जेव को सिंहासन लेने के लिए कहा गया था: स्टार्टअप।

30 सितंबर को शंघाई एआई, स्टार्टलक्स ने एक पूरी तरह से खुला स्रोत निर्णय मॉडल जारी किया। स्टार्टअप0.8B, 2B, 4B, 9B, 27B, 5 का एक बार लॉन्च। टीम द्वारा प्रकाशित मूल्यांकन के अनुसार, इसके फ्लैगशिप 27B संस्करण को निर्णय सूचकांक 0.2.1 पर 63.88 अंक प्राप्त हुए, जेफ 1.13 (57.91) से अधिक, सूची में पहला।निर्णय लेने वाले मॉडल के नए राजा ने सिंहासन का नेतृत्व किया।मुझे नहीं पता।

अधिक रोचक आर एंड डी की दर है:पूरा मॉडल अनुसंधान और सत्यापन पूरा करने के लिए केवल 3 दिन था।मुझे नहीं पता। इसके पीछे स्टार्टलक्स द्वारा निर्मित ऑटो रिसर्च लाइन है - आधिकारिक तौर पर, यह आरएसआई को आगे बढ़ाने के लिए उनके मुख्य मार्गों में से एक है।

चलो कहकर शुरू करते हैं, यह एक टीम परीक्षण है, आधिकारिक सूची नहीं है।

यह स्पष्ट होना चाहिए, अन्यथा यह शीर्षक पर नेतृत्व करना आसान है।

स्टार्टअप के ग्रेड हैं:Decisión सूचकांक के आधिकारिक मूल्यांकन उपकरण का उपयोग करते हुए, टीम ने 28 सितंबर, 2026 को पूरी की गई सार्वजनिक सूचीशॉट के खिलाफ आत्म-आपूर्ति की।मुझे नहीं पता। दूसरे शब्दों में:

• वे चेकलिस्ट मूल्यांकन उपकरण और उसी दिन के तुलना डेटा का उपयोग कर रहे हैं।
• लेकिन...उनके ग्रेड आधिकारिक सूची में नहीं हैं।यह आधिकारिक लेख में भी लिखा गया है कि "यह आधिकारिक तौर पर प्रमाणित नहीं है।
• हाँ।सार्वजनिक सूची में शीर्ष स्कोर।(2026-09-28)

इसलिए सही उत्तर है:"स्टार्टलक्स-डेसिओन ने टीम सेल्फ-माउर्ड द्वारा वर्तमान सार्वजनिक सूची के शीर्ष को पीछे छोड़ दिया है।मुझे नहीं पता। यह demeaning नहीं है - यह स्वयं मापा जाता है कि ताकत का मतलब है, लेकिन पाठक को एक पैमाने की जरूरत है। नीचे दी गई सभी संख्याओं को "टीम सेल्फ-मेश्योरमेंट" के डिफ़ॉल्ट आधार पर लिया जाता है।

यह क्या है: एक निर्णय मॉडल जो पाठ उत्पन्न नहीं करता है?

स्टारलक्स-डेसिओन और सामान्य बड़े मॉडल के बीच मूलभूत अंतर को समझने से शुरू होता है। यह एक पीढ़ी का मॉडल नहीं है।प्राकृतिक भाषाओं को न लिखेंमुझे नहीं पता।

यह कैसे काम करता है: इसे एक दें।स्थितिसमूह जोड़ेंप्रश्न- विषय का चयन (कुछ विकल्पों में से एक) नहीं है, या वर्गीकृत है। राज्य पाठ, JSON या चित्र, 256 K token तक हो सकता है।प्रत्येक विकल्प के लिए प्रत्येक प्रश्न की संभावना वापस आती हैमुझे नहीं पता।

बिंदु अंतिम वाक्य में है:यह कुछ भी नहीं है।मैं नहीं जानता हूँ। उत्तर को एक फॉरवर्ड ट्रांसमिशन के बाद विकल्प अक्षर से सीधे पढ़ा जाता है। तो एक संक्षिप्त सवाल कुछ मिलीसेकेंड लेता है और संभावना सीधे विश्वास के रूप में इस्तेमाल किया जा सकता है।

यह एक स्मार्ट बॉडी में एक विशेष प्रकार के काम को हल करता है:HF, स्पष्ट उम्मीदवार सेटनिर्णय उदाहरण के लिए, यात्री सेवा आदेश आया - "ऑर्डर को बार-बार रोक दिया जाता है लेकिन फिर भी भुगतान नहीं दिखाता" - और एक ही जानकारी एक ही समय में तीन सवाल पूछ सकती है: जो टीम को यह दिया गया था, क्या यह आज संसाधित किया जा रहा है, और इसका कितना प्रभाव पड़ा है। पारंपरिक दृष्टिकोण पीढ़ी के मॉडल को इसके एक टुकड़े लिखने की अनुमति देना है, जो त्रुटियों की व्याख्या करने में धीमा और आसान है; स्टेट लक्स-डेसिओन से एक अनुरोध तीन निर्णयों को एक साथ पूरा कर सकता है।

रिपोर्ट कार्ड: 63.88 बनाम 57.91,38 31 से बाहर जीता

निर्णय सूचकांक की तुलना 0.2.1 (दोनों 2026-09-28 स्नैपशॉट):

• StartLux-Decision-27B: 63.88
• Jev 1.13:57.91 (पहली जगह)
• रन 26B-A4B: 57.44
• 31B:57.33
• AutoJev-27B: 56.40
• StartLux-Decision-9B: 58.639B जेफ से आगे है।

27B जेव से अधिक 5.97 मिनटसूचकांक में निहित 38 बेंचमार्कों में से,31 उच्च स्कोर हैं।मुझे नहीं पता।

लेकिन कृपया आधिकारिक उद्धरण को नोट करें:"संयुक्त स्कोर का मतलब यह नहीं है कि सभी क्षमताओं मजबूत हैं।मुझे नहीं पता। यह वाक्य पढ़ने लायक है।

कहाँ जीतने के लिए, कहाँ खोना है।

Decisión सूचकांक के लिए क्षेत्र स्कोर में, 27B चार क्षेत्रों में होता है, लेकिन Jev को खो देता है:

• भाषा समझ74.5 बनाम जेव 62.0 (उच्च 12.5)
• खोज और वर्गीकरण66.8 बनाम 55.4 (उच्च 11.4)
• उपकरण और स्वचालन82.2 बनाम 75.1 (उच्च 7.1)
• कला और मानव प्राथमिकता47.9 बनाम 37.7
• ज्ञान और तर्क:44.3 बनाम जेव 51.4 (मीटर 7.1)

यह वितरण बहुत स्पष्ट है। StartLux-Decision strong"समझ की स्थिति, उम्मीदवारों के बीच अंतर, अगली कार्रवाई का चयन"- यह तीन प्रकार की क्षमताओं का होता है जो खुफिया के दिन-प्रतिदिन कार्यान्वयन में सबसे अधिक आवश्यक हैं; यह पूरी तरह से बौद्धिक तर्क से बेहतर नहीं है। इसलिए निष्कर्ष यह नहीं है कि कौन क्रशिंग कौन है?चयन इस बात पर निर्भर करता है कि किस तरह का निर्णय आपकी बुद्धि का सामना होने की संभावना है।मुझे नहीं पता।

व्यक्तिगत वस्तुओं पर समान विभाजन मौजूद है। उदाहरण के लिए, एपीआई-बैंक, जो लीड नहीं है, होम एप्लिकेशन 52.3 से जेव से 77.3 तक खींचते हैं, और 15.9 से 50.6 तक POP909। ये डेसिओन इंडेक्स के स्कोर हैं जिन्हें यादृच्छिक आधार रेखा द्वारा सही किया गया है।सीधे आधार रेखा के मूल संस्करण की सटीकता या पूर्णता के रूप में नहीं माना जा सकता हैमुझे नहीं पता।

सात सार्वजनिक परीक्षण: 91.82% औसत, कुछ गलतियों 8

डेसिओन इंडेक्स के अलावा, टीम ने इंटर-डिज़ाइन लॉन्च करने के लिए शंघाई की कृत्रिम खुफिया प्रयोगशाला से भाग लिया।परीक्षण के सात सेट(JevBench EASY/Original/Hard, टाइप निर्णय, ToolaCE, AG News, WildjailBreak)

• StartLux-Decision-27B औसत सटीकता दर 91.82%
• जीव 1.13:88.74%
• अंतर-Decisión-4B: 90.02%

सार्वजनिक रूप से, जेवबेंच में 231 प्रश्न हैं, तीन उत्तर हैं। 208 / 199 / 201 प्रश्न - 27B बनाम 9 Jeff से अधिक। सबसे कठिन JevBench-hard (111 खुला दुविधा), 27B त्रुटि 23, Jev 31 की तुलना मेंप्रश्न 8मुझे नहीं पता।

यहां भी, बहुत कुछ देखा जा सकता है: सार्वजनिक जीवनबेन्च का 208/231 सिर्फ एक खुला सवाल है।यह वर्गीकृत परीक्षणों, गति और लागत का आधिकारिक स्कोर नहीं है।अतिरिक्त प्रशिक्षण डेटा ने इन बेंचमार्कों में से 14 के खुले प्रशिक्षण सेट का इस्तेमाल किया और संबंधित परीक्षण प्रश्नों को फ़िल्टर किया गया (आधिकारिक लेबल)।

स्पीड: मिलीसेकंड, सभी समस्याओं को एक बार आगे गिना जाता है

निर्णय मॉडल का मूल्य आधे दाएं, आधे तेज़ है। कार्ड H200, BF16, स्थानीय HTTP, के लिए एक लघु अनुरोध परीक्षण मेंएक समय में तीन सवाल।समय लेने वाली:

• 0.8B:12.2 ms
• 2B:15.5 ms
• 4B: 26.0 एमएस
• 9B:35.7 ms
• 27B:102.3 ms
• 35B-A3B (MoE): 52.5 ms35B में प्रत्येक टोकन केवल 3B के बारे में सक्रिय होता है, दो बार 27B के रूप में तेजी से।

जब आप केवल एक प्रश्न का उत्तर देते हैं, तो 4B औसतन। 14.7 msमुझे नहीं पता। उसी मॉडल के भीतर अनुकूलन इंजीनियरिंग लाभ का अधिक संकेत है: 4B सीयूडीए ग्राफ 90.3 एमएस था जब इसे सक्षम नहीं किया गया था, जब सक्षम किया गया था तो 26.0 एमएस तक- तीन गुना से अधिक पदोन्नति इंजीनियरिंग पर निर्भर करती है। परियोजना त्वरित रैखिक ध्यान एल्गोरिदम का भी उपयोग करती है और डबल कॉल को कम करने के लिए कई मुद्दों को आगे की गणना में समेकित करती है।

एक संदर्भ के रूप में, उसी तरह के तीन अनुरोधों पर जेव 1.13, अपने एपीआई गेटवे द्वारा रिपोर्ट की गई सेवा अंत है 64.0 msमैं नहीं जानता हूँ। हालांकि, अधिकारियों ने खुद को याद दिलाने से रोक दिया है:हार्डवेयर और सर्विस डिपो एक पार्टी से दूसरे में भिन्न होते हैं और यह निष्कर्ष निकालने के लिए आधार के रूप में इस्तेमाल नहीं किया जा सकता कि हार्ड हार्डवेयर एक ही गति है।और इन मिलीसेकेंड पूरे वेब पेज कार्य (दोनों इनपुट लंबाई, पेज लोडिंग, टूल निष्पादन) को पूरा करने का समय नहीं है। बल्कि, यह आत्मनिर्भर अभिव्यक्ति प्रकाशन का अधिक विश्वसनीय हिस्सा है।

फील्ड प्रस्तुति: ब्राउज़र ऑपरेशन से गेम तक

आधिकारिक प्रस्तुति ने कई दिशाओं को कवर किया, जिसमें कोर "विनिश्चय बनाने के लिए मॉडल, क्रिया के लिए कार्यान्वयन प्रणाली" है:

ब्राउज़र/वेब ऑपरेशनप्रत्येक चरण दो सवाल पूछता है - जो नियंत्रण अगले ऑपरेशन हैं और क्या कार्य पूरा हो गया है। प्रदर्शन में, फ़िल्टरिंग सूची को "सबसे सस्ता, मुफ्त चार्ज खरीदें, 8 एए बैटरी ने घर भेजा" के लिए पूरा किया था और नामित सदस्यों को डिज़ाइन टीम में आमंत्रित किया गया था और संपादक के रूप में सेट किया गया था। आधिकारिक बयान पर ध्यान दें:नियंत्रित वातावरणनिम्नलिखित एक सतत संचालन है।यह किसी भी वेबसाइट पर मुफ्त प्रवेश के समान नहीं है।, इनपुट बॉक्स भी उम्मीदवार प्रस्ताव के माध्यम से चयन पूरा करता है।

शतरंज: StartLux-Decisión-27B और Jev 1.13 प्रतिस्पर्धा, न तो खोज, और कोड कभी मॉडल के चयन को अभिभूत नहीं करता (स्टॉकफ़िश केवल आकलन बार खींचती है)। यह समय की बात है।256, 27B, 58.4%।मुझे नहीं पता।

खेल: मारियो (पहले 11 उम्मीदवार कार्रवाई को अनुकरण करते हैं, चयन से पहले पाठ में परिणाम लिखते हैं), स्टारक्राफ्ट II (खेल के समय के प्रत्येक 12 सेकंड में तीन प्रश्न पूछते हैं: क्या निर्माण करना है, क्या प्राथमिकता देना है, क्या हमला / बचाव / संग्रह करना है), DOOM (प्रत्येक 4 टिक न्यायाधीश लक्ष्य, आग, चाल), JevBall (गेंद के पास कई खिलाड़ियों के लिए अलग-अलग कार्रवाई के लिए एक अनुरोध)। उसी नस में:ये एक समान डायरेक्ट रीडिंग स्क्रीन टेस्ट नहीं हैं।, धारणा और निष्पादन के लिए स्क्रिप्ट हैं, और मॉडल इंटरफ़ेस द्वारा परिभाषित निर्णय लेने के हिस्से के लिए केवल जिम्मेदार है।

और वहाँ एक और विस्तार है कि दिलचस्प है - "हन्ना, तुम आज Jeff देखा है? उस वाक्य में हन्ना और जेफ है। प्रणाली का न्याय करना पड़ता है।उन्होंने हन्ना के बारे में पूछताछ की।इसके बजाय एक अन्य अभिनेता जेफ के कारण जवाब देते हैं। यह निर्धारित करने के लिए अलग से लिया गया है कि क्या मॉडल बातचीत को समझता है या केवल नाम से मेल खाता है।

विनिर्देशों के पांच सेट + MoE + Quantified, स्थानीय रूप से तैनात दोस्ताना

StartLux-Decistion एक पांच स्तरीय घने मॉडल (0.8B / 2B / 4B / 9B / 27B) प्रदान करता है, साथ ही एक 35B-A3B मिश्रित विशेषज्ञ (MoE)संस्करण। 3 अक्टूबर।चित्र इनपुट और 256K टोकन संदर्भउनमें से प्रत्येक को सबूत के रूप में पढ़ा जा सकता है।

स्थानीय तैनाती फोकस है: llama.cpp प्रत्येक tranche के लिए उपलब्ध है जीआईएफ मूल सटीकता को बनाए रखने के लिए BF16 सहित फ़ाइलें, और दो मात्रात्मक प्रारूप Q8 0, Q4 K M,15 GGF प्रविष्टियोंमुझे नहीं पता। 4B का उदाहरण लें:

• Q8 0 फ़ाइलें 4.48 जीबी231 में, मूल सही हैवी के साथ जेवबेंच परनिर्णय लेने का प्रयास दर 100%(204) के लिए सैम जवाब
• Q4 K M प्रेस 2.71 जीबी98.3%, हाँ 201

शायद आपको विशेष ध्यान देना चाहिए।कोड अपाचे-2.0 का उपयोग करता है, लेकिनCC BY-NC 4.0 के साथ मॉडल वजन - अनुसंधान और गैर वाणिज्यिक उपयोग केवल एक अलग स्टार्टअप लैब्स प्राधिकरण के अधीनमुझे नहीं पता। यह "पूर्ण ओपन सोर्स" प्रचार से अलग है, जिसे व्यावसायिकीकरण से पहले पुष्टि की जानी चाहिए।

इंटरफ़ेस संगत है, जेव संभावना को अलग किया जा सकता है।

पहुँच स्तर पर एक स्मार्ट डिजाइन है: TypeSafe के साथ StartLux-Decisión /v1/systemone इंटरफ़ेस प्रारूप,जेव के लिए क्लाइंट का उपयोग किया जा सकता है क्योंकि यह है, व्यावसायिक प्रक्रियाएं कॉल की वर्तमान `राज्य प्लस समस्या' मोड को बरकरार रखती हैं और सेवा पते को बदल देती हैं। इंटरफ़ेस (llama.cpp लोड मॉडल जिसमें निर्णय लेने वाली सेवाओं के साथ संगठनात्मक मुद्दों और विकल्पों को पढ़ने के लिए जिम्मेदार है) जीजीएफ तैनाती के लिए भी बनाए रखा गया है।

चिंता का एक अन्य तंत्र हैProbability diversionचूंकि प्रत्येक उम्मीदवार की संभावना होती है, इसलिए यह प्रणाली सीधे "वैलिडेटेड नियमित परिदृश्य" में निर्णय लेने को लागू कर सकती है; जब उम्मीदवार को अलग करना मुश्किल होता है, तो अपर्याप्त स्थिति में होता है या इसमें उच्च परिचालन जोखिम होता है, इसके अतिरिक्त अवलोकनों के साथ पालन किया जा सकता है, जो एक बड़े मॉडल विश्लेषण के लिए प्रस्तुत किया जाता है, या मैनुअल पुष्टि के लिए अनुरोध करता है।

सरकार भी एक वास्तविक चेतावनी दे रही है:संभावना उत्पादन वास्तविक सफलता दर के बराबर नहीं है, और मोड़ सीमा को परिचालन डेटा अंशांकन के साथ संरेखित किया जाता है।इस तरह के कार्यों को संशोधित करने के लिए भुगतान, हटाने, अधिकार मूल प्राधिकरण और पुष्टि नियमों के अधीन रहेगा - निर्णय मॉडल निर्णय लेने के लिए प्रणाली के लिए अगले कदम है, इन बाधाओं को प्रतिस्थापित करने के लिए नहीं।

पीछे ऑटो रिसर्च और आरएसआई

स्टार्टअप के आधार पर पांच-चरण मॉडल बनाने के लिए तीन दिन। ऑटो रिसर्च डेवलपमेंट पाइपलाइन(सह-संस्थापक और CTO Guo Guo Guo Jiu द्वारा निर्मित) मशीन दिल के साथ एक पिछले साक्षात्कार के अनुसार, इस दृष्टिकोण में, AI ने न केवल पूर्व निर्धारित प्रयोगों को पूरा किया, बल्कि...पिछले दौर के आधार पर असफलताओं का विश्लेषण, नई धारणाओं की प्रस्तुति, निर्णय लेने में भागीदारी जो अगले दृष्टिकोण को देखने के लिएजबकि अनुसंधान उद्देश्यों, मूल्यांकन मानदंड और प्रमुख नियम खुले रहते हैं।

स्टार्टअप सिस्टम डिवीजन में,StartLux-27B जेनेरिक क्षमता परत ले जाने के लिए, Decisión मॉडल उच्च आवृत्ति निर्णय परत पर ध्यान केंद्रितइसके ऊपर एजेंट और मेमोरी है, नीचे मात्रात्मकता, तर्क प्रणाली और हार्डवेयर द्वारा समर्थित है। तो डेसिओन गर्म स्थानों की खोज में बनाई गई एक पृथक रिलीज नहीं है, लेकिन इस वास्तुकला का एक टुकड़ा जिसे योजनाबद्ध बनाया गया था।

गुओ क्वान ने आरएसआई को प्राप्त करने के लिए मुख्य तत्व के रूप में ऑटो रिसर्च को परिभाषित किया: सबसे पहले, अनुसंधान और मॉडल सुधारों में एआई को शामिल करने के लिए, फिर आगे "एआई को सुधारने की क्षमता" का अनुरोध करने के लिए। StartLux-Decision इस लाइन का एक ठोस परिणाम है।

इसके बारे में क्या?

जेव को सिंहासन पर रखो।एजेंट के फैसले स्तर के नीचे एक चीनी टीम।मुझे नहीं पता। विचार यह है कि जेव उच्च आवृत्ति पर लेने के लिए एक समर्पित मॉडल का उपयोग करते हुए, पीढ़ी के मॉडल को रेफरी और एथलीट दोनों के लिए अनुमति देने के बजाय स्पष्ट निर्णय के लिए खड़े होने के लिए - एक वास्तविक आवश्यकता साबित हो रही है। StartLux एक खुला स्रोत, विनिर्देशों का पांचवां सेट, स्थानीय तैनाती और सड़क को "भूमि" बनाने के लिए एक जेव संगत इंटरफेस का उपयोग करता है।

लेकिन तीन अनुस्मारक अभी भी खड़े हैं:

• यह एक टीम परीक्षण है।आधिकारिक सूची पर प्रमाणित नहीं है।
• सब आगे, सब आगे।यह अभी भी बौद्धिक तर्क, जेफ में पीछे है। यह कार्यों के वितरण पर निर्भर करता है।
• वजन CC BY-NC 4.0 है।केवल गैर-व्यावसायिक परिदृश्यों के लिए "पूर्ण खुला स्रोत", विज्ञापनों के साथ अलग से अधिकृत

किसी भी मामले में, यह याद रखने योग्य है कि एक अपेक्षाकृत युवा शंघाई टीम, पांच-चरण निर्णय मॉडल बनाने के तीन दिन और सार्वजनिक कैलिबर के वर्तमान शीर्ष को पीछे छोड़ देती है।एजेंट का "न्याय स्तर" एक स्वतंत्र और संरक्षित प्रौद्योगिकी ट्रैक बन रहा है।

निर्णय मॉडल का उद्देश्य बड़े मॉडल को प्रतिस्थापित नहीं करना है, बल्कि इसे कम से कम त्रियल निर्णय लेने का इरादा नहीं है।