Jev被请下王座，StartLux中国开源决策模型冲上第一

9月30日，一款决策模型正式亮相，迅速吸引广泛关注：在Decision Index 0.2.1的38项基准测试中，该模型有31项成绩优于当前最热门的Jev，综合得分为63.88，而Jev为57.91，领先公开榜首近6分；并且，它完全开源。

实际对比更能体现其优势——在与Jev的国际象棋对战中，它的响应速度与对手相当，却在36局中赢得35局。

推出这款模型的公司，正是当前备受瞩目的上海AI明星企业StartLux（原点星辉）。这家成立不足5个月的公司，已是第二次带来令业界震惊的成果：此前，StartLux-27B的本地模型在工信部中国信通院测试中，超越了284B的DeepSeek-V4-Flash；并以约1/60的参数量基本追平DeepSeek-V4-Pro。这一次，是完全开源的StartLux-Decision——以公开评测综合成绩来看，它已是目前全球最强的决策模型。

超越Jev

这次，StartLux的Decision模型一口气推出0.8B、2B、4B、9B和27B五个版本，并提供支持本地部署的量化模型。

GitHub链接：https://github.com/StartLuxLabs/Startlux-Decision

Hugging Face模型合集下载：https://huggingface.co/collections/startlux-models/startlux-decision-6abba92b301b573fa154d493

实力如何？不妨先看一盘国际象棋。

对手是近期受关注的Jev 1.13。双方看到相同棋盘状态，不借助额外搜索，每一步都由模型直接选择。

最终，StartLux-Decision-27B完成将死。在这次对局中，它的平均损失、最佳着法命中率和失误次数等指标也表现更好。这样的棋局，StartLux在36局中赢下35局。

再来看具体的测试情况。首先是StartLux-Decision的整体成绩，无需多言，直接看数字。

再来看27B版本的得分。

在独立的Decision Index 0.2.1中，StartLux-Decision的27B版本得分63.88，38项基准里有31项高于Jev的最新版本Jev 1.13；在另一套七项测试中，StartLux-Decision-27B平均准确率达到91.82%。需要说明的是，上述成绩为StartLux团队基于公开评测工具、对照2026年9月28日Decision Index公开榜单快照完成的自测结果；七项公开测试来自上海AI Lab Intern-Decision团队的评测集，与Decision Index是两套相互独立的口径。

为什么Agent需要一种专门负责「判断」的模型？

Decision模型最近热度攀升。那么，为什么Agent需要Decision（决策）模型，要它来专门负责判断？

先来看StartLux-Decision实际在做什么。

在StartLux展示的一个客服工单Demo里，系统收到这样一条消息：「订单已经被重复扣款两次，但系统仍然显示未支付。」

传统生成式AI通常会先理解问题并生成一段分析，而StartLux-Decision可以在一次请求中同时完成三项明确判断：分流团队、处理时效及严重等级。

客服工单Demo：一次请求完成团队分流、紧急程度判断和严重等级判断。

这里体现了Decision Model与普通生成模型最直观的区别：它不需要先生成自然语言再由程序解析，而是直接针对开发者提供的候选项进行选择、是非判断或等级评分。

这类能力放进Agent后，作用会更加明显。

比如下面这个购物Demo。用户给Agent的要求是：购买「最便宜、免运费的8节装AA电池，并寄到家庭地址」。

系统综合考虑型号、数量、价格和配送条件。每轮由StartLux-Decision根据当前页面状态判断下一步操作及任务是否完成；执行操作后更新页面状态并继续判断，直至完成下单并通过任务条件检查。

购物Demo：筛选满足AA、8节装、免运费和最低价等条件的商品，并完成下单。

类似的模式也出现在办公协作Demo中。任务是把指定成员邀请到Design团队，并设置为Editor。模型需要依次选对团队、成员和角色，随后判断邀请流程是否已经完成。

团队管理Demo：选择Design团队、邀请指定成员，并设置Editor权限。

这几个Demo的共同点在于，答案空间是相对明确的。浏览器控件、客服部门、工具列表均已提前定义。不同于LLM擅长的开放式内容生成（如写邮件、做规划），大量Agent步骤的需求非常短小（如Yes/No、三选一、五级评分或工具选择）。

如果把时间往回拨，会发现这里发生了一个很有意思的循环。

传统软件时代，工程师会把业务拆成大量规则。金额大于多少进入哪条流程，出现某种状态触发什么操作，不同用户进入哪个权限分支。系统很精细，但大量逻辑需要人工提前写好。

LLM出现以后，大量这种显式逻辑被模型吸收。开发者开始直接把自然语言和环境状态交给大模型，让同一个模型完成理解、分类、判断、规划和生成。系统变得更通用，也更灵活。

到了Agent阶段，AI重新开始分工——确定性流程交给代码，搜索交给Embedding，复杂规划交给Reasoning Model，而高频选择则开始出现Decision Model这样的专用模型。

算力也随之开始更精细地分配。

StartLux公布了一组速度测试。在单卡H200、BF16、本地HTTP和短请求条件下，StartLux-Decision-4B一次回答三个问题平均耗时26毫秒；0.8B和2B分别为12.2毫秒和15.5毫秒。

团队还使用CUDA Graph、快速线性注意力算子，并把多个问题合入一次前向计算，以降低重复计算和调用开销。

当一次Agent任务包含几十个判断节点时，每一步究竟需要多少计算，很快就会影响整个Agent的响应速度和运行成本。

这也解释了为什么Decision Model会在短时间内快速升温。它处理的很多事情看起来都很小：选择一个工具、判断任务有没有结束、检查某条信息应该进入哪条流程、决定页面下一步点击哪里。可一旦Agent开始长时间、规模化运行，这些「小判断」反而可能成为整个系统里调用最频繁的一层。

StartLux的本地智能开始出现分层

今年9月，机器之心曾经和StartLux联合创始人兼CTO郭权玮聊过一次「本地 × RSI」（原文：《本地该怎么做RSI？我们与StartLux CTO聊了聊》）。当时一个很重要的问题是：StartLux所说的「本地AI」究竟是什么？

郭权玮给出的边界很宽：包含模型、量化、推理系统、硬件适配，以及上层的Agent Harness、工具、搜索和持续学习。团队的目标是将这些能力尽可能部署在用户本地设备上。

这与单纯在本地运行一个离线模型有着本质区别。一个长期运行的本地Agent必须面对诸多系统级挑战：显存与内存约束、模型精度选择、不同任务在4B/9B/27B之间的调度、长上下文管理、步骤中断后的恢复机制、Memory的存取策略，以及高阶判断的开销平衡。

StartLux-Decision正是为填充其中特定层级而推出的组件。

在StartLux的系统划分中，StartLux-27B承担通用能力层，Decision Model专注于高频决策，上层部署Agent与Memory，底层则由量化、推理系统和硬件适配支撑。

这种架构设计始于现实的算力约束：个人电脑的硬件资源存在明确边界。

与云端可通过GPU集群扩展模型规模不同，本地系统必须在有限显存、内存、带宽及功耗下长期运转。因此，「单位算力如何高效率分配」成为核心问题。

此前StartLux在27B模型上的后训练实验已体现出这一逻辑。郭权玮将模型参数形容为一个高维空间，规模决定容量，而训练则是在重构容量中的能力分布。实验显示，针对Agent能力后训练后，GPQA从83.33升至90.40，DeepSearchQA从47.04升至59.39，Tau3-Banking也有所提升；但与此同时，GAIA从57.57降至45.70，IFEval亦出现下降。

这一现象表明：在固定参数量下，不同能力之间存在资源重新分配。训练过程本质上是在决定参数更倾向于处理何种任务。

Decision Model则更进一步：将频繁调用且目标明确的特定任务，交由专用的轻量化模型处理。

这也是StartLux推出0.8B、2B、4B、9B、27B五种规格的原因，以覆盖不同设备与场景。同时提供BF16、Q8_0和Q4_K_M三种GGUF量化文件。

以4B规格为例，Q8_0文件大小约4.48GB。在团队公布的231道公开JevBench量化复测中，其与原始权重的决策一致率达100%，均答对204题；压缩至约2.71GB的Q4_K_M版本后，决策一致率为98.3%，答对201题。

在实际的本地Agent系统中，这种规格分化具备明确的工程意义。

一个长期运行的个人AI系统可能同时调度多种模型：低延迟判别由小型Decision Model完成，复杂推理交付大模型，检索由专业模块承载，长期记忆依赖Memory，而跨应用操作则由Agent Harness协调。模型正逐步转变为计算系统中的不同处理单元。

此外，概率输出也是其关键特性。StartLux-Decision可输出候选项的概率分布，使系统能够建立路由与分流策略。若模型在已知任务上的置信度达标，系统直接执行后续逻辑；若多个候选项概率接近，则可补充信息、转交更强模型或触发人工确认。

不过，概率本身仍需结合具体业务场景校准。对于支付、删除、权限修改等高风险操作，原有的授权确认机制不可或缺。

这标志着本地智能正从单纯的「模型迭代」演变为综合的「系统工程」。

StartLux曾设定过明确目标：让用户愿意将文件、研究和办公任务长期托管给本地AI，确保系统连续工作数小时并维持高任务成功率。

郭权玮指出，目前模型、量化与本地推理系统的推进较快，真正的难点在于长任务稳定性、异常恢复、上下文管理及整体体验。Decision Model解决的正是这一链路中的特定环节，为高频、候选集明确的判断提供更高性价比的计算形式。

3天跑通一次Auto Research

我们再来聊聊这个非常引人注意的数字：3天。根据团队公布的信息，这次从确定Decision Model方向到完成首轮模型研发与验证，大约用了3天。对于一个模型项目而言，这一周期相当紧凑。

这得益于RSI思路下，StartLux长期构建的Auto Research研发体系：AI已经进入数据构造、训练、评测和失败分析等研发环节，这在StartLux近期的两次模型研发中被连续证明。

在此前的机器之心专访中，郭权玮曾对「70%实验执行由AI参与」这一数据作出解释：若仅统计配置生成、训练启动、Eval运行与结果整理等机械性工程，自动化率已超95%；而70%指的是在核心的研究与决策环节中，AI模型参与的比例。

两者的技术难度存在本质差异。自动化启动训练已相对成熟，而难点在于训练结束后的分析与决策：模型为何失败？应补充何种数据？问题出在算法还是推理顺序？下一个实验需调整什么变量？该路线是否值得继续投入算力？

StartLux将这种高阶决策流程定义为Auto Research。

郭权玮曾经举过一个金融任务的例子。当系统发现模型在未回查原始数据即直接计算时，失败样本会被送入研究系统。多个AI模型协同分析原因并提出假说（如数据覆盖不足、推理链条缺陷或缺乏对应行为强化），系统随后评估方案价值，自动构造数据、启动训练、运行Eval并检测能力退化，最终将新结果反馈至下一轮迭代。

在此流程中，AI已开始承担传统意义上的「科研决策」职能。

StartLux-Decision即为该管线在新模型品类上的一次落地实践。决策模型确立后，团队需定义其接口规范，围绕动作选择、约束理解、结构化输出等能力构建数据集与评测体系。训练后的异常样本重新进入迭代循环，最终由实测数据决定保留哪些修改。

在基础模型快速更迭的背景下，单版权重的领先周期缩短，研发系统的迁移能力变得更为关键。郭权玮表示，在StartLux的实践中，同系列基础模型切换时，积累的数据与训练经验大部分可直接复用，而Pipeline、Eval及失败分析体系的迁移率更高。

因此，团队将长期积累的核心资产定义为：数据的有效性识别、失败样本的处理机制、实验评估体系，以及下一轮实验的自动生成能力。

在此基础上，StartLux进一步提出了Recursive Self-Improvement（RSI）的五级划分：

Level 0是Self-correction，模型发现错误后可以重新尝试；Level 1开始积累Memory和Experience；Level 2是Automated Training，AI可以生成数据、写代码、启动训练和运行Eval；Level 3是Auto Research，AI根据上一轮实验分析失败、提出新假设，并参与决定下一步研究方向；Level 4才进入他定义中的完整RSI：被改进后的AI连「改进AI的能力」本身也继续增强，形成递归反馈。

目前，StartLux将自身定位在Level 3阶段。

StartLux-Decision既是Auto Research管线加速产出的成果，同时也是该管线未来可调用的基础组件。因为自动化研究本身包含大量离散决策：哪些失败值得深入分析？下一步调用什么工具？多个实验方案的优先级如何排序？何种情况下终止当前路线？

对于这些候选集明确的任务，让Decision Model参与其中是合理的设想，其具体收益仍需在后续的实际研究流程中验证。

这与StartLux对Auto Research的整体架构判断相吻合：研究系统采用多模型异构协作模式。不同参数量、训练范式以及功能的模型（预测、判别、算法等）在流程中分工协作，最终结合Verifier和算法决定实验存留。

AI研发本身也开始经历和Agent类似的变化：问题逐渐从「调用哪个最强模型」转向「如何构建异构模型系统，使其在各自适宜的位置协作」。

结语：下一阶段，系统整合重于单一模型

从9月中旬Jev发布算起，短短两周多，OpenAI在开发者日上推出Decisions API，Cloudflare发布开源决策模型Clef，加上更早走红的Laya与持续升温的Personal Agent，行业以一种少见的速度达成了一项共识：智能体系统里调用最频繁的，恰恰是那些高频、候选明确的小判断——它们值得一层专用、低成本、毫秒级响应的智能来承载，而不必每次都动用完整的大模型。

值得注意的是，这条今年下半年才被密集验证的路线，StartLux走得更早。按照联合创始人兼CTO郭权玮此前在接受机器之心专访时透露的信息，StartLux所说的「本地」从来「不是指做一个比较小、能够下载到电脑上的模型」，而是「一整套属于个人的AI系统」：底层是模型、量化与推理系统，中间是面向本地环境设计的Agent Harness与Memory，上层才是用户看到的产品。StartLux-27B与此次的StartLux-Decision，分别对应其中通用能力与高频决策两层；除此之外，团队的基础架构研究、量化方案与推理系统也在同步推进。换句话说，StartLux-Decision不是一次追着热点做的孤立发布，而是这张架构图里按计划补上的一块。

StartLux团队推出Decision模型仅用了3天。「3天」这个数字，同样应该放进这个坐标系里理解。它的意义不在于速度竞赛，而在于验证了团队在RSI思路下，其Auto Research研发体系的迁移能力：当数据构造、评测与失败分析体系可以跨品类复用时，一个新模型品类从立项到首轮验证的周期就会被系统性地压缩。在单版权重领先周期越来越短的当下，这种体系层面的复利，可能比任何一次发布的榜单成绩都更接近长期竞争力。

当然，一套系统的价值最终不体现在架构图上，而体现在能否长期、稳定地完成真实任务——长任务稳定性、失败恢复与整体体验，恰恰是郭权玮博士坦言的「比单纯把模型跑起来难得多」的部分。按照规划，基于备案进度，StartLux首个面向公众的本地智能体验版本有望在年内推出，届时，这套设想将第一次接受完整检验。而对整个行业来说，这或许才是Decision Model热潮之后更值得持续关注的地方：当判断层的拼图逐渐补齐，本地智能的下一场竞赛——系统整合的竞赛——才刚刚开始。

© THE END

本文来自微信公众号“机器之心”（ID：almosthuman2014），作者：关注AI的，36氪经授权发布。