Jev 被请下王座：StartLux 中国开源决策模型冲上第一，3 天做出五档规格

9 月 30 日，上海 AI 公司 StartLux（原点星辉）发布了完全开源的决策模型 StartLux-Decision，一次性推出 0.8B、2B、4B、9B、27B 五档版本。按团队公布的评测，它的旗舰 27B 版本在 Decision Index 0.2.1 上拿到 63.88 分，超过此前榜单第一的 Jev 1.13（57.91），把这位决策模型赛道的新王请下了王座。

更有意思的是研发速度：整个模型只用了 3 天完成研发与验证。这背后是 StartLux 自建的 Auto Research 研发管线——按官方说法，这是他们推进 RSI（递归式自我改进）的核心路径之一。

先把话说在前面：这是”团队自测”，不是官方上榜

这条必须讲清楚，否则容易被标题带偏。

StartLux 的成绩是用 Decision Index 的官方评测工具、对照 2026 年 9 月 28 日的公开榜单快照完成的团队自测。换句话说：

• 他们用的是榜单的评测工具和同一天的对照数据，方法上是讲得通的
• 但他们的成绩本身还没有登上官方榜单，官方文章里也明确写了”不表示已获官方上榜认证”
• 对照的 Jev 1.13 是公开榜单上的最高分（2026-09-28 快照）

所以准确的说法是：“按团队自测，StartLux-Decision 已经超过了当前公开榜单的榜首”。这不是贬低——能自测出这个分数本身就说明实力，但读者心里要有一杆秤。下文所有数字，都请默认带着”团队自测”这个前提来看。

它到底是什么：一个”不生成文本”的决策模型

理解 StartLux-Decision，先要理解它和普通大模型的根本区别。它不是生成式模型，不写自然语言。

用法是这样：你给它一个状态（state）加一组问题（questions）——选择题（从几个选项里挑一个）、是非题、或等级评分。状态可以是文本、JSON 或图片，最长 256K token。每个问题返回每个选项的概率。

关键在最后一句：它什么都不生成。答案是在一次前向传播（forward pass）之后，直接从选项字母上读出来的。所以一个短问题只要几毫秒，而且概率可以直接当置信度用。

这解决的是智能体里一类特定的活儿：高频、候选集明确的判断。比如客服工单来了——”订单被重复扣费但仍显示未支付”——同一条信息可以同时问三个问题：交给哪个团队、今天要不要处理、影响多严重。传统做法是让生成式模型写一段话再解析，又慢又容易解析出错；StartLux-Decision 一次请求就能把三个判断一起做完。

成绩单：63.88 对 57.91，38 项里赢 31 项

Decision Index 0.2.1 的对比（均为 2026-09-28 快照口径）：

• 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 也超过了 Jev

27B 比 Jev 高 5.97 分，在指数包含的 38 项基准里，有 31 项得分更高。

但请注意官方自己点出的一句话：“综合得分领先不等于所有能力都更强”。这句话值得展开看。

赢在哪，输在哪：分领域看更清楚

Decision Index 的领域得分里，27B 在四个领域全面领先，但在”知识与推理”上输给了 Jev：

• 语言理解：74.5 vs Jev 62.0（高 12.5）
• 检索与分类：66.8 vs 55.4（高 11.4）
• 工具与自动化：82.2 vs 75.1（高 7.1）
• 艺术与人类偏好：47.9 vs 37.7
• 知识与推理：44.3 vs Jev 51.4（落后 7.1）

这个分布很能说明问题。StartLux-Decision 强在“理解条件、在候选里区分、选下一步操作”——恰好是智能体日常执行最需要的三类能力；而它在纯知识推理上不占优。所以结论不是”谁全面碾压谁”，而是选型要看你的智能体最常遇到哪种判断。

单项上也有类似的分化。比如 API-Bank 它没领先，Home appliances 却从 Jev 的 52.3 拉到 77.3，POP909 从 15.9 拉到 50.6。官方特别提醒：这些是 Decision Index 经随机基线校正的分数，不能直接当作各基准原版的准确率或完整 Agent 成功率。

七套公开测试：平均 91.82%，难题少错 8 道

除了 Decision Index，团队还跑了上海人工智能实验室发布 Intern-Decision 时采用的七套测试（JevBench Easy/Original/Hard、Typed Decisions、ToolACE、AG News、WildJailBreak）：

• StartLux-Decision-27B 平均准确率 91.82%
• Jev 1.13：88.74%
• Intern-Decision-4B：90.02%

公开 JevBench 共 231 题，三者分别答对 208 / 199 / 201 题——27B 比 Jev 多对 9 题。在最难的 JevBench-Hard（111 道公开难题）里，27B 错 23 题，比 Jev 的 31 题少错 8 题。

这里同样有口径要留意：公开 JevBench 的 208/231 只是公开题，不是包含保密测试、速度与成本的官方总分；另外训练数据用了其中 14 项基准的公开训练集，对应的测试题已被过滤掉（官方用 † 标注）。

速度：毫秒级，一次前向算完所有问题

决策模型的价值一半在准，一半在快。单卡 H200、BF16、本地 HTTP 的短请求测试中，一次回答三个问题的耗时：

• 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 里每 token 只激活约 3B，反而比 27B 快一倍

只回答一个是非题时，4B 平均只要 14.7 ms。而同一模型内部的优化更能说明工程收益：4B 未启用 CUDA Graph 时是 90.3 ms，启用后降到 26.0 ms——三倍多的提升全靠工程。项目还用了快速线性注意力算子，并把多个问题合并到一次前向计算，减少重复调用。

作为参照，Jev 1.13 在同类三问题请求上，其 API 网关报告的服务端耗时是 64.0 ms。但官方很克制地提醒：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，而且这些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、工具执行都会影响）。这种自我设限的表述，反而是这篇发布里可信度较高的部分。

实战演示：从浏览器操作到打游戏

官方放出的演示覆盖了好几个方向，核心都是”模型做决策、执行系统做动作”：

浏览器/网页操作：每一步问两个问题——下一个操作哪个控件、任务是否完成。演示里完成了”买最便宜、免运费、8 节装 AA 电池寄到家”的筛选下单，以及把指定成员邀请进 Design 团队并设为 Editor。注意官方声明：这些是受控环境下的连续操作，不等同于任意网站的自由输入能力，输入框也是通过候选建议项完成选择的。

国际象棋：StartLux-Decision-27B 与 Jev 1.13 对弈，双方都不搜索，代码也从不覆盖模型的选择（Stockfish 只画评估条）。按仓库说明，256 局比赛里 27B 得分率 58.4%。

游戏：Mario（先模拟 11 种候选动作、把结果写成文字再选）、StarCraft II（每 12 秒游戏时间问三个问题：造什么、优先出什么兵、进攻/防守/采集）、DOOM（每 4 个 tic 判断目标、开火、移动）、JevBall（一次请求为球附近多名球员分别选动作）。官方同样说明：这些不是统一的”直接读屏”测试，感知与执行各有脚本承担，模型只负责接口定义的那部分决策。

还有一个细节演示挺有意思——”汉娜，你今天见过杰夫吗？”这句话里同时出现汉娜和杰夫，系统要判断被询问的对象是汉娜，而不是因为出现”杰夫”就让另一个角色回应。把它单独拎出来测，才能分清模型是在理解对话、还是只在匹配名字。

五档规格 + MoE + 量化，本地部署友好

StartLux-Decision 提供五档稠密模型（0.8B / 2B / 4B / 9B / 27B），外加一个 35B-A3B 的混合专家（MoE）版本。10 月 3 日又补上了图片输入和 256K token 上下文，每一档都能把图片作为证据读入。

本地部署是重点：每档都提供面向 llama.cpp 的 GGUF 文件，包括保留原精度的 BF16，以及 Q8_0、Q4_K_M 两种量化格式，共 15 个 GGUF 条目。以 4B 为例：

• Q8_0 文件 4.48 GB，在 231 道公开 JevBench 上与原权重决策一致率 100%（同样答对 204 题）
• Q4_K_M 压到 2.71 GB，一致率 98.3%，答对 201 题

许可要特别注意：代码采用 Apache-2.0，但模型权重采用 CC BY-NC 4.0——仅限研究和非商业用途，商业使用需另行取得 StartLux Labs 授权。这一点跟”完全开源”的宣传口径是有区别的，商用前务必确认。

接口兼容 Jev，概率可做分流

接入层面有个很聪明的设计：StartLux-Decision 采用 TypeSafe 的 /v1/systemone 接口格式，为 Jev 写的客户端可以原样使用，业务程序保留现有的”状态+问题”调用方式、改一下服务地址就行。GGUF 部署也保留这套接口（llama.cpp 承载模型，配套决策服务负责组织问题并读出选项）。

另一个值得关注的机制是概率分流：因为每个候选项都有概率，系统可以在”经过验证的常规场景”里直接执行决策；当候选项难以区分、状态不充分或操作风险较高时，再补充观察、交给大模型分析，或者请求人工确认。

官方也提醒得挺实在：概率输出不等于真实成功率，分流阈值要结合业务数据校准；支付、删除、权限修改这类操作仍应遵守原有授权与确认规则——决策模型是帮系统判断下一步，不是替代这些约束。

背后的 Auto Research 与 RSI

3 天做出五档模型，靠的是 StartLux 的 Auto Research 研发管线（由联合创始人兼 CTO 郭权玮带队建设）。按机器之心此前的专访介绍，这套方法里 AI 不只执行预设实验，还会根据上一轮结果分析失败、提出新假设、参与决定下一步研究什么；而研究目标、评价标准和关键规则仍由人把关。

在 StartLux 的系统划分里，StartLux-27B 承担通用能力层，Decision 模型专注高频决策层，上面是 Agent 与 Memory，底层由量化、推理系统和硬件适配支撑。所以 Decision 不是追热点做的孤立发布，而是这张架构图里按计划补上的一块。

郭权玮把 Auto Research 定义为实现 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 是这条路线上的一个具体成果。

怎么看这件事

把 Jev 请下王座这个说法，本质上是中国团队在 Agent 底层”决策层”上的一次卡位。Jev 带来的思路——用专用模型承接高频、候选明确的判断，而不是让生成式模型既当裁判又当运动员——正在被验证是一条真需求。StartLux 用开源、五档规格、本地部署和 Jev 兼容接口，把这条路走得更”可落地”。

但三个提醒仍然成立：

• 成绩是团队自测，未经官方榜单认证，看数字时要带上这个前提
• 综合领先 ≠ 全面领先，它在知识推理上仍落后 Jev，选型要看自己的任务分布
• 权重是 CC BY-NC 4.0，”完全开源”仅限非商业场景，商用要单独授权

不管怎样，一个成立不久的上海团队，3 天做出五档决策模型并在公开口径上超过当前榜首，这件事本身就值得记住。Agent 的”判断层”正在成为一个独立的、值得下注的技术赛道。

决策模型不是要取代大模型，而是让大模型少做那些不该它做的琐碎判断。