Jeviä pyydettiin valtaan StartLux.

Syyskuun 30. päivänä Shanghai AI StartLux julkaisi täysin avoimen lähdekoodin päätösmallin. StartLux-päätösKerta-aloitus 0.8B, 2B, 4B, 9B, 27B, 5. Ryhmän julkaiseman arvioinnin mukaan sen lippulaiva 27B -versio sai 63,88 pistettä päätöksen indeksistä 0.2.1, enemmän kuin Jeff 1.13 (57,91), joka oli ensimmäinen listalla.Päätöksentekomallin uusi kuningas johti valtaistuimelle.En tiedä.

Mielenkiintoista on T & K:n osuus:Koko malli oli vain 3 päivää loppuun tutkimusta ja validointia.En tiedä. Tämän takana on StartLux'n rakentama Auto Research -linja. Se on yksi niiden keskeisistä väylistä RSI:n edistämiseksi.

Tämä on joukkuetesti, ei virallinen lista.

Tämän täytyy olla selvä, muuten se on helppo johtaa yli otsikko.

StartLux'n arvosanat ovat:Decisión-indeksin virallisella arviointityökalulla ryhmä mittasi itse 28. syyskuuta 2026 valmistuneen julkisen luettelon perusteella.En tiedä. Toisin sanoen:

• He käyttävät tarkistuslistan arviointityökalua ja saman päivän vertailutietoja.
• Mutta...Heidän arvosanansa eivät ole virallisella listalla.Se on kirjoitettu myös virallisessa artikkelissa, että "ei sillä, että se on virallisesti sertifioitu."
• Niin.Huippupisteet julkisella listalla.(2026- 09- 28)

Joten tarkka vastaus on:"StartLux-Decisión on ylittänyt nykyisen julkisen listan ylimmän joukkueen itsensä mittaamana."En tiedä. Se ei ole alentavaa se on itse mitattu, joka tarkoittaa voimaa, mutta lukija tarvitsee mittakaavan. Kaikki alla olevat numerot on otettu oletuksena "tiimin itsemittaus."

Mikä se on: päätöksentekomalli, joka ei tuota tekstiä?

Aloita ymmärtämällä StarLux-Decisiónin ja yleisen suuren mallin välinen perusero. Se ei ole sukupolven malli.Älä kirjoita luonnollisia kieliäEn tiedä.

Niin se toimii: anna sille yksi.TilaLisää ryhmäKysymyksetTila voi olla teksti, JSON tai kuva, jopa 256 K token.Palauttaa jokaisen kysymyksen todennäköisyyden jokaiseen vaihtoehtoonEn tiedä.

Viimeinen virke on seuraava:Se ei tuota mitään.En tiedä. Vastaus luetaan suoraan optiokirjeestä eteenpäin välityksen jälkeen. Joten lyhyt kysymys kestää muutaman millisekunnin ja todennäköisyys voidaan käyttää suoraan luottamusta.

Tämä ratkaisee tietynlaista työtä älykkään elimen:HF, tyhjä ehdokasjoukkoTuomio. Esimerkiksi matkustajapalvelutilaus tuli ... Tilaus pidätetään toistuvasti, mutta siinä ei näy maksua. Samat tiedot voivat esittää samanaikaisesti kolme kysymystä: mikä tiimi sai sen, käsitelläänkö sitä tänään ja kuinka paljon sillä on ollut vaikutusta. Perinteinen lähestymistapa on antaa sukupolvelle mahdollisuus kirjoittaa siitä osa, joka on hidas ja helppo tulkita virheitä; yksi StateLux-Decisiónin pyyntö voi täydentää kolmea tuomiota yhdessä.

Raporttikortit: 63,88 vs. 57,91,38 31 wonista

Vertailu päätöksen indeksi 0.2.1 (molemmat 2026-09-28 kuvat):

• StartLux-päätös 27B:63.88
• Jev 1.13:57.91 (ensimmäinen sija)
• Rune 26B-A4B: 57.44
• Hämähäkkichatti 31B:57.33
• AutoJev-27B: 56.40
• StartLux-päätös-9B: 58.639B on Jeffin edellä.

27B korkeampi kuin Jev 5, 97 minuuttia, indeksiin sisältyvistä 38 vertailuarvostaOn 31 korkeampia pisteitä.En tiedä.

Mutta huomioikaa virallinen lainaus:"Yhdistetty tulos ei tarkoita, että kaikki ominaisuudet ovat vahvempia."En tiedä. Tätä lausetta kannattaa lukea.

Missä voittaa, missä hävitä.

Decisión Indexin alueella 27B johtaa neljällä alueella, mutta häviää Jeville:

• Kielten ymmärtäminen74, 5 vs Jev 62, 0 (korkea 12, 5)
• Haku ja luokittelu(korkea 11, 4)
• Työkalut ja automaatio(korkea 7,1)
• Taide ja inhimilliset mieltymykset37,7
• Tieto ja päättely:44,3 vs Jev 51,4 (myöhemmin 7,1)

Jakelu on hyvin kuvaavaa. StartLux-päätöksen vahva“understanding conditions, distinguishing among candidates, choosing the next course of action”Johtopäätös ei ole "kuka murskaa kenet," mutta...Valinta riippuu siitä, millaisen arvion älykkyytesi todennäköisimmin kohtaa.En tiedä.

Samanlainen jako on olemassa yksittäisissä kohteissa. Esimerkiksi API-Bank, joka ei johda, Kotisovellukset vetää 52,3 Jev 77.3 ja POP909 15.9.50.6. Nämä ovat Decisión-indeksin pisteet, jotka on korjattu satunnaisella lähtötilanteella.Perustason alkuperäisen version tarkkuutta tai täydellisyyttä ei voitu suoraan pitääEn tiedä.

Seitsemän julkista testiä: 91,82% keskimäärin, harvat virheet 8

Decisión Indexin lisäksi ryhmä karkasi Shanghain tekoälylaboratoriosta käynnistääkseen Inter-Designin.Seitsemän testisarjaa(JevBench EASY/Original/Hard, Typed Decisions, ToolaCE, AG News, WildjailBreak):

• StartLux-päätöksen 27B keskimääräinen tarkkuusnopeus 91.82%
• Jev 1.13:88,74
• Inter-Decisión-4B: 90,02%

Julkisesti JevBenchillä on 231 kysymystä, kolme vastausta. 208 / 199 / 201 Kysymys - 27B vastaan 9 enemmän kuin Jeff. Vaikeimmassa JevBench-Hardissa (111 avointa ongelmaa), 27B virhe 23 verrattuna Jev 31:eenKysymys 8En tiedä.

Tässäkin asiassa on paljon syytä huomata: julkinen JevBench...Se ei ole virallinen piste salaisia testejä, nopeus ja kustannukset.; näiden vertailuarvojen 14 avoimessa koulutussarjassa käytetyt lisätiedot ja vastaavat testikysymykset huuhdeltiin pois (virallinen merkintä).

Nopeus: millisekuntia, kaikki ongelmat lasketaan eteenpäin kerralla

Päätösmallin arvo on puoliksi oikea, puoliksi nopea. Lyhyessä testi kortin H200, BF16, paikallisen HTTP,Kolme kysymystä kerrallaan.aikaa vievä:

• 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 msJokainen merkki 35B:ssä aktivoi vain noin 3B, kaksi kertaa 27B:tä nopeampi.

Kun vastaat vain yhteen kysymykseen, keskimäärin 4B. 14,7 msEn tiedä. Optimointi samassa mallissa on enemmän osoitus insinöörivoitoista: 4B CUDA Graph oli 90,3 ms, kun se ei ollut käytössä.- Yli kolme kertaa ylennyksen riippuu insinööri. Projekti käyttää myös nopeita lineaarisia algoritmit ja yhdistää useita kysymyksiä termiinilaskenta vähentää kaksoispuhelut.

Esimerkkinä voidaan mainita Jev 1.13, joka koskee kolmea samantapaista pyyntöä: 64,0 msEn tiedä. Viranomaiset eivät kuitenkaan ole muistuttaneet:Laitteisto- ja huoltovarastot vaihtelevat osapuolittain, eikä niitä voida käyttää perustana päätellessä, että kova laitteisto on sama nopeusja nämä millisekuntia eivät ole aika suorittaa koko web-sivun tehtävä (sekä syöttö pituus, sivun lastaus, työkalun suoritus). Tämä itsenäinen ilmaisu on pikemminkin julkaisun uskottavampi osa.

Kentän esitys: selaimen toiminnasta peliin

Virallinen esitys kattoi useita suuntaviivoja, joiden ytimenä olivat "päätöksentekomallit, täytäntöönpanojärjestelmät":

Selain/ web- toiminto: Jokainen vaihe esittää kaksi kysymystä: mikä valvonta on seuraava operaatio ja onko tehtävä suoritettu. Esittelyssä valmistui "Osta halvin, maksuton, 8 AA-paristoa" ja nimetyt jäsenet kutsuttiin Design-tiimiin ja perustettiin Editoriksi. Huomio:Valvottu ympäristöSeuraava on jatkuva operaatio.Se ei ole sama kuin vapaa pääsy sivuilla., input box myös täydentää valinta kautta ehdokas ehdotus.

Shakki: StartLux-Decisión-27B ja Jev 1.13 kilpailevat, kumpikaan haku, eikä koodi koskaan peitä mallien valintaa (Stockfish vain piirtää arviointipalkkeja). Se on vain ajan kysymys.256, 27B, 58,4%.En tiedä.

Peli: Mario (yksilöi ensin 11 ehdokasta, kirjoita tulokset tekstiin ennen valintaa), StarCraft II (esitä kolme kysymystä 12 sekunnin välein peliaikaa: mitä rakentaa, mitä antaa etusija, mitä hyökätä / puolustaa / kerätä), DOOM (kukin 4 Tic tuomari tavoitteet, tulipalo, liikkua), JevBall (yksi pyyntö erillinen toiminta useiden pelaajien lähellä pallo). Samaan laskimoon:Nämä eivät ole yhtenäinen suoralukuinen näyttötesti., on skriptejä havaintoa ja toteuttamista, ja malli on vastuussa vain osa päätöksentekoa määritelty rajapinnan.

Vielä yksi yksityiskohta on mielenkiintoinen. Siinä lauseessa on Hannah ja Jeff. Järjestelmän on arvioitava.Häntä on kuulusteltu Hannahista.Sen sijaan, että toinen näyttelijä vastaisi Jeffin takia. Se on tehty erikseen selvittää, ymmärtääkö malli keskustelua vai vain vastaa nimeä.

Viisi sarjaa teknisiä tietoja + MoE + Quantified, paikallisesti käytössä ystävällinen

StartLux-Decistion tarjoaa viiden tason tiheän mallin (0,8B / 2B / 4B / 9B / 27B), plus yhden 35B-A3B:n sekaasiantuntijaVersio. 3. lokakuuta.Kuvan syöte ja 256K token kontekstiJokainen voidaan lukea todisteeksi.

Paikallinen käyttöönotto on painopiste: laama.cpp on saatavilla kunkin erän GUF Tiedostot, mukaan lukien BF16 alkuperäisen tarkkuuden säilyttämiseksi, ja kaksi kvantitatiivista muotoa Q8 0, Q4 K M,15 GGF-merkintääEn tiedä. Ota esimerkki 4B:stä:

• Q8 0 Tiedostot 4,48 GBVuonna 231, JevBench kanssa alkuperäinen oikea HeavyPäätöksenteon johdonmukaisuus 100%(Sama vastaus 204)
• Q4 K M -puristimet 2,71 GB98,3%, kyllä 201

Ehkä teidän pitäisi kiinnittää erityistä huomiota.: Koodi käyttää apache-2.0, muttaMallipainotus CC BY-NC 4.0 - Tutkimus ja ei-kaupallinen vain, kaupallinen käyttö erillisellä StartLux Labs -valtuutuksellaEn tiedä. Tämä eroaa täysin avoimesta propagandasta, joka on vahvistettava ennen kaupallistamista.

Käyttöliittymä on yhteensopiva, Jev. Todennäköisyys voidaan kääntää.

Käytävätasolla on älykäs muotoilu: StartLux-Decisión TypeSafe /v1/systemone LiitäntämuotoJevin asiakasta voidaan käyttää sellaisenaan, liiketoimintaprosessit säilyttävät nykyisen tila plus ongelma" puhelutapa ja muuttaa palvelun osoite. GGF:n käyttöönottoa varten ylläpidetään myös käyttöliittymää (lama.cpp-kuormamalli, johon liittyy organisatorisista kysymyksistä ja luettavista vaihtoehdoista vastaavia päätöksentekopalveluja).

Toinen huolenaihe onTodennäköisyys harhautusKoska jokaisella ehdokkaalla on todennäköisyys, järjestelmä voi toteuttaa päätöksentekoa suoraan validoidussa rutiiniskenaariossa.

Hallitus antaa myös todellisen varoituksen:Todennäköisyysulostulo ei vastaa todellista onnistumisastetta, ja poikkeamakynnys on linjassa operatiivisen tiedon kalibroinnin kanssa.; maksu, poisto, valtuudet muuttaa tällaisia toimia ovat edelleen alkuperäisten valtuutus- ja vahvistussääntöjen alaisia - Päätösmalli on seuraava askel, jota järjestelmä voi arvioida eikä korvata näitä rajoituksia.

Auto Research ja RSI takana

Kolme päivää viiden vaiheen malli, riippuen StartLux. Auto Research Development Pipeline(Rakentanut toinen perustaja ja teknologiajohtaja Guo Guo Guo Jiu) Mukaan edellisen haastattelun koneen sydän, tässä lähestymistavassa, tekoäly ei vain suorittaa esiasetettuja kokeita, mutta myös...Edelliseen kierrokseen perustuvien epäonnistumisten analyysi, uusien olettamusten esittäminen, osallistuminen seuraavaan päätöksentekoonTutkimustavoitteet, arviointiperusteet ja keskeiset säännöt ovat edelleen avoimia.

StartLuxin järjestelmäjaossaStartLux-27B kantamaan yleispätevyyskerrosta, Decisión-malli keskittyy korkean taajuuden päätöskerrosJa edellä se on Agent ja Muisti, pohja tukee määrällinen, päättelyjärjestelmät ja laitteisto. Joten Decisión ei ole yksittäinen julkaisu, joka on tehty ahtaiden pisteiden perässä, vaan osa tätä arkkitehtuuria, joka on rakennettu suunnitellusti.

Guo Quan määritteli Auto Research on keskeinen elementti saavuttaa RSI: Ensinnäkin, ottaa tekoäly tutkimukseen ja mallin parannuksia, sitten edelleen pyytää parantaa tekoälyä, jopa kyky parantaa tekoälyä itse on parannettu. StartLux-päätös on tämän linjan konkreettinen tulos.

Entä tämä?

Laita Jev valtaistuimelle.Kiinalainen ryhmä agenttien päätöstason pohjalla.En tiedä. Ajatus siitä, että Jev tuo StartLux käyttää avointa lähdekoodia, viidettä erittelysarjaa, paikallista käyttöönottoa ja Jev-yhteensopivaa käyttöliittymää, jotta tie olisi helpommin laskeutuva.

Mutta kolme muistutusta on yhä voimassa:

• Se on ryhmätesti.Ei virallinen todistus.
• Kaikki eteenpäin.Se on yhä älyllistä järkeilyä jäljessä. Se riippuu tehtävien jakamisesta.
• Paino on CC BY-NC 4.0., "Täydellinen avoin lähdekoodi" ainoastaan ei-kaupallisissa skenaarioissa, joissa mainokset ovat sallittuja erikseen

Joka tapauksessa on syytä muistaa, että suhteellisen nuori Shanghain joukkue, kolme päivää viisivaiheista päätöksentekomallia ja ylittää nykyisen julkisen tason.Agentin tuomiotaso on muuttumassa itsenäiseksi ja ansaitsevaksi teknologiaksi.

Päätösmallilla ei ole tarkoitus korvata suurta mallia, vaan pikemminkin vähentää niiden vähäpätöisten päätösten määrää, joita sen ei pitäisi tehdä.