RSI再创奇迹！StartLux推出开源决策模型StartLux-Decision，38项基准中31项高于Jev

钛媒体注：9月30日，上海人工智能公司StartLux（原点星辉）推出开源决策模型StartLux-Decision，并一次性推出0.8B、2B、4B、9B、27B五档版本，多项评测数据高于TypeSafe AI 公司近期发布的Jev 1.13。以下为StartLux官方发布文章原文，来源于微信公众号StartLux Jev为大模型领域带来了一条全新的技术思路，在决策效率与响应速度上展现出很强的潜力。我们十分欣赏该团队的创新，也高度认可这一技术方向。智能体真正执行任务时，每一步等待都会累积，最终影响用户体验。 为此，StartLux（原点星辉）将团队自建的Auto Research方法用于决策模型研发，用3天时间完成了StartLux-Decision的研发与验证，并一次性推出0.8B、2B、4B、9B、27B五档版本。如此快速的迭代，得益于我们持续建设的Auto Research研发管线。这也是StartLux推进RSI的核心路径之一，让AI深度参与数据构造、训练、评测与失败分析，加快模型迭代。 在独立的Decision Index 0.2.1评测中，27B版本得分63.88，38项基准中有31项高于Jev 1.13；在上海人工智能实验室（上海AI实验室）发布Intern-Decision时采用的七项评测中，27B平均准确率达到91.82%，同样高于Jev的88.74%。[1] • 一次回答三个问题，4B平均耗时26毫秒。在单卡H200、BF16的短请求测试中，0.8B、2B、9B和27B分别为12.2、15.5、35.7和102.3毫秒。模型直接输出选择及概率，不必生成回答文本。 • 五档规格覆盖0.8B至27B，支持本地部署。在Decision Index 0.2.1上，五档模型均领先对应公开对照：0.8B、2B、4B、9B均高于同尺寸公开榜单最高分，27B则高于当日公开榜首Jev 1.13。五档模型均提供原始权重及Q8_0、Q4_K_M、BF16三种GGUF版本。 *以上为项目公布的测试结果。Decision Index对照采用2026年9月28日公开榜单快照，StartLux-Decision为团队自测；时延为特定硬件与短请求条件下的结果，详细口径见正文。 一条业务信息，往往需要同时作出多个判断。以客服工单为例，同一条“订单被重复扣费，但仍显示未支付”的信息，可以同时对应三个问题：交给哪个团队、今天是否需要处理、影响有多严重。StartLux-Decision支持选择题、是非题和等级评分，让这些问题可以在一次请求中共同完成，不必逐个生成回答。[1] 连续执行，来自每一步决策与页面状态的衔接。在网页操作中，StartLux-Decision 每步回答两个问题：下一步操作哪个控件，任务是否已经完成？执行系统按模型的选择操作页面，再把更新后的状态交给模型，进入下一轮判断。 在购物演示中，用户要求购买“最便宜、免运费的8节装AA电池，并寄到家庭地址”。模型需要同时考虑型号、包装数量、价格和配送条件，不能只选择页面上最便宜的商品。最终，系统完成下单，并通过任务条件检查。 在办公协作演示中，任务是把指定成员邀请到Design团队，并设置为Editor。模型需要选对团队、成员和角色，再判断邀请是否完成。同样的方法可作为后台配置、成员管理等流程中的操作决策环节。 注：上述演示由执行系统提供页面状态和可选控件，输入框通过候选建议项完成选择；模型负责决策，系统负责执行与结果检查。它们展示的是受控环境中的连续操作，不等同于任意网站的自由输入能力。 从网页操作延伸到业务流程，同一套决策接口可以承担更多明确的判断任务：客服系统选择处理团队，办公助手判断该使用哪个工具，工作流决定进入哪条处理分支。开发者提供业务状态和合法选项，模型负责在这些选项中作出判断。需要撰写邮件、填写开放式内容时，再由生成式模型接手。 游戏则提供了另一类测试环境：状态持续变化，动作执行后很快就会产生反馈。在Mario、DOOM、StarCraft II和JevBall的演示中，StartLux-Decision被接入各自的运行环境，用于选择移动、跳跃、攻击或其他候选操作。 根据本次发布记录，StartLux-Decision在Mario演示中完成了1-1关卡；在 StarCraft II演示中，为人族机器人选择建造目标、兵种优先级与攻防策略，并战胜内置Hard难度AI。这里展示的是具体运行结果，不是多轮测试的通关率或胜率。 不同游戏也对应不同的决策节奏。StarCraft II每12秒游戏时间提交一组三个问题；DOOM同时判断目标、是否开火和如何移动，并等待模型回答；JevBall则持续运行，一次请求为球附近的多名球员分别选择动作，迟到的回答由游戏自身策略兜底。 *这些演示并非统一的“直接读屏”测试。Mario先在模拟器中试运行11种候选动作，再将结果写成文字供模型选择；StarCraft II的采集、建造与单位控制由脚本执行；DOOM的状态来自游戏引擎，瞄准、寻路和脱困由代码处理。模型负责各自接口定义的决策，不包办全部感知与执行。 • 交互中的细节，也可以单独测量可靠的交互，往往取决于一个容易被忽略的判断。例如，玩家说“汉娜，你今天见过杰夫吗？”，系统需要判断对话对象是汉娜，而不是只因句子出现“杰夫”就让另一个角色回应。把这一环节单独测量，才能更清楚地比较模型是在理解对话，还是仅仅匹配名字。 正常文本与姓名误听两种输入下，StartLux-Decision分别比Jev少错5条和7条；相比简单姓名匹配，差距更为明显。Dino Run则没有拉开差距：双方都在20次测试中达到预设上限。对应用而言，既要看模型在哪些复杂判断上更可靠，也要看某项测试是否已经不足以区分能力。 团队使用Decision Index官方评测工具运行完整测试，并以2026年9月28日的公开榜单快照作为对照。StartLux-Decision的系列最高得分为63.88，高于Jev 1.13的 57.91；在指数包含的38项基准中，有31项得分更高。 总分之外，分领域结果更能说明差异来自哪里。在语言理解、检索与分类、工具与自动化，以及艺术与人类偏好四个领域，StartLux-Decision旗舰版本的得分均高于表中其余对照；知识与推理领域则由Jev 1.13领先。 其中，语言理解为74.5对62.0，检索与分类为66.8对55.4，工具与自动化为82.2对75.1，分别高出Jev 1.13 12.5、11.4 和7.1分。这些能力与前面的应用场景相呼应：理解用户提出的条件，在候选对象中作出区分，再选择下一步操作。 对开发者而言，综合表现最终要落到具体任务。进一步拆到单项测试，差异也并不完全一致。以下几项同时列出领先项和未领先项，便于开发者结合自己的任务判断。 *以上为Decision Index版本中的随机基线校正分数，不能直接当作各基准原版的准确率或完整Agent成功率。† 表示训练使用了该基准的公开训练集，测试题已过滤；完整 38 项结果见项目文档。 这种差异也说明，综合得分领先不等于所有能力都更强。StartLux-Decision在知识与推理领域的44.3低于Jev的51.4，API-Bank也未领先。对智能体更有用的选择方式，仍然是看它最常遇到哪些判断，而不只看一个总分。 在来自上海人工智能实验室（上海AI实验室）发布Intern-Decision时采用的七套测试中，StartLux-Decision旗舰版本平均准确率为91.82%，高于Jev 1.13的88.74%和Intern-Decision-4B的90.02%。公开JevBench共231题，三者分别答对208、199和201题。下面把同一组资料中的其他模型也放在一起对照。 在JevBench-Hard的111道公开难题中，旗舰版本错23题，比Jev 1.13的31题少8题；4B版本错27题，也少于Intern-Decision-4B的29题。七套测试平均错误率四舍五入后，旗舰版本为8.2%，本系列4B为8.8%，Intern-Decision-4B为10.0%，Jev 1.13为11.3%。 StartLux-Decision提供五档版本，开发者可以按设备资源和任务需求选择。对照同日公开榜单，四个较小版本的得分均超过对应尺寸的最高分模型；旗舰版本则与榜首Jev 1.13比较，Jev 1.13的参数规模未公开。 这四档模型分别领先对应公开对照19.64、15.22、9.71和11.74分。9B版本也以 58.63分高于Jev 1.13的57.91分，分差为0.72。与同样提供多个规格的Intern-Decision相比，差异也出现在各档模型，而不只在旗舰版本。 其中，4B版本在公开JevBench上答对204题，七套测试平均准确率为91.17%，均高于Jev的相应结果；但其Decision Index综合得分仍低于Jev。不同测试反映不同能力，选择模型仍应回到实际任务。 *评测说明：以上StartLux-Decision成绩为团队自测，并非官方上榜结果。Decision Index是经随机基线校正、加权汇总的指数，不是直接准确率。训练数据使用了其中14项基准的公开训练集，对应测试题已过滤。公开JevBench的208/231不是包含保密测试、速度与成本的官方总分。ToolACE 项取自公开训练集；排除该项后，4B的其余六套平均准确率为 90.67%，Intern-Decision-4B为88.95%。 决策速度关系到智能体能多快进入下一步。在单卡H200、bf16、本地HTTP的短请求测试中，StartLux-Decision-4B一次回答三个问题，平均耗时26.0毫秒；只回答一个是非问题时，平均为14.7毫秒。0.8B与2B的三问题请求分别为12.2和15.5 毫秒。 *Jev 1.13 在同类三问题请求上的服务端耗时为64.0毫秒，但双方硬件和服务栈不同，不能据此得出严格的同硬件倍速结论。这里的毫秒数也不是整项网页任务的完成时间：输入长度、页面加载和工具执行都会影响最终耗时。 同类参考中，Intern-Decision在RTX 4090上报告的 0.8B、2B、4B时延分别约为 34.0、33.3 和 44.2毫秒。与StartLux-Decision的H200数据一样，这些数值需要连同硬件与服务环境阅读，不能直接归结为模型本身的速度差。 同一模型内部的优化更能直接说明工程收益：在上述短请求测试中，StartLux-Decision-4B未启用CUDA Graph时为90.3毫秒，启用后为26.0毫秒。项目同时使用快速线性注意力算子，并把多个问题合并到一次前向计算，减少重复计算与调用开销。 对智能体而言，这种计算方式的价值，是让候选动作已经明确的判断直接进入决策环节，不必等待长文本生成。一次请求还可以同时完成动作选择与结束判断，减少重复调用，为更紧凑、更连贯的执行流程提供条件。 StartLux-Decision还会返回每个候选项的概率。这为模型协作提供了明确的分流接口：在经过验证的常规场景里，可以直接执行决策；候选项难以区分、状态不充分或操作风险较高时，则补充观察、交给大模型分析，或者请求人工确认。 概率输出并不自动等于真实成功率，分流阈值需要结合业务数据校准。支付、删除、权限修改等操作仍应遵守原有授权与确认规则。决策模型的作用是帮助系统判断下一步，而不是替代这些约束。 模型是否适合长期运行，还取决于它能否装进实际的部署环境。除原始权重外，StartLux-Decision的五档版本均提供面向llama.cpp的GGUF文件，包含保留原权重精度的BF16，以及Q8_0、Q4_K_M两种量化格式。 在Hugging Face模型合集中，每档规格的Q8_0、Q4_K_M 和 BF16 版本均已单独列出，共15个GGUF条目。开发者可以直接按“模型规格＋精度”选择对应仓库，下载 GGUF文件及决策服务所需的配套配置。 以4B为例，Q8_0文件大小为4.48GB，在这次231道公开JevBench题目的量化复测中，与原始权重的决策一致率为100%，同样答对204题。进一步压缩为2.71 GB的 Q4_K_M后，决策一致率为98.3%，答对201题。开发者因此可以在文件大小与任务表现之间作出更具体的取舍。 在接入方式上，StartLux-Decision采用TypeSafe的/v1/systemone的接口，兼容原有Jev客户端的数据结构。业务程序可以保留现有的“状态＋问题”调用方式，再配置相应服务地址。 *接口说明：常见选择题可在一次前向计算中处理；单题超过26个候选项时，服务会分组筛选并进行后续决选，不是任意长度候选列表都只计算一次。 GGUF部署同样保留这一接口：llama.cpp负责承载模型，项目配套的决策服务负责组织问题并读出选项结果。项目代码采用Apache-2.0许可，模型权重采用CC BY-NC 4.0许可，可用于研究及其他非商业用途；商业使用需另行取得StartLux Labs 授权；仓库还提供推理、评测复现、LoRA微调与温度校准工具，方便开发者围绕自己的业务继续适配。 StartLux-Decision背后，是StartLux持续推进的Auto Research研发管线。这套由联合创始人兼CTO郭权玮带领团队建设的研发系统，将研究过程本身纳入迭代，也是公司推进RSI（递归式自我改进）的一条路径。 此前，机器之心在2026年9月16日的《本地该怎么做RSI？我们与StartLux CTO聊了聊》中，介绍过这套方法：AI不只执行预先安排的实验，还会根据上一轮结果分析失败、提出新假设，并参与决定下一步研究什么；研究目标、评价标准和关键规则仍由人把关。[2] 这次，团队将这套方法落实到专用决策模型的迭代中，围绕智能体执行时的关键判断展开研发：能否选对动作、能否理解任务条件、输出是否适合程序使用。AI参与数据构造、训练与评测，失败结果再回到下一轮实验中；改动是否保留，由实际测试检验，而不只看模型自己如何评价。 这也延续了郭权玮此前在钛媒体报道中表达的观点。2026年9月16日，钛媒体记录了他在ITValue Summit的分享：企业评估AI，应更多关注整套系统能否完成业务任务，并结合模型调度、权限与任务反馈持续改进。[3] 自动研究同样需要反复作出决策：下一步调用哪个工具，哪些失败需要进一步检查，什么情况应当暂停或转交其他模型。StartLux-Decision为这些环节提供了可尝试的专用组件，也为决策能力进入研究流程打开了进一步探索的空间；是否能带来稳定收益，仍需要在具体研究流程中验证。 在郭权玮的定义中，Auto Research是实现RSI的核心元件：先让AI参与研究和模型改进，之后进一步要求被改进后的AI连“改进 AI 的能力”本身也得到提升。StartLux-Decision是这条研发路线上的另一项具体成果。 从一次判断到连续执行，StartLux关注的是智能体如何把任务做得更顺畅。StartLux-Decision将专用决策能力带到操作页面、分配任务和调用工具等环节，让高频判断有机会减少不必要的等待，让复杂问题及时转交合适的模型或人。围绕这些真实任务，StartLux将继续推进模型、推理系统与智能体执行能力的协同，让研发成果更直接地服务任务完成。 [1] StartLux-Decision已公开项目仓库：README、推理文档、评测结果、量化测试及 media 演示素材。2026-09-30 核对；Decision Index 对照仍采用仓库注明的 2026-09-28 榜单快照，主评测与量化复测分别列示。