstrækkelig stand eller har en højere operationel risiko, kan det følges op med yderligere observationer, indsendes til en stor modelanalyse, eller anmodninger om manuel bekræftelse.

Regeringen giver også en reel advarsel:Sandsynligheden for output svarer ikke til den reelle succesrate, og afledningsgrænsen er tilpasset den operationelle datakalibrering.; betaling, sletning, bemyndigelse til at ændre sådanne transaktioner er fortsat underlagt de oprindelige godkendelses- og bekræftelsesregler - - Beslutningsmodellen er det næste skridt for systemet at dømme, ikke at erstatte disse begrænsninger.

Auto forskning og RSI bag

Tre dage til at lave en femtrinsmodel, afhængigt af StartLux. Auto Research Development Pipeline(Konstrueret af medstifter og CTO Guo Guo Jiu) Ifølge et tidligere interview med maskinen hjerte, i denne tilgang, AI ikke kun udføre præ- sæt eksperimenter, men også...Analyse af fejl baseret på den foregående runde, præsentation af nye antagelser, deltagelse i at beslutte, hvad man skal se på næste, mens forskningsmål, evalueringskriterier og nøgleregler er åbne.

I systemet division af StartLux,StartLux- 27B til at bære den generiske kapacitet lag, Decisión model fokuseret på den høje frekvens beslutningslagOg ovenover er det Agent og Memoory, bunden er understøttet af kvantificering, ræsonnement systemer og hardware. Så Decisión er ikke en isoleret udgivelse lavet i jagten på hot spots, men et stykke af denne arkitektur, der blev bygget op som planlagt.

Guo Quan defineret Auto Research som det centrale element for at opnå RSI: Først, at inddrage AI i forskning og model forbedringer, derefter til yderligere anmodning "forbedret AI, selv evnen til at forbedre AI selv er blevet forbedret". StartLuxas beslutning er et konkret resultat af denne linje.

Hvad med det her?

Sæt Jev på tronen.Et kinesisk hold på bunden af agentens beslutningsniveau.Det ved jeg ikke. Den idé, som Jev bringer - ved hjælp af en dedikeret model til at tage på høj frekvens, at stå for en klar dom i stedet for at lade generationsmodellen til at være både en dommer og en atlet - viser sig at være et reelt behov. StartLux bruger en open source, et femte sæt af specifikationer, lokal implementering og en Jev kompatibel grænseflade til at gøre vejen mere "landelig".

Men der er stadig tre påmindelser:

• Det er en holdprøve.Ikke godkendt på den officielle liste.
• Alle fremad, alle fremad.Det halter stadig bagefter i intellektuel argumentation, Jeff. Det afhænger af opgavernes fordeling.
• Vægten er CC BY- NC 4.0., "Fuld open source" kun for ikke-kommercielle scenarier, med reklamer godkendt separat

Under alle omstændigheder, er det værd at huske, at en relativt ung Shanghai team, tre dage med at gøre en femtrins beslutning model og overgå den nuværende top af den offentlige kaliber.Agent 's "dømmekraft" er ved at blive en uafhængig og fortjent teknologi spor.

Beslutningsmodellen har ikke til formål at erstatte den store model, men snarere at gøre mindre af de trivielle vurderinger, den ikke bør foretage.