Jev blev ombedd att ta tronen: StartLux.

Den 30 september släppte Shanghai AI, StartLux, en helt öppen källkodsbeslutsmodell. StartLux-beslutEn engångslansering av 0,8B, 2B, 4B, 9B, 27B, 5. Enligt den utvärdering som publicerats av laget fick dess flaggskepp 27B-version 63,88 poäng på beslutsindex 0,2.1, mer än Jeff 1.13 (57,91), den första på listan.Den nya kungen av beslutsfattande modellen ledde till tronen.Jag vet inte.

Mer intressant är R & D:s hastighet:Hela modellen var bara 3 dagar för att slutföra forskning och validering.Jag vet inte. Bakom detta är Auto Research-linjen byggd av StartLux - officiellt är det en av deras kärnvägar för att främja RSI.

Låt oss börja med att säga att detta är ett lagtest, inte en officiell lista.

Den här måste vara tydlig, annars är det lätt att ledas över titeln.

StartLuxs betyg är:Med hjälp av det officiella utvärderingsverktyget för Decisión Index mätte teamet självt mot den offentliga listrutan som slutfördes den 28 september 2026Jag vet inte. Med andra ord:

• De använder checklista bedömning verktyg och samma dag jämförelse data.
• Men...Deras betyg är inte på den officiella listan.Det är också skrivet i den officiella artikeln att "inte att det är officiellt certifierat."
• Ja.Toppresultat på den offentliga listan.(2026-09-28)

Det exakta svaret är:"StartLux-Decisión har överträffat toppen av den nuvarande offentliga listan av laget självmätig."Jag vet inte. Det är inte avtagande - det är självmätigt som betyder styrka, men läsaren behöver en skala. Alla siffror nedan tas med standardutgången för "team självmätning".

Vad är det: en beslutsmodell som inte genererar text?

Börja med att förstå den grundläggande skillnaden mellan StarLux-Decisión och den allmänna stora modellen. Det är inte en generationsmodell.Skriv inte naturliga språkJag vet inte.

Det är så det fungerar: ge det en.StatusLägg till en gruppFrågor- valet av temat (ett från flera alternativ), är inte eller betygsätts. Staten kan vara text, JSON eller bild, upp till 256 K token.Returnerar sannolikheten för varje fråga till varje alternativJag vet inte.

Poängen är i sista meningen:Det producerar ingenting.Jag vet inte. Svaret läses direkt från optionsbrevet efter en framåtsändning. Så en kort fråga tar några millisekunder och sannolikheten kan användas direkt som förtroende.

Detta löser en viss typ av arbete i en smart kropp:HF, tydlig kandidatuppsättningDomen. Exempelvis kom passagerarserviceordern - "beställningen är upprepade gånger undanhållen men visar fortfarande ingen betalning" - och samma information kan ställa tre frågor samtidigt: vilket lag fick det, oavsett om det behandlas idag och hur mycket påverkan det har haft. Det traditionella tillvägagångssättet är att låta generationsmodellen skriva en bit av den, vilket är långsamt och lätt att tolka fel, en begäran från StateLux-Decisión kan slutföra de tre domarna tillsammans.

Rapportkort: 63,88 vs 57,91,38 av 31 vann

En jämförelse av beslutsindex 0.2.1 (både 2026-09-28 ögonblicksbilder):

• StartLux-Decision-27B:63.88
• Jev 1.13:57.91 (första plats)
• Rune 26B-A4B: 57.44
• Decider Chat 31B:57.33
• AutoJev-27B: 56.40
• StartLux-Decision-9B: 58.639B ligger framför Jeff.

27B högre än Jev 5,97 minuterav de 38 riktmärken som finns i indexet,Det finns 31 högre poäng.Jag vet inte.

Observera dock det officiella citatet:"Den kombinerade poängen betyder inte att alla möjligheter är starkare."Jag vet inte. Denna mening är värd att läsa.

Var att vinna, var att förlora.

I området för Decisión Index leder 27B i fyra områden, men förlorar till Jev:

• språkförståelse74,5 vs Jev 62,0 (hög 12,5)
• Sök och klassificering66.8 vs 55.4 (hög 11.4)
• Verktyg och automation82.2 vs 75.1 (hög 7.1)
• Konst och mänskliga preferenser47.9 vs 37.7
• Kunskap och resonemangFrån:44.3 vs Jev 51.4 (Senare 7.1)

Denna distribution är mycket illustrativ. StartLux-beslut stark"förståelseförhållanden, skilja mellan kandidater, välja nästa åtgärdsförlopp"Det råkar vara de tre typer av förmågor som behövs mest i det dagliga genomförandet av intelligens; det är inte överlägset att rent intellektuellt resonemang. Så slutsatsen är inte "vem krossar vem", men...Urvalet beror på vilken typ av dom din intelligens är mest sannolikt att stöta på.Jag vet inte.

En liknande uppdelning finns på enskilda objekt. Till exempel, API-Bank, som inte leder, Home applikationer dra från 52.3 i Jev till 77.3, och POP909 från 15.9 till 50.6. Dessa är de poäng av Decisión Index som har korrigerats av slumpmässig baslinje.Kan inte direkt betraktas som noggrannhet eller fullständighet i den ursprungliga versionen av baslinjen.Jag vet inte.

Sju offentliga tester: 91,82% genomsnitt, få misstag 8

Förutom Decisión Index sprang teamet från Shanghais artificiella intelligenslabb för att starta Inter-Design.Sju uppsättningar av test(JevBench EASY/Original/Hard, Typed Decisions, ToolaCE, AG News, WildjailBreak):

• StartLux-Decision-27B genomsnittlig noggrannhet 91.82%
• Jev 1.13:88.74%
• Inter-Decisión-4B: 90,02%

JevBench har 231 frågor, tre svar. 208 / 199 / 201 Fråga: 27B mot 9 mer än Jeff. I den svåraste JevBench-Hard (111 öppna dilemma), 27B fel 23, jämfört med Jev 31Fråga 8Jag vet inte.

Här finns också mycket att märka: den offentliga JevBench 208/231 är bara en öppen fråga.Det är inte en officiell poäng av klassificerade tester, hastighet och kostnad.Ytterligare utbildningsdata använde den öppna utbildningsuppsättningen av 14 av dessa referensvärden och motsvarande testfrågor filtrerades ut (officiell etikett).

Hastighet: millisekunder, alla problem räknas framåt samtidigt

Värdet på beslutsmodellen är halvhöger, halvfasta. I ett kort förfrågningstest för kort H200, BF16, lokal HTTP,Tre frågor i taget.tidskrävande:

• 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 msVarje token i 35B aktiverar endast ca 3B, dubbelt så snabbt som 27B.

När du svarar på endast en fråga, 4B i genomsnitt. 14,7 msJag vet inte. Optimering inom samma modell är mer indikativ för ingenjörsvinster: 4B CUDA Graph var 90,3 ms när den inte var aktiverad, ner till 26,0 ms när den var aktiverad- Mer än tre gånger beror kampanjen på teknik. Projektet använder också snabba linjära uppmärksamhetsalgoritmer och konsoliderar flera problem i en framåtberäkning för att minska dubbla samtal.

Som referens, Jev 1.13 på de tre förfrågningarna av samma slag, är tjänsten slut som rapporterats av dess API-gateway. 64,0 msJag vet inte. Myndigheterna har dock hindrat sig från att påminna:Hårdvara och servicedepåer varierar från en part till en annan och kan inte användas som grund för att dra slutsatsen att hårdvara är samma hastighet.och dessa millisekunder är inte tid att slutföra hela webbsidans uppgift (både ingångslängd, sidladdning, verktygsutförande). Detta självinnehållna uttryck är snarare den mer trovärdiga delen av publikationen.

Fält presentation: från webbläsare operation till spel

Den officiella presentationen omfattade flera riktningar, med kärnan som "modeller för beslutsfattande, genomförandesystem för åtgärder":

Webbläsare/webboperationVarje steg ställer två frågor - vilka kontroller är nästa operation och om uppgiften är klar. I demonstrationen slutfördes filtreringslistan för "Köp de billigaste, gratis, 8 AA-batterier som skickades hem" och de utsedda medlemmarna bjöds in till Designteamet och sattes upp som redaktör. Uppmärksamhet till officiella uttalanden:Kontrollerad miljöFöljande är en kontinuerlig drift.Det är inte samma som gratis inträde på någon webbplats.Inmatningsrutan slutför också urvalet genom kandidatförslaget.

ChessStartLux-Decisión-27B och Jev 1.13 konkurrerar, varken sök, och koden överväldigar aldrig valet av modeller (Stockfish drar bara bedömningsstänger). Det är bara en fråga om tid.256, 27B, 58,4%.Jag vet inte.

SpelspelMario (simulera 11 kandidatåtgärder först, skriv resultaten i text före val), StarCraft II (ställ tre frågor var 12 sekunder av speltid: vad man ska bygga, vad man ska prioritera, vad man ska attackera / försvara / samla), DOOM (var 4 Tic domare mål, brand, flytt), JevBall (en begäran om separat åtgärd för flera spelare nära bollen). I samma ven:Detta är inte ett enhetligt Direct Read Screen-test.Det finns skript för uppfattning och utförande, och modellen är endast ansvarig för den del av beslutsfattandet som definieras av gränssnittet.

Och det finns en mer detaljer som är intressant - "Hanna, har du sett Jeff idag?" Det finns Hannah och Jeff i den meningen. Systemet måste döma.Han har ifrågasatts om Hannah.Istället för att få en annan skådespelare att svara på grund av Jeff. Det tas separat för att avgöra om modellen förstår konversationen eller bara matchar namnet.

Fem uppsättningar av specifikationer + MoE + Quantified, lokalt utplacerade vänliga

StartLux-Decistion ger en fem-tier tät modell (0,8B / 2B / 4B / 9B / 27B), plus en 35B-A3B blandad expert (MoE)Version. 3 oktober.Bildinmatning och 256K token kontextVar och en av dem kan läsas som bevis.

Lokal driftsättning är fokus: llama.cpp är tillgänglig för varje tranche GUF Filer, inklusive BF16 för att behålla original noggrannhet och två kvantitativa format Q8 0, Q4 K M,15 GGF-posterJag vet inte. Ta exempel på 4B:

• Q8 0 filer 4,48 GBI 231, på JevBench med den ursprungliga höger tungaBeslutsfattande koherens hastighet 100%(Samsvar för 204)
• Q4 K M pressar 2.71 GB98,3%, ja 201

Kanske bör du ägna särskild uppmärksamhet.Kod använder Apache-2.0, menModellviktning med CC BY-NC 4.0 - Forskning och icke-kommersiell endast, kommersiell användning som omfattas av en separat StartLux Labs-tillståndJag vet inte. Detta skiljer sig från propagandan "full öppen källkod", som måste bekräftas före kommersialisering.

Gränssnittet är kompatibelt, Jev. Sannolikhet kan avledas.

Det finns en smart design på åtkomstnivå: StartLux-Decisión med TypeSafe /v1/systemone Interface format,Kund för Jev kan användas som den ärAffärsprocesser behåller det aktuella läget "state plus problem" och ändrar serviceadressen. Gränssnittet (llama.cpp lastmodell med kompletterande beslutsfattande tjänster som ansvarar för organisatoriska frågor och läsning av alternativ) upprätthålls också för GGF-utplacering.

En annan mekanism av oro ärSannolikhetsavledningEftersom varje kandidat har en sannolikhet, kan systemet direkt genomföra beslutsfattande i ett "validerat rutinscenario"; när kandidaten är svår att skilja, är i otillräckligt skick eller har en högre operativ risk, kan det följas upp med ytterligare observationer, skickas till en stor modellanalys eller begäran om manuell bekräftelse.

Regeringen ger också en verklig varning:Sannolikhetsutgången motsvarar inte den verkliga framgångsgraden, och avledningsgränsen är i linje med operativ datakalibrering.; betalning, radering, befogenhet att ändra sådana verksamheter ska förbli föremål för de ursprungliga bemyndigande- och bekräftelsereglerna - Beslutsmodellen är nästa steg för systemet att döma, för att inte ersätta dessa begränsningar.

Autoforskning och RSI bakom

Tre dagar att göra en femstegsmodell, beroende på StartLux. Auto Research Development Pipeline(Constructed by co-founder and CTO Guo Guo Guo Jiu) Enligt en tidigare intervju med maskinhjärtat, i detta tillvägagångssätt, utförde AI inte bara förinställda experiment utan också...Analys av misslyckanden baserat på föregående omgång, presentation av nya antaganden, deltagande i att bestämma vad man ska titta på nästaForskningsmål, utvärderingskriterier och nyckelregler förblir öppna.

I systemdivisionen av StartLux,StartLux-27B för att bära generiska kapacitetsskiktet, Decisión-modellen fokuserad på det höga frekvensbeslutsskiktetOch ovan är det Agent och Memoory, botten stöds av kvantifiering, resonemangssystem och hårdvara. Så Decisión är inte en isolerad release gjord i jakten på heta platser, men en bit av denna arkitektur som byggdes upp som planerat.

Guo Quan definierade Auto Research som kärnelementet för att uppnå RSI: För det första, att involvera AI i forskning och modellförbättringar, sedan för att ytterligare begära "förbättrad AI, även förmågan att förbättra AI själv har förbättrats". StartLux-Decision är ett konkret resultat av denna linje.

Vad sägs om detta?

Sätt Jev på tronen.Ett kinesiskt team på botten av Agents beslutsnivå.Jag vet inte. Idén att Jev medför – med hjälp av en dedikerad modell för att ta hög frekvens, att stå för en tydlig bedömning snarare än att låta generationsmodellen vara både en domare och en idrottare – visar sig vara ett verkligt behov. StartLux använder en öppen källkod, en femte uppsättning specifikationer, lokal distribution och ett Jev-kompatibelt gränssnitt för att göra vägen mer "landable".

Men tre påminnelser står fortfarande:

• Det är ett teamtest.Inte certifierad på den officiella listan.
• Allt framåt, allt framåt.Det släpar fortfarande efter i intellektuella resonemang, Jeff. Det beror på fördelningen av uppgifter.
• Vikten är CC BY-NC 4.0.Full öppen källkod endast för icke-kommersiella scenarier, med kommersiella auktoriserade separat

I alla fall är det värt att komma ihåg att ett relativt ungt Shanghai-lag, tre dagar efter att ha gjort en femstegsbeslutsmodell och överträffat den nuvarande toppen av den offentliga kalibern.Agents "domsnivå" blir ett oberoende och förtjänt teknikspår.

Beslutsmodellen är inte avsedd att ersätta den stora modellen, utan snarare att göra mindre av de triviala domar som den inte bör göra.