Jev ble bedt om å ta tronen: StartLux.

Den 30. september lanserte Shanghai AI, StartLux, en helt åpen kildekode. StartLux-DecisionEn engangs lansering av 0,8B, 2B, 4B, 9B, 27B, 5. I henhold til den vurdering som laget har gitt ut, fikk flaggskipet 27B-versjonen 63.88 poeng på beslutningsindeks 0.2.1, mer enn Jeff 1.13 (57.91), den første på listen.Den nye kongen av beslutningsmodellen førte til tronen.Jeg vet ikke.

Mer interessant er R & D:Hele modellen var bare 3 dager for å fullføre forskning og validering.Jeg vet ikke. Bak dette ligger Auto Research-linjen bygget av StartLux - offisielt er det en av deres kjerneveier å fremme RSI.

La oss begynne med å si at dette er en teamtest, ikke en offisiell liste.

Dette må være klart, ellers er det lett å bli ledet over tittelen.

StartLuxs karakterer er:Ved hjelp av det offisielle evalueringsverktøyet til Decisión Index, laget selvmålt mot den offentlige listeshot fullført 28. september 2026Jeg vet ikke. Med andre ord:

• De bruker kontrolllistevurderingsverktøyet og samme dags sammenligningsdata.
• Men...Deres karakterer står ikke på den offisielle listen.Det er også skrevet i den offisielle artikkelen som - ikke at det er offisielt sertifisert -
• Ja.Toppscore på den offentlige listen.(2026-09-28)

Det nøyaktige svaret er:StartStartLux-Decisión har overgått toppen av den nåværende offentlige listen av team selvmålt."Jeg vet ikke. Det er ikke demenende - det er selvmålt som betyr styrke, men leseren trenger en skala. Alle tallene nedenfor er tatt med standardpremissen of team selvmåling".

Hva er det: en beslutningsmodell som ikke genererer tekst?

Start med å forstå den grunnleggende forskjellen mellom StarLux-Decisión og den generelle store modellen. Det er ikke en generasjonsmodell.Ikke skriv naturlige språkJeg vet ikke.

Slik fungerer det: gi den.StatusLegg til en gruppeSpørsmål— utvalget av temaet (en fra flere alternativer), er ikke, eller er gradert. Tilstanden kan være tekst, JSON eller bilde, opp til 256 K polen.Returnerer sannsynligheten for hvert spørsmål til hvert alternativJeg vet ikke.

Poenget er i siste setning:Den produserer ikke noe.Jeg vet ikke. Svaret leses direkte fra alternativet brev etter en videresending. Så et kort spørsmål tar noen millisekunder og sannsynligheten kan brukes direkte som tillit.

Dette løser en bestemt type arbeid i en smart kropp:HF, klar kandidat settDommen. For eksempel kom bestillingen fra passasjertjenesten — \"Bestillingen blir gjentatte ganger tilbakeholdt, men viser fortsatt ingen betaling\" — og samme informasjon kan stille tre spørsmål samtidig: hvilket lag som ble gitt den, om den behandles i dag, og hvor mye påvirkning den har. Den tradisjonelle tilnærmingen er å tillate generasjonsmodellen å skrive et stykke av det, som er sakte og lett å tolke feil; en forespørsel fra StateLux-Decisión kan fullføre de tre dommene sammen.

Rapportkort: 63.88 vs. 57.91,38 av 31 vant

Sammenligning av beslutningsindeks 0.2.1 (begge 2026-09-28 øyeblikksbilder):

• StartLux-Decision-27B:63.88
• Jev 1.13:57.91 (førsteplass)
• Rune 26B-A4B: 57.44
• Scandic Chat 31B:57.33
• AutoJev-27B: 56.40
• StartLux-Decision-9B: 58.639B står foran Jeff.

27B høyere enn Jev 5.97 minutter, av de 38 referansene som er oppført i indeksen,Det er 31 høyere poeng.Jeg vet ikke.

Vær oppmerksom på det offisielle sitatet:" Den kombinerte scoren betyr ikke at alle evner er sterkere."Jeg vet ikke. Denne setningen er verdt å lese.

Hvor å vinne, hvor å tape.

I områdescoren for Decisión Index leder 27B i fire områder, men taper til Jev:

• Språkforståelse7.5 vs Jev 62.0 (høy 12.5)
• Søk og klassifisering:66.8 vs 55.4 (høy 11.4)
• Verktøy og automatisering:82.2 mot 75.1 (høy 7.1)
• Kunst og menneskelige preferanser:47.9 vs 37.7
• Kunnskap og resonnement:)44.3 vs Jev 51.4 (senere 7.1)

Denne distribusjonen er svært illustrativ. StartLux-Decision Sterk\"Forståelsesforhold, skille mellom kandidater, velge neste handling\"— Det skjer å være de tre typer evner som er mest nødvendig i den daglige gjennomføringen av intelligens; det er ikke overlegen rent intellektuelle resonnement. Så konklusjonen er ikke - som knuser hvem, - men...Valget avhenger av hvilken type vurdering din intelligens er mest sannsynlig å møte.Jeg vet ikke.

En lignende divisjon eksisterer på individuelle elementer. For eksempel trekker API-Bank, som ikke fører, hjemmeapplikasjoner fra 52.3 i Jev til 77.3, og POP909 fra 15,9 til 50.6. Dette er scorene på Decisión Index som er blitt korrigert ved tilfeldig baseline.Kunne ikke direkte anses som nøyaktigheten eller fullstendigheten av den opprinnelige versjonen av baselineJeg vet ikke.

7 offentlige tester: 91.82% gjennomsnittlig, få feil 8

I tillegg til Decisión Index rømte teamet fra Shanghais kunstige intelligenslaboratorium for å lansere Inter-Design.7 sett tester(JevBench Easy/Original/Hard, Typede beslutninger, ToolaCE, AG News, WildjailBreak):

• StartLux-Decision-27B gjennomsnittlig nøyaktighetsgrad 91.82%
• Jev 1.13:88.74%
• Inter-Decisión-4B: 90.02%

JevBench har 231 spørsmål, tre svar. 208 / 199 / 201 Spørsmål - 27B mot 9 mer enn Jeff. I den vanskeligste JevBench-Hard (111 åpne dilemmaer), 27B feil 23, sammenlignet med Jev 31Spørsmål 8Jeg vet ikke.

Her er det også mye å legge merke til: offentligheten JevBenchs 208/231 er bare et åpent spørsmål.Det er ikke en offisiell score på klassifiserte tester, hastighet og kostnader.Ytterligere opplæringsdata brukte det åpne treningssettet på 14 av disse referansene og de tilsvarende testspørsmålene ble filtrert ut (offisiell etikett).

Hastighet: millisekunder, alle problemer teller fremover på en gang

Verdien av beslutningsmodellen er halvparten høyre, halvparten raskt. I en kort forespørselstest for kort H200, BF16, lokal HTTP,Tre spørsmål om gangen.Tidkrevende:

• 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 bare rundt 3B, dobbelt så raskt som 27B.

Når du bare svarer på ett spørsmål, i gjennomsnitt 4B. 14.7 msJeg vet ikke. Optimasjon i samme modell er mer indikativ på ingeniørgevinster: 4B CUDA Graph var 90,3 ms når det ikke var aktivert, ned til 26.0 ms når aktivert- Mer enn tre ganger kampanjen avhenger av ingeniørfag. Prosjektet bruker også raske lineære oppmerksomhetsalgoritmer og konsoliderer flere problemer i en videreberegning for å redusere dobbeltsamtaler.

Som en referanse, Jev 1,13 på de tre forespørsler av samme type, den tjenesteende som er rapportert av dens API-gateway er 64,0 msJeg vet ikke. Men myndighetene har hindret seg i å minne:Maskinvare- og tjenestedepot varierer fra en part til en annen og kan ikke brukes som grunnlag for å konkludere med at harddisken er den samme hastighetenog disse millisekundene er ikke tiden til å fullføre hele websiden oppgaven (både inngangslengde, side lasting, verktøykjøring). Dette selvstendige uttrykket er i stedet den mer troverdige delen av publikasjonen.

Feltpresentasjon: fra nettleseroperasjon til spill

Den offisielle presentasjonen dekket flere retninger, hvor kjernen er " modeller for beslutningstaking, implementasjonssystemer for handling":

Nettleser/ Web Operasjon: Hvert steg stiller to spørsmål - hvilke kontroller er den neste operasjonen og om oppgaven er fullført. I demonstrasjonen ble filtreringslisten fullført for - Kjøp det billigste, gratis, 8 AA batterier sendt hjem - og de utpekte medlemmene ble invitert til Design teamet og satt opp som redaktør. Oppmerksomhet mot offisielle uttalelser:Kontrollert miljøFølgende er en kontinuerlig operasjon.Det er ikke det samme som gratis entry på noen nettside.Inngangsboksen fullfører også valget gjennom kandidatforslaget.

sjakk: StartLux-Decisión-27B og Jev 1.13 konkurrerer, verken søk, og koden overvelder aldri utvalget av modeller (Stockfish trekker bare vurdering bare. Det er bare et spørsmål om tid.256, 27B, 58,4 %.Jeg vet ikke.

SpillMario (simuler 11 kandidathandlinger først, skriv resultatene i tekst før utvalg), StarCraft II (spør tre spørsmål hvert 12. sekund i spilltid: hva du skal bygge, hva du skal prioritere, hva du skal angripe / defend/kolleksjon), DOOM (hver 4 Tic dommermål, brann, bevegelse), JevBall (en forespørsel om separat handling for flere spillere i nærheten av ballen). I samme vene:Dette er ikke en jevn direkte leseskjermtest., det finnes skript for oppfatning og gjennomføring, og modellen er bare ansvarlig for den delen av beslutningstaking som er definert av grensesnittet.

Og det er én detalj til som er interessant --Hanna, har du sett Jeff i dag -- Det er Hannah og Jeff i den setningen. Systemet må dømmes.Han har blitt spurt om Hannah.I stedet for å få en skuespiller til å svare på grunn av Jeff. Det tas separat for å bestemme om modellen forstår samtalen eller bare matcher navnet.

Fem sett med spesifikasjoner + MoE + Quantified, lokalt utplassert vennlig

StartLux-Decision gir en fem-tiere tettere modell (0,8B / 2B / 4B / 9B / 27B), pluss en 35B-A3B blandet ekspert (MoE)Versjon. 3. oktober.Inngang og 256K-token sammenhengHver av dem kan leses som bevis.

Lokal distribusjon er fokus: llama.cpp er tilgjengelig for hver trigger GUF Filer, inkludert BF16 for å beholde original nøyaktighet, og to kvantitative formater Q8 0, Q4 K M,15 GGF-posterJeg vet ikke. Ta eksempel på 4B:

• Q8 0 Filer 4.48 GBI 231 på JevBench med den opprinnelige høyre HeavyKonsistensrate 100%(Samme svar for 204)
• Q4 K M trykk 2.71 GB98.3%, ja 201

Kanskje du bør være spesielt oppmerksom.Kode bruker Apache-2.0, menModellvekting med CC BY-NC 4.0 - Forskning og ikke-kommersiell kun kommersiell bruk underlagt en separat StartLux Labs autorisasjonJeg vet ikke. Dette er forskjellig fra propagandaen \"full open source\", som må bekreftes før kommersialisering.

Grensesnittet er kompatibelt, Jev. Sannsynligheten kan avledes.

Det er et smart design på tilgangsnivå: StartLux-Decisión med TypeSafe /v1/systemone Grensesnittformat,Kunden for Jev kan brukes som den erForretningsprosesser opprettholder den aktuelle «tilstand pluss problem»-modusen og endrer serviceadressen. Grensesnittet (llama.cpp lastmodell med tilhørende beslutningstjenester som er ansvarlige for organisatoriske problemer og lese ut alternativer) opprettholdes også for GGF distribusjon.

En annen bekymringsmekanisme erSannsynlighetens avledningSiden hver kandidat har sannsynlighet, kan systemet direkte implementere beslutningstaking i et \"validert rutinescenario\"; når kandidaten er vanskelig å skille, er i utilstrekkelig stand eller har en høyere operasjonell risiko, kan det følges opp med ytterligere observasjoner, presentert til en stor modellanalyse, eller forespørsler om manuell bekreftelse.

Regjeringen gir også en reell advarsel:Sannsynlighetens utgang er ikke lik den virkelige suksessraten, og avledningsgrensen er tilpasset operativ datakalibrering.Betaling, sletting, myndighet til å endre slike operasjoner skal forbli underlagt de opprinnelige reglene for autorisasjon og bekreftelse - Beslutningsmodellen er det neste skritt for systemet å dømme, ikke å erstatte disse begrensningene.

Auto Research og RSI bak

Tre dager å lage en femtrinns modell, avhengig av StartLux. Auto Research Development Pipeline(Konstruert av med-grunnleggeren og CTO Guo Guo Guo Jiu) I henhold til et tidligere intervju med maskinhjertet, i denne tilnærmingen, utførte AI ikke bare forhåndsinnstilte eksperimenter, men også...Analyse av feil basert på forrige runde, presentasjon av nye antagelser, deltakelse i å bestemme hva du skal se på nesteSelv om forskningsmål, evalueringskriterier og sentrale regler forblir åpne.

I systemdelingen av StartLux,StartLux-27B å bære det generiske evnelaget, Decisión-modellen fokusert på høyfrekvente beslutningslagetOver det er Agent og Memory, bunnen støttes av kvantifisering, resonnement systemer og maskinvare. Decisión er derfor ikke en isolert utgivelse utført i jakten på varme steder, men et stykke av denne arkitekturen som ble bygget opp som planlagt.

Guo Quan definert Auto Research som kjerneelementet for å oppnå RSI: For det første å involvere AI i forskning og modellforbedringer, deretter å ytterligere be om \"forbedret AI, selv evnen til å forbedre AI selv er blitt forbedret\". StartLux-Decision er et konkret resultat av denne linjen.

Hva med dette?

Legg Jev på tronen.Et kinesisk lag på bunnen av agentens beslutningsnivå.Jeg vet ikke. Ideen om at Jev bringer - ved å bruke en dedikert modell til å ta på seg høy frekvens, å stå for en klar vurdering snarere enn å tillate generasjonsmodellen til å være både en dommer og en idrettsutøver - viser seg å være et reelt behov. StartLux bruker en åpen kilde, et femte sett med spesifikasjoner, lokal distribusjon og et Jev kompatibelt grensesnitt for å gjøre veien mer \"landbar\".

Men tre påminnelser står fortsatt:

• Det er en teamtest.Ikke sertifisert på den offisielle listen.
• Alt fremover.Det ligger fortsatt bak i intellektuell resonnement, Jeff. Det er avhengig av fordelingen av oppgaver.
• Vekten er CC BY-NC 4.0., "Full open source" kun for ikke-kommersielle scenarier, med reklamer godkjent separat

Uansett, det er verdt å huske på at et relativt ungt Shanghai-team, tre dager med å gjøre en fem-trinns beslutningsmodell og overgå den nåværende toppen av den offentlige kaliber.Agentens “dommenivå” blir et uavhengig og fortjent teknologispor.

Beslutningsmodellen er ikke ment å erstatte den store modellen, men heller å gjøre mindre av de trivielle dommene det ikke bør gjøre.