Jev 被拉下王座：中国团队 3 天做出开源决策模型 StartLux，36 局棋赢 35 局

如果说 GPT-6、Claude 是「什么都会一点」的通才，那 Jev 走的是一条更窄的路——专门替 AI 智能体做高频决策：点哪个按钮、调哪个工具、这一步该不该停。这条赛道一度被 Jev 牢牢占住。但上海一家成立不到 5 个月的团队，用一个开源模型把它拉下了榜首。

一分钟速览

• 上海团队 StartLux（原点星辉）开源 StartLux-Decision 决策模型，覆盖 0.8B 到 27B 共五个规格
• 旗舰 27B 在 Decision Index 0.2.1 上得分 63.88，超过 Jev 1.13 的 57.91；38 项基准里领先 31 项
• 国际象棋对弈实测：36 局赢下 35 局
• 单卡 H200 上，0.8B 版本三问题请求仅需 12.2 毫秒，27B 约 102 毫秒
• 全程开源，提供 BF16、Q8_0、Q4_K_M 三种 GGUF 格式，可本地部署

专门做「选择题」的模型

通用大模型的思路是「生成」——把答案一个字一个字吐出来。而决策模型的思路是「打分」：直接把候选动作铺开，一次前向计算给出每个选项的概率，选出最优解。这样做的好处是显而易见的：不需要生成长文本，延迟天然更低；输出的是概率，还可以做智能分流——有把握的场景本地直接执行，拿不准的再转交大模型或人工。

StartLux-Decision 正是沿这条路走的。它支持一次计算同时完成多个判断（比如「选哪个动作」+「要不要结束」），并在工程上做了 CUDA Graph 加速、快速线性注意力算子、多问题合并计算等优化——4B 版本的单次请求耗时因此从 90.3 毫秒压到 26.0 毫秒。

数据说话：领先在哪，落后在哪

按官方公布的评测，27B 版本与 Jev 1.13 的差距主要落在几个 Agent 核心场景上：语言理解 74.5 对 62.0，检索与分类 66.8 对 55.4，工具与自动化 82.2 对 75.1。不过团队也坦诚指出，在知识与推理领域，它以 44.3 落后于 Jev 的 51.4，API-Bank 测试也未领先；部分评测使用了公开训练集（已过滤测试题），时延数据也受硬件环境限制，并非严格同硬件对比。官方自己的结论是：「综合得分领先不等于所有能力都更强，选择模型仍应回到实际任务。」

3 天跑完的研发管线

比榜单名次更值得琢磨的，是它的研发方式。团队把 AI 深度嵌入到数据构造、训练、评测、失败分析的整条链路里，形成一套自建的 Auto Research 管线，用 3 天时间完成了研发与验证。这背后指向的是 RSI（递归自我改进）的早期形态：让人工智能参与改进人工智能本身。

产品链接

• GitHub：StartLux-Decision
• Hugging Face 模型集合

趋势洞察

过去一年，Agent 的瓶颈逐渐从「大脑够不够聪明」转移到「每一步决策够不够快、够不够便宜」。通用大模型每做一次工具调用都要消耗巨额 token，而专用决策模型把这件事的成本和延迟压到了另一个量级，并且小参数 + 量化让它能直接跑在端侧。一个越来越清晰的架构分层正在成形：通用大模型负责理解与规划，专用决策模型负责高频、低延迟的即时判断。开源与本地部署，则让这套分工不再只是巨头的专利。