Lui Jev i s-a cerut să ia tronul: StartLux.

Pe 30 septembrie Shanghai AI, StartLux, a lansat un model de decizie complet deschis. Decizia StartLuxO singură lansare de 0,8B, 2B, 4B, 9B, 27B, 5. Potrivit evaluării publicate de echipă, versiunea sa emblematică 27B a primit 63,88 puncte privind indicele de decizie 0.2.1, peste Jeff 1.13 (57,91), primul pe listă.Noul rege al modelului decizional a dus la tron.Nu ştiu.

Mai interesant este rata de C & D:Întregul model a fost doar 3 zile pentru a finaliza cercetarea și validarea.Nu ştiu. În spatele acestei linii este Auto Research construit de StartLux - oficial, este una dintre căile lor de bază pentru a avansa RSI.

Să începem prin a spune, acesta este un test de echipă, nu o listă oficială.

Acesta trebuie să fie clar, altfel este ușor să fii condus peste titlu.

Notele lui StartLux sunt:Folosind instrumentul oficial de evaluare a Indexului Decisión, echipa automăsurată în raport cu lista publică finalizată la 28 septembrie 2026Nu ştiu. Cu alte cuvinte:

• Folosesc instrumentul de evaluare a listei şi datele de comparaţie din aceeaşi zi.
• Dar...Notele lor nu sunt pe lista oficială.Este, de asemenea, scris în articolul oficial că "nu că este oficial certificat."
• Da.Top scor pe lista publică.(2026- 09-28)

Deci răspunsul exact este:"StartLux-Decisión a depăşit partea de sus a listei publice actuale prin automăsurarea echipei."Nu ştiu. Nu este înjositor, este auto-măsurat care înseamnă putere, dar cititorul are nevoie de o scară. Toate numerele de mai jos sunt luate cu premisa implicită a "echipei de auto-măsurare."

Ce este: un model de decizie care nu generează text?

Începe prin a înțelege diferența fundamentală dintre StarLux-Decisión și modelul general larg. Nu e un model de generaţie.Nu scrie limbi naturaleNu ştiu.

Aşa funcţionează: dă-i una.StareAdaugă un grupÎntrebăriStatul poate fi text, JSON sau imagine, până la 256 K token.DescriptionNu ştiu.

Ideea este în ultima teză:Nu produce nimic.Nu ştiu. Răspunsul se citește direct din scrisoarea de opțiune după o transmitere în avans. Deci o întrebare scurtă durează câteva milisecunde şi probabilitatea poate fi folosită direct ca încredere.

Acest lucru rezolvă un anumit tip de muncă într-un organism inteligent:HF, set clar candidatJudecata. De exemplu, ordinul de serviciu pentru pasageri a venit Abordarea tradiţională este aceea de a permite modelului de generaţie să scrie o piesă din ea, care este lentă şi uşor de interpretat erorile; o cerere din partea StateLux-Decisión poate completa împreună cele trei hotărâri.

Carduri de raportare: 63.88 vs 57.91,38 din 31 won

O comparație a indicelui Deciziei 0.2.1 (ambele 2026-09-28 instantanee):

• StartLux-Decizie-27B:63.88
• Jev 1.13:57.91 (primul loc)
• Rune 26B-A4B: 57.44
• Decider Chat 31B:57.33
• AutoJev-27B: 56.40
• StartLux-Decizie-9B: 58.639B e înaintea lui Jeff.

27B mai mare decât Jev 5,97 minute, din cele 38 de criterii de referință cuprinse în indice;Există 31 de scoruri mai mari.Nu ştiu.

Dar vă rugăm să rețineți citatul oficial:"Scorul combinat nu înseamnă că toate capacitățile sunt mai puternice."Nu ştiu. Această frază merită citită.

Unde să câştigi, unde să pierzi.

În zona scor pentru Decisión Index, 27B conduce în patru domenii, dar pierde la Jev:

• Înțelegerea limbii74, 5 vs Jev 62, 0 (ridicat 12, 5)
• Căutare și clasificare(ridicat 11,4)
• Unelte și automatizare:82.2 vs 75.1 (ridicat 7.1)
• Artă și preferințe umane:47,9 vs 37,7
• Cunoștințe și raționamente:44,3 vs Jev 51,4 (mai târziu 7.1)

Această distribuție este foarte ilustrativă. StartLux-Decizie puternică“understanding conditions, distinguishing among candidates, choosing the next course of action”Se întâmplă să fie cele trei tipuri de capacități care sunt cele mai necesare în implementarea de zi cu zi a inteligenței; nu este superior raționamentului pur intelectual. Deci, concluzia nu este "cine este strivire care," dar ...Selectia depinde de ce fel de judecata inteligenta este cel mai probabil pentru a întâlni.Nu ştiu.

Există o diviziune similară pe elemente individuale. De exemplu, API-Bank, care nu conduce, Acasă aplicații trage de la 52.3 în Jev la 77.3, și POP909 de la 15.9 la 50.6. Acestea sunt scorurile indicelui de Decisión care au fost corectate prin valori iniţiale aleatorii.Nu a putut fi considerată în mod direct ca fiind exactitatea sau caracterul complet al versiunii originale a liniei de referințăNu ştiu.

Șapte teste publice: 91,82% medie, puține greșeli 8

În plus față de Decisión Index, echipa a fugit de la laboratorul de informații artificiale Shanghai pentru a lansa Inter-Design.Șapte seturi de teste(JevBench EASY/Original/Hard, Typed Decisions, ToolaCE, AG News, WildjailBreak):

• StartLux-Decizie-27B rata medie de precizie 91.82%
• Jev 1.13:88,74%
• Inter-Decisión-4B: 90,02%

În public, JevBench are 231 de întrebări, trei răspunsuri. 208 / 199 / 201 Întrebare - 27B vs. 9 mai mult decât Jeff. În cel mai greu JevBench-Hard (111 dileme deschise), eroare 27B 23, comparativ cu Jev 31Întrebarea 8Nu ştiu.

Aici, de asemenea, există o mulțime de a fi observat: publicul JevBenchNu este un scor oficial de teste clasificate, viteza și costul.; au fost filtrate datele suplimentare de instruire utilizate setul deschis de 14 dintre aceste criterii de referință și întrebările de testare corespunzătoare (etichetă oficială).

Viteză: milisecunde, toate problemele au fost luate în considerare simultan

Valoarea modelului de decizie este jumătate dreapta, jumătate rapidă. Într-o scurtă încercare de cerere pentru cardul H200, BF16, HTTP local,Trei întrebări la un moment dat.consumatoare de timp:

• 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 msFiecare jeton din 35B activează doar aproximativ 3B, de două ori mai repede decât 27B.

Când răspunzi la o singură întrebare, 4B în medie. 14, 7 msNu ştiu. Optimizarea în cadrul aceluiași model este mai mult indicativ de câștiguri de inginerie: 4B Graficul CUDA a fost 90,3 ms atunci când nu a fost activat, până la 26,0 ms atunci când a fost activat- Mai mult de trei ori promovarea depinde de inginerie. Proiectul utilizează, de asemenea, algoritmi de atenție liniară rapidă și consolidează mai multe probleme într-un calcul înainte pentru a reduce apelurile duble.

Ca referință, Jev 1.13 privind cele trei cereri de același tip, sfârșitul serviciului raportat de poarta sa API este 64,0 msNu ştiu. Cu toate acestea, autoritățile s-au împiedicat să reamintească:Depozitele de hardware și service variază de la o parte la alta și nu pot fi utilizate ca bază pentru a concluziona că hardware-ul dur este aceeași vitezăși aceste milisecunde nu sunt timpul pentru a finaliza întreaga sarcină de pagină web (ambele lungimea de intrare, încărcarea paginii, executarea instrumentelor). Mai degrabă, această expresie autonomă este partea mai credibilă a publicaţiei.

Prezentare pe teren: de la operare browser la joc

Prezentarea oficială a vizat mai multe direcții, nucleul fiind "modele pentru luarea deciziilor, sisteme de implementare a acțiunilor":

Navigator/ Operațiune web: Fiecare pas pune două întrebări În demonstrație, lista de filtrare a fost completată pentru "Cumpărați cele mai ieftine, gratuite, 8 baterii AA trimise acasă" și membrii desemnați au fost invitați la echipa Design și înființat ca editor. Atenţie la declaraţiile oficiale:Mediu controlatUrmătoarea este o operațiune continuă.Nu e la fel ca intrarea liberă pe orice site., caseta de intrare completează, de asemenea, selecția prin propunerea candidatului.

Șah: StartLux-Decisión-27B și Jev 1.13 concura, nici de căutare, iar codul nu copleșește niciodată selectarea de modele (Stockfish atrage doar bare de evaluare). E doar o chestiune de timp.256, 27B, 58,4%.Nu ştiu.

Joc: Mario (simulează 11 acțiuni candidate în primul rând, scrie rezultatele în text înainte de selecție), StarCraft II (pune trei întrebări la fiecare 12 secunde de timp de joc: ce să construiască, ce să dea prioritate, ce să atace/apărare/colecteze), DOOM (fiecare 4 ținte Tic judecător, foc, mișcare), JevBall (o cerere de acțiune separată pentru mai mulți jucători în apropierea mingii). În aceeaşi venă:Acestea nu sunt un test uniform de citire directă., există scripturi pentru percepție și execuție, iar modelul este responsabil doar pentru partea de luare a deciziilor definite de interfață.

Şi mai e un detaliu interesant: "Hanna, l-ai văzut pe Jeff azi?" Sunt Hannah şi Jeff în propoziţia aia. Sistemul trebuie să judece.A fost interogat despre Hannah.În loc să aibă un alt actor răspunde din cauza lui Jeff. Este luat separat pentru a determina dacă modelul înțelege conversația sau doar se potrivește cu numele.

Cinci seturi de specificații + MOE + Quantifiate, local utilizate prietenos

StartLux-Decizie oferă un model dens pe cinci niveluri (0,8B / 2B / 4B / 9B / 27B), plus unul Expert mixt 35B-A3B (MoE)Versiune. 3 octombrie.Intrare imagine și context jeton 256KFiecare dintre ele poate fi citită ca dovadă.

Desfășurarea locală se concentrează asupra: lama.cpp este disponibil pentru fiecare tranșă GUF fișiere, inclusiv BF16 pentru a menține acuratețea originală și două formate cantitative Q8 0, Q4 K M;15 intrări GGFNu ştiu. Să luăm exemplul lui 4B:

• Q8 0 Fișiere 4, 48 GBÎn 231, pe JevBench cu dreapta originală HeavyRata coerenței decizionale 100%(Același răspuns pentru 204)
• Presă Q4 K M 2, 71 GB98,3%, da 201

Poate ar trebui să acorde o atenție deosebită.: Codul folosește Apache-2.0, darPonderare model cu CC BY-NC 4.0 - Cercetare și numai non-comercială, utilizare comercială supusă unei autorizații separate StartLux LabsNu ştiu. Acest lucru este diferit de propaganda open source complet, care trebuie să fie confirmată înainte de comercializare.

Interfaţa este compatibilă, Jev. Probabilitatea poate fi deviată.

Există un design inteligent la nivelul de acces: StartLux-Decisión cu TypeSafe /v1/systemone Formatul interfeței;Clientul lui Jev poate fi folosit asa cum este, procesele de business păstrează modul de apelare actual "stat plus problemă" și schimbă adresa de serviciu. Interfața (modelul de încărcare lama.cpp cu servicii de luare a deciziilor de însoțire responsabile cu aspectele organizatorice și cu opțiunile de citire) este, de asemenea, menținută pentru implementarea GGF.

Un alt mecanism de îngrijorare esteDeviația probabilitățiiDeoarece fiecare candidat are o probabilitate, sistemul poate pune direct în aplicare luarea deciziilor într-un scenariu de rutină

Guvernul dă de asemenea un avertisment real:Probabilitatea de ieșire nu este egală cu rata reală de succes, iar pragul de deviere este aliniat cu calibrarea datelor operaționale.; plata, ştergerea, autoritatea de modificare a acestor operaţiuni rămâne supusă regulilor iniţiale de autorizare şi confirmare - - Modelul de decizie este următorul pas pentru ca sistemul să judece, nu să înlocuiască aceste constrângeri.

Cercetare Auto și RSI în spatele

Trei zile pentru a face un model de cinci etape, în funcție de StartLux. Conductă de dezvoltare a cercetării autoPotrivit unui interviu anterior cu inima mașinii, în această abordare, AI nu numai că a efectuat experimente pre-setate, dar și...Analiza eșecurilor bazate pe runda precedentă, prezentarea de noi ipoteze, participarea la decizia de a vedea ce urmează; în timp ce obiectivele cercetării, criteriile de evaluare și normele-cheie rămân deschise.

În diviziunea sistemului StartLux,StartLux-27B pentru a transporta stratul de capacitate generică, model Decisión axat pe stratul de decizie de înaltă frecvențăŞi deasupra este Agent şi Memoory, partea de jos este susţinută de cuantificare, sisteme de raţionament şi hardware. Deci, Decisión nu este o eliberare izolată făcută în căutarea de puncte fierbinți, ci o piesă a acestei arhitecturi care a fost construită conform planului.

Guo Quan a definit Auto Research ca fiind elementul de bază pentru realizarea RSI: În primul rând, pentru a implica AI în cercetare și îmbunătățiri de model, apoi pentru a solicita în continuare StartLux-Decizie este un rezultat concret al acestei linii.

Ce zici de asta?

Pune-l pe Jev pe tron.O echipă chineză la nivelul de decizie al agentului.Nu ştiu. Ideea că Jev aduce StartLux utilizează o sursă deschisă, un al cincilea set de specificații, implementarea locală și o interfață compatibilă cu Jev pentru a face drumul mai accesibil.

Dar încă mai există trei amintiri:

• E un test de echipă.Nu sunt certificate pe lista oficială.
• Cu toată viteza înainte.Încă rămâne în urmă cu raţionamentul intelectual, Jeff. Depinde de distribuirea sarcinilor.
• Greutatea este CC BY-NC 4.0., "Full open source" numai pentru scenarii necomerciale, cu reclame autorizate separat

În orice caz, merită să ne amintim că o echipă relativ tânără din Shanghai, de trei zile de a lua o decizie în cinci etape și de a depăși actualul vârf al calibrului public.Nivelul de evaluare a agentului este de a deveni o pistă de tehnologie independentă și merituoasă.

Modelul de decizie nu este destinat să înlocuiască modelul mare, ci mai degrabă să facă mai puțin din judecățile banale pe care nu ar trebui să le facă.