Jev tahtı almak istedi: StartLux.

30 Eylül'de, Shanghai AI, StartLux, tamamen açık bir kaynak karar modeli yayınladı. StartLux-Decision0.8B, 2B, 4B, 9B, 27B, 5. Takım tarafından yayınlanan değerlendirmeye göre, ana 27B versiyonu Karar Endeksi 0.2.1'de 63.88 puan aldı, Jeff 1.13 (57.91), listedeki ilk.Karar verme modelinin yeni kralı tahta yol açtı.Bilmiyorum.

Daha ilginç R & D oranı:Tüm model sadece araştırma ve doğrulama tamamlamak için 3 gündü.Bilmiyorum. Bunun arkasında StartLux tarafından inşa edilen Auto Research hattı - resmi olarak, RSI'yi geliştirmek için temel yollarından biridir.

Diyelim ki, bu bir takım testi, resmi bir liste değil.

Bu bir açık olmalıdır, aksi takdirde başlık üzerinde ilerlemek kolaydır.

StartLux'un notları şunlardır:Decidón Index'in resmi değerlendirme aracı kullanarak, ekip, 28 Eylül'de tamamlandı.Bilmiyorum. Başka bir deyişle:

• Kontrol listesi değerlendirme aracı ve aynı gün karşılaştırma verileri kullanıyorlar.
• Ama...Onların notları resmi listede değildir.Aynı zamanda resmi makalede "resmi olarak sertifikalı değil."
• Evet.Halk listesindeki en iyi puan.(2026-09-28)

Yani kesin cevap:"StartLux-Decidón, takımın kendi kendine güvendiği şu anki halkın listesini aştı."Bilmiyorum. Bu bir anlam ifade etmiyor - bu güç anlamına gelir, ancak okuyucunun bir ölçek ihtiyacı vardır. Aşağıdaki tüm rakamlar "kendi kendini kınayan" varsayılan olarak alınır.

Nedir: metin yaratmadığı bir karar modeli?

StarLux-Decidón ve genel büyük model arasındaki temel farkı anlayarak başlayın. Bir nesil model değil.Doğal diller yazmayınBilmiyorum.

Bu nasıl çalışır: ona bir tane verin.Durum durumuBir grup ekleyinSorular- temanın seçimi (birkaç seçenekten biri), değil veya not edilir. Devlet metin, JSON veya resim olabilir, 256 K token.Her bir seçenek için her sorunun olasılığını döndürürBilmiyorum.

Son cümlede nokta:Hiçbir şey üretmiyor.Bilmiyorum. Cevap, ileri bir iletiden sonra doğrudan seçenek mektubundan okunur. Bu yüzden kısa bir soru birkaç milisaniye alır ve olasılık doğrudan güven olarak kullanılabilir.

Bu, akıllı bir bedende belirli bir tür iş çözer:HF, net aday setiYargı. Örneğin, yolcu hizmeti siparişi geldi - “ sipariş defalarca kabul edildi, ancak hala ödeme yok” - ve aynı bilgi aynı anda üç soru sorabilir: Hangi takım bugün işlendiği ve ne kadar etkisi olduğu verildi. Geleneksel yaklaşım, nesil modelin bir parça yazmasına izin vermek, hataları yorumlamak yavaş ve kolaydır; DevletLux-Decidón'dan bir istek birlikte üç yargıyı tamamlayabilir.

Rapor kartları: 63.88 vs. 57.91,38 dışında 31 kazandı

Kararın Karşılaştırması 0.2.1 (hem 2026-09-28 snapshots):

• StartLux-Decision-27B:63.88
• Jev 1.13:57.91 (ilk yer)
• Rune 26B-A4B: 57.44
• Kararr Chat 31B:57.33.
• AutoJev-27B: 56.40
• StartLux-Decision-9B: 58.639B Jeff'in önünde.

27B Jev'den daha yüksek 5.97 dakikaindeksde bulunan 38 kriterden,31 daha yüksek puan var.Bilmiyorum.

Ama lütfen resmi alıntıyı not edin:"Birleştirilmiş puan, tüm yeteneklerin daha güçlü olduğu anlamına gelmez."Bilmiyorum. Bu cümle okumaya değer.

Nerede kazanmak için, nerede kaybetmek.

Decidón Index için alan puanında, 27B dört alanda yol açar, ancak Jev'e kaybeder:

• Dili anlamak74.5 vs Jev 62.0 (yüksek 12.5)
• Arama ve sınıflandırma:66.8 vs 55.4 (yüksek 11.4)
• Araçlar ve otomasyon:82.2 vs 75.1 (yüksek 7.1)
• Sanat ve insan tercihleri:47.9 vs 37.7
• Bilgi ve akıl yürütme:44.3 vs Jev 51.4 (Later 7.1)

Bu dağıtım çok açıklayıcıdır. StartLux-Decision Güçlü“Örnek koşullar altında, adaylar arasında ayrım yapmak, bir sonraki eylemi seçmek”- Zekanın günlük uygulanmasında en çok ihtiyaç duyulan üç tür yetenek olacaktır; tamamen entelektüel sebeplere üstün değildir. Bu yüzden sonuç "kimseyi ezen" değil...Seçim, istihbaratınızın karşılaştığı her türlü yargıya bağlıdır.Bilmiyorum.

Benzer bir bölüm bireysel konularda mevcuttur. Örneğin, liderlik etmeyen API-Bank, Jev'de 52.3'ten 77.3'e kadar ve POP909'dan 15.9'a 50.6'a kadar çeker. Bunlar, rastgele bazline tarafından düzeltilmiş olan Decidón Index'in puanlarıdır.Doğrudan temelin orijinal versiyonunun doğruluğu veya tamlığı olarak kabul edilemezBilmiyorum.

Yedi kamu testleri:% 91.82 ortalama, birkaç hata 8

Deón Index'e ek olarak, ekip, Inter-Design'i başlatmak için Shanghai'nun yapay zeka laboratuvarından kaçtı.Yedi test setleri(JevBench EASY/Original/Hard, Typed Decisions, ToolaCE, AG News, WildjailBreak):

• StartLux-Decision-27B ortalama doğruluk oranı 91.82%
• Jev 1.13:88.74%
• Inter-Deşón-4B: 90.02%

Açıkçası, JevBench 231 soru var, üç cevap. 208 / 199 / 201 Soru - 27B vs. 9 Jeff'den daha fazlası. En zor JevBench-Hard (111 açık ikilem), 27B hatası 23 Jev 31 ile karşılaştırıldıSoru 8Bilmiyorum.

Burada da fark edilecek çok şey var: halk Jev Bench'in 208/231 sadece açık bir soru.Sınıflanmış testlerin resmi bir puanı değil, hız ve maliyet.; Ek eğitim verileri, bu değerlendirmelerin 14'ünün açık eğitim setini kullandı ve ilgili test soruları filtrelendi (resmi etiket).

Hız: milisaniyeler, tüm sorunlar bir kerede ileri alındı

Karar modelinin değeri yarı doğru, yarı hızlı. Kart için kısa bir istek testi H200, BF16, yerel HTTP,Bir seferde üç soru.Zamanlayıcı:

• 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 ms35B'de her token sadece yaklaşık 3B, 27B kadar hızlı hareket eder.

Sadece bir soruya cevap verdiğinizde, ortalama 4B. 14.7 msBilmiyorum. Aynı modeldeki optimizasyon daha mühendislik kazanımlarının göstergesidir: 4B CUDA Graph, etkinleştirilmediğinde 90.3 ms idi, etkinleştirildiği zaman 26.0 ms'a kadar.- promosyonun üç katından fazlası mühendislike bağlıdır. Proje ayrıca hızlı lineer dikkat algoritmaları kullanır ve çift aramaları azaltmak için ileri bir hesaplamaya birden çok konuyu konsolide eder.

Bir referans olarak, Jev 1.13 aynı türden üç istekte, API ağ geçidi tarafından bildirilen servis son 64.0 msBilmiyorum. Ancak, yetkililer kendilerini hatırlatmaktan alıkoydu:Donanım ve hizmet depoları bir partiden diğerine değişir ve zor donanımın aynı hızda kullanılmasının aynı hızda kullanılamaz.Ve bu milisaniyeler tüm web sayfa görevini tamamlamak için zaman değildir (hem giriş uzunluğu, sayfa yükleme, araç yürütme). Aksine, bu kendi kendine özgü ifade, yayının daha güvenilir parçasıdır.

Field sunumu: tarayıcı çalışmasından oyuna

Resmi sunum, temelin “iş yapma, eylem için uygulama sistemleri” ile birkaç yöne kapıldı:

Tarayıcı / Web Operasyon: Her adım iki soru sorar - hangi kontroller bir sonraki operasyondur ve görev tamamlandığında. Gösteride, filtreleme listesi "En ucuz, ücretsiz şarj için tamamlandı, 8 AA pil eve gönderildi" ve belirlenen üyeler tasarım ekibine davet edildi ve Editör olarak kuruldu. Resmi açıklamalara dikkat edin:Kontrollü ortamAşağıdaki sürekli bir işlemdir.Herhangi bir web sitesinde ücretsiz giriş olarak aynı değil.Ancak giriş kutusu aynı zamanda seçimi aday önerisi aracılığıyla da tamamlar.

Chess Chess Chess: StartLux-Decidón-27B ve Jev 1.13 rekabet, ne arama, ve kod asla model seçimi (Stockfish sadece değerlendirme barları çizer). Sadece zaman meselesi.256, 27B, 58.Bilmiyorum.

Oyun Oyunu: Mario (ilk önce 11 adayın eylemleri, sonuçları seçimden önce metin olarak yaz) StarCraft II (oyun saatinin her 12 saniyesine üç soru sor: ne inşa etmek, ne öncelik vermek, ne saldırmak/tafend/collect), DOOM (her 4 Tic yargı, ateş, hareket), JevBall (biri topu yakınında birkaç oyuncu için ayrı eylem talep eder). Aynı vein'de:Bunlar tek bir Direct Read Ekran testi değildir.Ancak algı ve yürütme için senaryolar var ve model sadece arayüz tarafından tanımlanan karar vermenin parçasından sorumludur.

Ve ilginç olan bir detay daha var - "Hanna, bugün Jeff'i gördün mü?" Bu cümlede Hannah ve Jeff var. Sistem yargılamalıdır.Hannah hakkında sorgulandı.Başka bir aktörün Jeff yüzünden yanıt vermesi yerine. Modelin konuşmayı anladığını ya da sadece adını oynadığını belirlemek için ayrı alınır.

Beş özellik seti + MoE + Quantified, yerel olarak dostça konuşuluyor

StartLux-Decistion beş katmanlı yoğun bir model (0.8B / 2B / 4B / 9B / 27B), artı bir tane 35B-A3B Karma Uzman (MoE)Versiyon. 3 Ekim.Resim girişi ve 256K token contextHer biri kanıt olarak okunabilir.

Yerel dağıtım odaktır: llama.cpp her tranche için mevcuttur GUF BF16 dahil olmak üzere dosyalar orijinal doğruluğu ve iki sayısal format Q8 0, Q4 K M,15 GGF girişleriBilmiyorum. 4B örneği alın:

• Q8 0 Files 4.48 GB231'de, JevBench'de orijinal sağ AğırKarar alma tutarlılığı% 100(Same 204)
• Q4 K M prees 2.71 GB98.3%, evet 201

Belki de özellikle dikkat etmelisiniz.Kod Apache-2.0 kullanıyor, ancakCC BY-NC 4.0 ile modelleme - sadece araştırma ve rakip olmayan, ticari kullanım konusu ayrı bir StartLux Labs iznine tabidirBilmiyorum. Bu, ticarileşmeden önce onaylanmış olan “tam açık kaynak” propagandasından farklıdır.

arayüz uyumludur, Jev. Probability çeşitlenebilir.

Erişim seviyesinde akıllı bir tasarım var: TypeSafe ile StartLux-Decidón /v1/systemone Interface format,Jev için müşteri, olduğu gibi kullanılabilirAncak iş süreçleri mevcut “devlet artı problemin” çağrı biçimini korur ve hizmet adresini değiştirir. Arayüz (llama.cpp yük modeli, örgütsel konulardan ve okuma seçeneklerinden sorumlu olan eşlik eden karar verme hizmetleriyle) aynı zamanda GGF dağıtımını sürdürüyor.

Başka bir endişe mekanizması iseProbability diversHer adayın bir olasılığı olduğundan, sistem doğrudan bir “validated rutin senaryoda” karar verme işlemi uygulayabilir; adayın ayırt edilmesi zor olduğunda, yetersiz durumda veya daha yüksek bir operasyonel riske sahip olabilir, büyük bir model analizine ya da manuel onayına sunulur.

Hükümet de gerçek bir uyarı veriyor:Probability çıktı gerçek başarı oranına eşit değildir ve divers eşi operasyonel veriler kalibrasyon ile uyumludur.Ödeme, kesinti, bu tür işlemleri değiştirme yetkisi orijinal yetki ve onay kurallarına tabi kalacaktır - - - - - - Karar modeli, sistemi yargılamak için bir sonraki adımdır, bu kısıtlamaları yerine getirmez.

Auto Research and RSI behind

StartLux'a bağlı olarak beş aşamalı bir model yapmak için üç gün. Auto Research Development Boru Hattı(Bir kurucu ve CTO Guo Guo Guo Jiu tarafından inşa edildi) Makine kalbiyle önceki bir röportaja göre, bu yaklaşımda AI sadece başlangıç deneyleri yapmadı, ancak aynı zamanda ...Önceki tura dayanan başarısızlıkların analizi, yeni varsayımların sunumu, bir sonraki neye bakacağına karar vermede katılımAraştırma hedefleri, değerlendirme kriterleri ve anahtar kurallar açık kalırken.

StartLux sistemi bölümünde,StartLux-27B genel yetenek katmanı taşımak için, Decidón modeli yüksek frekans karar katmanına odaklandıVe bunun üzerinde Agent ve Memoory, alt, niceleştirme, akıl yürütme sistemleri ve donanım tarafından destekleniyor. Bu yüzden Decidón, sıcak noktalar peşinde yapılan izole bir salıvermiyor, ancak planlandığı gibi inşa edilen bu mimarinin bir parçası.

Guo Quan, Auto Research'ü RSI'ye ulaşmak için temel unsur olarak tanımladı: Birincisi, araştırma ve model geliştirmeleri için AI'yı içerecek şekilde, daha sonra “iyileştirilmiş AI, hatta AI'yı geliştirme yeteneği gelişmişti.” StartLux-Decision bu çizginin somut bir sonucudur.

Bu konuda ne?

Jev'i tahtta koyun.Agent'ın Karar Düzeyinde Çin ekibi.Bilmiyorum. Jev'in getirdiği fikir - yüksek frekansı almak için özel bir model kullanarak, nesil modelinin hem bir hakem hem de bir atlet olmasına izin vermek yerine açık bir yargı için durmak - gerçek bir ihtiyaç olduğunu kanıtlamaktadır. StartLux açık bir kaynak kullanıyor, beşinci bir dizi özellik, yerel dağıtım ve Jev uyumlu bir arayüz yolu daha “karanlık” hale getirmek için.

Ancak üç hatırlatma hala duruyor:

• Bu bir takım testi.Resmi listede sertifikalı değil.
• Tüm önde, tüm önde.Hala entelektüel nedenlerle geride kalır, Jeff. Görevlerin dağılımına bağlıdır.
• Kilo CC BY-NC 4.0'dır.Ancak "Tam açık kaynak" yalnızca ticari olmayan senaryolar için ayrı ayrı ayrı yetkilendirilmiş.

Herhangi bir durumda, nispeten genç bir Shanghai ekibinin, beş aşamalı bir karar modeli yaptığını ve mevcut genel kalibrenin en üst kısmını aşdığını hatırlamaya değer.Ajan'ın “gudgement seviyesi” bağımsız ve korunan bir teknoloji parkuru haline geliyor.

Karar modeli büyük modeli değiştirmek amaçlanmamıştır, ancak daha azını yapmamak yerine.