Jev 被請下王座：StartLux 中國開源決策模型衝上第一，3 天做出五檔規格

9 月 30 日，上海 AI 公司 StartLux（原點星輝）發佈了完全開源的決策模型 StartLux-Decision，一次性推出 0.8B、2B、4B、9B、27B 五檔版本。按團隊公佈的評測，它的旗艦 27B 版本在 Decision Index 0.2.1 上拿到 63.88 分，超過此前榜單第一的 Jev 1.13（57.91），把這位決策模型賽道的新王請下了王座。

更有意思的是研發速度：整個模型只用了 3 天完成研發與驗證。這背後是 StartLux 自建的 Auto Research 研發管線——按官方說法，這是他們推進 RSI（遞歸式自我改進）的核心路徑之一。

先把話說在前面：這是”團隊自測”，不是官方上榜

這條必須講清楚，否則容易被標題帶偏。

StartLux 的成績是用 Decision Index 的官方評測工具、對照 2026 年 9 月 28 日的公開榜單快照完成的團隊自測。換句話說：

• 他們用的是榜單的評測工具和同一天的對照數據，方法上是講得通的
• 但他們的成績本身還沒有登上官方榜單，官方文章裏也明確寫了”不表示已獲官方上榜認證”
• 對照的 Jev 1.13 是公開榜單上的最高分（2026-09-28 快照）

所以準確的說法是：“按團隊自測，StartLux-Decision 已經超過了當前公開榜單的榜首”。這不是貶低——能自測出這個分數本身就說明實力，但讀者心裏要有一杆秤。下文所有數字，都請默認帶着”團隊自測”這個前提來看。

它到底是什麼：一個”不生成文本”的決策模型

理解 StartLux-Decision，先要理解它和普通大模型的根本區別。它不是生成式模型，不寫自然語言。

用法是這樣：你給它一個狀態（state）加一組問題（questions）——選擇題（從幾個選項裏挑一個）、是非題、或等級評分。狀態可以是文本、JSON 或圖片，最長 256K token。每個問題返回每個選項的概率。

關鍵在最後一句：它什麼都不生成。答案是在一次前向傳播（forward pass）之後，直接從選項字母上讀出來的。所以一個短問題只要幾毫秒，而且概率可以直接當置信度用。

這解決的是智能體裏一類特定的活兒：高頻、候選集明確的判斷。比如客服工單來了——”訂單被重複扣費但仍顯示未支付”——同一條信息可以同時問三個問題：交給哪個團隊、今天要不要處理、影響多嚴重。傳統做法是讓生成式模型寫一段話再解析，又慢又容易解析出錯；StartLux-Decision 一次請求就能把三個判斷一起做完。

成績單：63.88 對 57.91，38 項裏贏 31 項

Decision Index 0.2.1 的對比（均爲 2026-09-28 快照口徑）：

• StartLux-Decision-27B：63.88
• Jev 1.13：57.91（榜首）
• Rune 26B-A4B：57.44
• Decider chat 31B：57.33
• AutoJev-27B：56.40
• StartLux-Decision-9B：58.63——9B 也超過了 Jev

27B 比 Jev 高 5.97 分，在指數包含的 38 項基準裏，有 31 項得分更高。

但請注意官方自己點出的一句話：“綜合得分領先不等於所有能力都更強”。這句話值得展開看。

贏在哪，輸在哪：分領域看更清楚

Decision Index 的領域得分裏，27B 在四個領域全面領先，但在”知識與推理”上輸給了 Jev：

• 語言理解：74.5 vs Jev 62.0（高 12.5）
• 檢索與分類：66.8 vs 55.4（高 11.4）
• 工具與自動化：82.2 vs 75.1（高 7.1）
• 藝術與人類偏好：47.9 vs 37.7
• 知識與推理：44.3 vs Jev 51.4（落後 7.1）

這個分佈很能說明問題。StartLux-Decision 強在“理解條件、在候選裏區分、選下一步操作”——恰好是智能體日常執行最需要的三類能力；而它在純知識推理上不佔優。所以結論不是”誰全面碾壓誰”，而是選型要看你的智能體最常遇到哪種判斷。

單項上也有類似的分化。比如 API-Bank 它沒領先，Home appliances 卻從 Jev 的 52.3 拉到 77.3，POP909 從 15.9 拉到 50.6。官方特別提醒：這些是 Decision Index 經隨機基線校正的分數，不能直接當作各基準原版的準確率或完整 Agent 成功率。

七套公開測試：平均 91.82%，難題少錯 8 道

除了 Decision Index，團隊還跑了上海人工智能實驗室發佈 Intern-Decision 時採用的七套測試（JevBench Easy/Original/Hard、Typed Decisions、ToolACE、AG News、WildJailBreak）：

• StartLux-Decision-27B 平均準確率 91.82%
• Jev 1.13：88.74%
• Intern-Decision-4B：90.02%

公開 JevBench 共 231 題，三者分別答對 208 / 199 / 201 題——27B 比 Jev 多對 9 題。在最難的 JevBench-Hard（111 道公開難題）裏，27B 錯 23 題，比 Jev 的 31 題少錯 8 題。

這裏同樣有口徑要留意：公開 JevBench 的 208/231 只是公開題，不是包含保密測試、速度與成本的官方總分；另外訓練數據用了其中 14 項基準的公開訓練集，對應的測試題已被過濾掉（官方用 † 標註）。

速度：毫秒級，一次前向算完所有問題

決策模型的價值一半在準，一半在快。單卡 H200、BF16、本地 HTTP 的短請求測試中，一次回答三個問題的耗時：

• 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 ms——35B 裏每 token 只激活約 3B，反而比 27B 快一倍

只回答一個是非題時，4B 平均只要 14.7 ms。而同一模型內部的優化更能說明工程收益：4B 未啓用 CUDA Graph 時是 90.3 ms，啓用後降到 26.0 ms——三倍多的提升全靠工程。項目還用了快速線性注意力算子，並把多個問題合併到一次前向計算，減少重複調用。

作爲參照，Jev 1.13 在同類三問題請求上，其 API 網關報告的服務端耗時是 64.0 ms。但官方很剋制地提醒：雙方硬件和服務棧不同，不能據此得出嚴格的同硬件倍速結論，而且這些毫秒數也不是整項網頁任務的完成時間（輸入長度、頁面加載、工具執行都會影響）。這種自我設限的表述，反而是這篇發佈裏可信度較高的部分。

實戰演示：從瀏覽器操作到打遊戲

官方放出的演示覆蓋了好幾個方向，核心都是”模型做決策、執行系統做動作”：

瀏覽器/網頁操作：每一步問兩個問題——下一個操作哪個控件、任務是否完成。演示裏完成了”買最便宜、免運費、8 節裝 AA 電池寄到家”的篩選下單，以及把指定成員邀請進 Design 團隊並設爲 Editor。注意官方聲明：這些是受控環境下的連續操作，不等同於任意網站的自由輸入能力，輸入框也是通過候選建議項完成選擇的。

國際象棋：StartLux-Decision-27B 與 Jev 1.13 對弈，雙方都不搜索，代碼也從不覆蓋模型的選擇（Stockfish 只畫評估條）。按倉庫說明，256 局比賽裏 27B 得分率 58.4%。

遊戲：Mario（先模擬 11 種候選動作、把結果寫成文字再選）、StarCraft II（每 12 秒遊戲時間問三個問題：造什麼、優先出什麼兵、進攻/防守/採集）、DOOM（每 4 個 tic 判斷目標、開火、移動）、JevBall（一次請求爲球附近多名球員分別選動作）。官方同樣說明：這些不是統一的”直接讀屏”測試，感知與執行各有腳本承擔，模型只負責接口定義的那部分決策。

還有一個細節演示挺有意思——”漢娜，你今天見過傑夫嗎？”這句話裏同時出現漢娜和傑夫，系統要判斷被詢問的對象是漢娜，而不是因爲出現”傑夫”就讓另一個角色回應。把它單獨拎出來測，才能分清模型是在理解對話、還是隻在匹配名字。

五檔規格 + MoE + 量化，本地部署友好

StartLux-Decision 提供五檔稠密模型（0.8B / 2B / 4B / 9B / 27B），外加一個 35B-A3B 的混合專家（MoE）版本。10 月 3 日又補上了圖片輸入和 256K token 上下文，每一檔都能把圖片作爲證據讀入。

本地部署是重點：每檔都提供面向 llama.cpp 的 GGUF 文件，包括保留原精度的 BF16，以及 Q8_0、Q4_K_M 兩種量化格式，共 15 個 GGUF 條目。以 4B 爲例：

• Q8_0 文件 4.48 GB，在 231 道公開 JevBench 上與原權重決策一致率 100%（同樣答對 204 題）
• Q4_K_M 壓到 2.71 GB，一致率 98.3%，答對 201 題

許可要特別注意：代碼採用 Apache-2.0，但模型權重採用 CC BY-NC 4.0——僅限研究和非商業用途，商業使用需另行取得 StartLux Labs 授權。這一點跟”完全開源”的宣傳口徑是有區別的，商用前務必確認。

接口兼容 Jev，概率可做分流

接入層面有個很聰明的設計：StartLux-Decision 採用 TypeSafe 的 /v1/systemone 接口格式，爲 Jev 寫的客戶端可以原樣使用，業務程序保留現有的”狀態+問題”調用方式、改一下服務地址就行。GGUF 部署也保留這套接口（llama.cpp 承載模型，配套決策服務負責組織問題並讀出選項）。

另一個值得關注的機制是概率分流：因爲每個候選項都有概率，系統可以在”經過驗證的常規場景”裏直接執行決策；當候選項難以區分、狀態不充分或操作風險較高時，再補充觀察、交給大模型分析，或者請求人工確認。

官方也提醒得挺實在：概率輸出不等於真實成功率，分流閾值要結合業務數據校準；支付、刪除、權限修改這類操作仍應遵守原有授權與確認規則——決策模型是幫系統判斷下一步，不是替代這些約束。

背後的 Auto Research 與 RSI

3 天做出五檔模型，靠的是 StartLux 的 Auto Research 研發管線（由聯合創始人兼 CTO 郭權瑋帶隊建設）。按機器之心此前的專訪介紹，這套方法裏 AI 不只執行預設實驗，還會根據上一輪結果分析失敗、提出新假設、參與決定下一步研究什麼；而研究目標、評價標準和關鍵規則仍由人把關。

在 StartLux 的系統劃分裏，StartLux-27B 承擔通用能力層，Decision 模型專注高頻決策層，上面是 Agent 與 Memory，底層由量化、推理系統和硬件適配支撐。所以 Decision 不是追熱點做的孤立發佈，而是這張架構圖裏按計劃補上的一塊。

郭權瑋把 Auto Research 定義爲實現 RSI 的核心元件：先讓 AI 參與研究和模型改進，之後進一步要求”被改進後的 AI，連改進 AI 的能力本身也得到提升”。StartLux-Decision 是這條路線上的一個具體成果。

怎麼看這件事

把 Jev 請下王座這個說法，本質上是中國團隊在 Agent 底層”決策層”上的一次卡位。Jev 帶來的思路——用專用模型承接高頻、候選明確的判斷，而不是讓生成式模型既當裁判又當運動員——正在被驗證是一條真需求。StartLux 用開源、五檔規格、本地部署和 Jev 兼容接口，把這條路走得更”可落地”。

但三個提醒仍然成立：

• 成績是團隊自測，未經官方榜單認證，看數字時要帶上這個前提
• 綜合領先 ≠ 全面領先，它在知識推理上仍落後 Jev，選型要看自己的任務分佈
• 權重是 CC BY-NC 4.0，”完全開源”僅限非商業場景，商用要單獨授權

不管怎樣，一個成立不久的上海團隊，3 天做出五檔決策模型並在公開口徑上超過當前榜首，這件事本身就值得記住。Agent 的”判斷層”正在成爲一個獨立的、值得下注的技術賽道。

決策模型不是要取代大模型，而是讓大模型少做那些不該它做的瑣碎判斷。