Jev diminta untuk mengambil takhta: StartLux.

Pada tanggal 30 September, Shanghai AI, StartLux, merilis sebuah model keputusan open source. StartLux- DecisionPeluncuran pertama kali 0.8B, 2B, 4B, 9B, 27B, 5. Menurut evaluasi yang diterbitkan oleh tim, yang flagship 27B versi menerima 63.88 poin pada Indeks Keputusan 0.2.1, lebih dari Jeff 1.13 (57.91), yang pertama pada daftar.Raja baru dari keputusan-membuat model mengarah ke takhta.Aku tidak tahu.

Lebih menarik lagi adalah laju R & D:Seluruh model hanya 3 hari untuk menyelesaikan penelitian dan validasi.Aku tidak tahu. Di belakang ini adalah jalur Penelitian Otomatis yang dibangun oleh StartLux -- secara resmi, ini salah satu jalur inti mereka untuk memajukan RSI.

Mari kita mulai dengan mengatakan, ini adalah tes tim, bukan daftar resmi.

Yang satu ini harus jelas, jika tidak mudah untuk dipimpin atas judul.

Nilai StartLux adalah:Menggunakan alat evaluasi resmi dari Indeks Desión, tim sendiri-diukur terhadap daftar publik selesai pada 28 September 2026Aku tidak tahu. Dengan kata lain:

• Mereka menggunakan alat penilaian checklist dan data perbandingan hari yang sama.
• Tapi...Nilai mereka tidak ada dalam daftar resmi.Ini juga ditulis dalam artikel resmi bahwa "bukan berarti itu resmi disertifikasi".
• Ya.Nilai tertinggi di daftar publik.(2026-09-28)

Jadi jawabannya adalah:"StartLux-Decisión telah melampaui puncak daftar publik saat ini oleh tim sendiri-diukur".Aku tidak tahu. Ini tidak merendahkan - itu sendiri-diukur yang berarti kekuatan, tetapi pembaca membutuhkan skala. Semua angka di bawah ini diambil dengan premis baku dari "pengukuran diri sendiri".

Apa itu: sebuah model keputusan yang tidak menghasilkan teks?

Mulailah dengan memahami perbedaan mendasar antara StarLux Decisión dan model besar umum. Ini bukan model generasi.Jangan menulis bahasa alamAku tidak tahu.

Begitulah cara kerjanya: berikan satu.StatusTambahkan suatu grupPertanyaan- pilihan tema (satu dari beberapa pilihan), tidak, atau dinilai. Negara bisa teks, JSON atau gambar, hingga 256 K token.Mengembalikan probabilitas dari setiap pertanyaan ke setiap opsiAku tidak tahu.

Intinya adalah dalam kalimat terakhir:Tidak menghasilkan apa-apa.Aku tidak tahu. Jawabannya dibaca langsung dari surat pilihan setelah transmisi ke depan. Jadi pertanyaan singkat membutuhkan beberapa milidetik dan probabilitas dapat digunakan langsung sebagai kepercayaan diri.

Hal ini memecahkan jenis pekerjaan tertentu dalam tubuh yang cerdas:HF, jelas kandidat disetPenilaian. Sebagai contoh, perintah layanan penumpang datang - "pesanan berulang kali ditahan tapi masih menunjukkan tidak ada pembayaran" - dan informasi yang sama dapat mengajukan tiga pertanyaan pada saat yang sama: yang tim diberikan itu, apakah itu sedang diproses hari ini, dan berapa banyak dampak yang telah. Pendekatan tradisional adalah memungkinkan model generasi untuk menulis bagian itu, yang lambat dan mudah untuk menafsirkan kesalahan; satu permintaan dari StateLux-Deción dapat menyelesaikan tiga penilaian bersama-sama.

Laporan kartu: 63.88 vs. 57.91.38 dari 31 won

Perbandingan Indeks Keputusan 0.2.1 (kedua 2026-09-28 snapshot):

• StartLux-Decision- 27B: 63.88
• Jev 1.13: 57.91 (tempat pertama)
• Rune 26B- A4B: 57.44
• Decider Chat 31B: 57.33
• Autojev- 27B: 56.40
• StartLux-Decision- 9B: 58.639B berada di depan Jeff.

27B lebih tinggi dari Jev 5.97 menit, dari 38 benchmarks yang terkandung dalam indeks,Ada 31 nilai yang lebih tinggi.Aku tidak tahu.

Tapi tolong catat kutipan resmi:"Nilai gabungan tidak berarti bahwa semua kemampuan lebih kuat".Aku tidak tahu. Kalimat ini layak dibaca.

Dimana untuk menang, di mana harus kalah.

Dalam skor area untuk Indeks Desión, 27B memimpin di empat daerah, tapi kalah pada Jev:

• Pemahaman bahasa74.5 vs Jev 62.0 (tinggi 12.5)
• Cari dan klasifikasi: 66.8 vs 55.4 (tinggi 11.4)
• Perkakas dan otomatisasi: 82.2 vs 75.1 (tinggi 7.1)
• Seni dan preferensi manusia: 47.9 vs 37.7
• Pengetahuan dan alasan:44.3 vs Jev 51.4 (Kemudian 7.1)

Distribusi ini sangat ilustrasi. StartLux- Decision Strong"Memahami kondisi, membedakan antara kandidat, memilih tindakan berikutnya"- Ini terjadi untuk menjadi tiga jenis kemampuan yang paling dibutuhkan di hari-hari-to-day implementasi kecerdasan; itu tidak lebih unggul untuk murni penalaran intelektual. Jadi kesimpulannya bukan "siapa yang menghancurkan siapa", tapi...Pemilihan tergantung pada penilaian apa kecerdasan Anda kemungkinan besar untuk menghadapi.Aku tidak tahu.

Sebuah divisi serupa ada pada item individu. Misalnya, API-Bank, yang tidak memimpin, aplikasi Rumah menarik dari 52.3 di Jev ke 77.3, dan POP909 dari 15.9 ke 50.6. Ini adalah skor dari Indeks Desión yang telah dikoreksi secara acak.Tidak dapat secara langsung dianggap sebagai akurasi atau komplement dari versi asli dari baselineAku tidak tahu.

Tujuh tes publik: 91.82% rata-rata, beberapa kesalahan 8

Selain Desión Index, tim lari dari laboratorium intelijen buatan Shanghai untuk meluncurkan Inter- Desain.Tujuh set tes(JevBench EASY / Original / Hard, Typed Decisions, ToolaCE, AG News, Wildjail Break):

• Laju akurasi rata-rata Lux-Decision- 27B 91.82%
• Jev 1.13: 88.74%
• Inter- Desión-4B: 90.02%

Secara publik, JevBench memiliki 231 pertanyaan, tiga jawaban. 208 / 199 / 201 Pertanyaan - 27B vs 9 lebih dari Jeff. Dalam jevBench-Hard (111 dilema terbuka), 27B error 23, dibandingkan dengan Jev 31Pertanyaan 8Aku tidak tahu.

Di sini juga ada banyak hal yang perlu diperhatikan: masyarakat JevBench tahun 208 / 231 hanyalah pertanyaan terbuka.Ini bukan resmi skor tes rahasia, kecepatan dan biaya.; data pelatihan tambahan yang digunakan set pelatihan terbuka dari 14 benchmark ini dan pertanyaan tes terkait disaring keluar (label resmi).

Kecepatan: milidetik, semua masalah dihitung ke depan sekaligus

Nilai dari model keputusan adalah setengah benar, setengah cepat. Dalam tes singkat untuk kartu H200, BF16, HTTP lokal,Tiga pertanyaan sekaligus.waktu - konsumsi:

• 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 msSetiap token di 35B hanya mengaktifkan sekitar 3B, dua kali lebih cepat dari 27B.

Bila Anda menjawab hanya satu pertanyaan, rata-rata 4B. 14,7 mdAku tidak tahu. Optimasi dalam model yang sama lebih menunjukkan keuntungan rekayasa: 4B Grafik CUDA 90.3 ms ketika tidak diaktifkan, turun ke 26.0 ms ketika diaktifkan- Lebih dari tiga kali promosi tergantung pada rekayasa. Proyek ini juga menggunakan algoritma perhatian linear cepat dan mengkonsolidasikan beberapa masalah ke dalam perhitungan ke depan untuk mengurangi panggilan ganda.

Sebagai referensi, Jev 1.13 pada tiga permintaan dari jenis yang sama, layanan berakhir dilaporkan oleh gateway API nya adalah 64.0 mdAku tidak tahu. Namun, pihak berwenang telah menahan diri dari mengingatkan:Depot perangkat keras dan jasa bervariasi dari satu pihak ke pihak lain dan tidak dapat digunakan sebagai dasar untuk menyimpulkan bahwa perangkat keras adalah kecepatan yang samadan milidetik ini bukan waktu untuk menyelesaikan seluruh tugas halaman web (baik panjang masukan, halaman loading, alat eksekusi). Sebaliknya, ekspresi diri-terkandung ini adalah bagian yang lebih kredibel dari publikasi.

Presentasi lapangan: dari operasi peramban ke permainan

Presentasi resmi meliputi beberapa arah, dengan inti menjadi "model untuk keputusan - membuat, sistem implementasi untuk tindakan":

Operasi Peramban / Web: Setiap langkah mengajukan dua pertanyaan - yang mengontrol adalah operasi berikutnya dan apakah tugas selesai. Dalam demonstrasi, daftar penyaringan selesai untuk "Beli yang paling murah, gratis, 8 baterai AA dikirim ke rumah" dan anggota yang ditunjuk diundang ke tim Desain dan diatur sebagai Editor. Perhatian kepada pernyataan resmi:Mengendalikan lingkunganBerikut ini adalah operasi kontinyu.Ini tidak sama dengan entri gratis di website manapun., Kotak masukan juga melengkapi pemilihan melalui proposal kandidat.

Catur: StartLux-Desión-27B dan Jev 1.13 bersaing, tidak mencari, dan kode tidak pernah membanjiri seleksi model (Stockfish hanya menarik batang penilaian). Ini hanya masalah waktu.256, 27B, 58.4%.Aku tidak tahu.

Permainan: Mario (mensimulasikan 11 aksi kandidat pertama, tulis hasilnya dalam teks sebelum seleksi), StarCraft II (mengajukan tiga pertanyaan setiap 12 detik dari waktu pertandingan: apa yang akan dibuat, apa yang akan memberi prioritas untuk, apa untuk menyerang / membela / mengumpulkan), DOOM (setiap 4 Tic target hakim, kebakaran, pindah), JevBall (satu permintaan untuk aksi terpisah untuk beberapa pemain di dekat bola). Dalam vena yang sama:Ini bukan tes Layar Baca Langsung., ada skrip untuk persepsi dan eksekusi, dan model hanya bertanggung jawab untuk bagian dari decision- membuat didefinisikan oleh antarmuka.

Dan ada satu detail lagi yang menarik -- "Hanna, apa kau melihat Jeff hari ini?" Ada Hannah dan Jeff dalam kalimat itu. Sistem harus menilai.Dia telah ditanyai tentang Hannah.Alih-alih memiliki aktor lain merespon karena Jeff. Hal ini diambil secara terpisah untuk menentukan apakah model memahami percakapan atau hanya cocok dengan nama.

Lima set spesifikasi + MoE + Quantified, lokal ditempatkan ramah

StartLux-Decistion menyediakan sebuah model tebal lima tingkat (0.8B / 2B / 4B / 9B / 27B), plus satu 35B- A3B Mixed Expert (MoE)Versi. 3 Oktober.Tampilkan konteks token dan 256KMasing-masing dari mereka dapat dibaca sebagai bukti.

Penempatan lokal adalah fokus: llama.cpp tersedia untuk setiap tranche GUF Berkas, termasuk BF16 untuk mempertahankan akurasi asli, dan dua format kuantitatif Q8 0, Q4 K M,15 entri GGFAku tidak tahu. Ambil contoh 4B:

• Berkas Q8 0 4.48 GBPada 231, di JevBench dengan Heavy kanan asliKeputusan-membuat tingkat koherensi 100%(Jawaban yang sama untuk 204)
• Q4 K M menekan 2.71 GB98,3%, ya 201

Mungkin Anda harus membayar perhatian tertentu.: Kode menggunakan Apache- 2.0, tapiModel berbobot dengan CC BY-NC 4.0 - Riset dan bukan saja komersial, subyek penggunaan komersial ke otorisasi StartLux Labs terpisahAku tidak tahu. Ini berbeda dengan propaganda "sumber terbuka", yang harus dikonfirmasi sebelum komersial.

Antarmuka yang kompatibel, Jev. Probabilitas dapat dialihkan.

Ada desain cerdas di tingkat akses: StartLux-Decisión dengan TypeSafe /v1/systemone Format antarmuka,Klien untuk Jev dapat digunakan seperti itu, proses bisnis mempertahankan mode 'state plus problem' saat ini dan mengubah alamat layanan. Antar muka (model beban llama.cpp dengan keputusan yang menyertai - membuat layanan yang bertanggung jawab untuk isu organisasi dan membaca opsi) juga dipertahankan untuk penyebaran GGF.

Mekanisme perhatian lainnya adalahPengalihan kemungkinanKarena setiap kandidat memiliki probabilitas, sistem dapat secara langsung mengimplementasikan keputusan-keputusan yang dibuat dalam skenario rutin yang sah; ketika kandidat sulit untuk membedakan, dalam kondisi tidak memadai atau memiliki risiko operasional yang lebih tinggi, dapat diikuti dengan pengamatan tambahan, diajukan ke sebuah model besar analisis, atau meminta konfirmasi manual.

Pemerintah juga memberikan peringatan nyata:Keluaran probabilitas tidak sama dengan laju sukses yang sebenarnya, dan ambang batas pengalihan selaras dengan kalibrasi data operasional.; pembayaran, penghapusan, otoritas untuk mengubah operasi tersebut harus tetap tunduk pada otorisasi asli dan aturan konfirmasi - - Model keputusan adalah langkah berikutnya bagi sistem untuk menilai, bukan untuk menggantikan kendala ini.

Penelitian Otomatis dan RSI di belakang

Tiga hari untuk membuat model tahap lima, tergantung pada StartLux. Baris Pembangunan Penelitian OtomatisMenurut wawancara sebelumnya dengan jantung mesin, dalam pendekatan ini, AI tidak hanya melakukan percobaan pra-set, tapi juga...Analisis kegagalan berdasarkan putaran sebelumnya, presentasi asumsi baru, partisipasi dalam memutuskan apa yang harus dilihat pada putaran berikutnya; sedangkan tujuan penelitian, kriteria evaluasi dan aturan kunci tetap terbuka.

Dalam divisi sistem StartLux,StartLux-27B untuk membawa lapisan kapabilitas generik, Model Desión difokuskan pada lapisan keputusan frekuensi tinggiDan di atasnya adalah Agen dan Memoory, bagian bawah didukung oleh kuantifikasi, alasan sistem dan perangkat keras. Jadi Desión bukanlah rilis terisolasi yang dibuat untuk mengejar hot spot, tapi bagian dari arsitektur ini yang dibangun seperti yang direncanakan.

Guo Quan didefinisikan Auto Research sebagai elemen inti untuk mencapai RSI: Pertama, untuk melibatkan AI dalam pengembangan penelitian dan model, kemudian untuk meminta lebih lanjut "peningkatan AI, bahkan kemampuan untuk meningkatkan AI itu sendiri telah ditingkatkan". StartLux- Keputusan adalah hasil konkret dari baris ini.

Bagaimana dengan ini?

Tempatkan Jev di atas takhta.Sebuah tim Cina di bagian bawah Tingkat Keputusan Agen.Aku tidak tahu. Ide bahwa Jev membawa - menggunakan model yang didedikasikan untuk mengambil frekuensi tinggi, untuk berdiri untuk penilaian yang jelas daripada membiarkan model generasi untuk menjadi baik wasit dan atlet - terbukti dibutuhkan nyata. StartLux menggunakan sumber terbuka, seperlima spesifikasi, penyebaran lokal dan antarmuka yang kompatibel Jev untuk membuat jalan lebih "landable".

Tapi tiga pengingat masih berdiri:

• Ini tes tim.Tidak disertifikasi dalam daftar resmi.
• Semua depan, semua depan.Masih tertinggal dalam pemikiran intelektual, Jeff. Tergantung pada distribusi tugas.
• Berat adalah CC BY-NC 4.0., "full open source" hanya untuk non-komersial skenario, dengan iklan berwenang secara terpisah

Dalam hal apapun, perlu diingat bahwa tim Shanghai yang relatif muda, tiga hari membuat model keputusan tahap lima dan melampaui saat ini atas kaliber publik.Tingkat penilaian Agen menjadi jalur teknologi independen dan layak.

Model keputusan tidak dimaksudkan untuk menggantikan model besar, tapi lebih kepada mengurangi penilaian sepele yang seharusnya tidak dibuat.