共计 1556 个字符，预计需要花费 4 分钟才能阅读完成。
Huggingface 发榜, 中国模型 StartLux 稳居决策模型 SOTA
当 AI 从“生成内容”迈向“执行任务”, 一个能够控制计算成本、理解关键细节并准确表达不确定性的决策中枢, 将成为智能体和全本地智能系统不可或缺的 …
AI 正从“生成内容”迈向“执行任务”,谁来充当系统的“判断中枢”, 成为智能体赛道的新焦点。Hugging Face 的 Decision Index 0.3.2 榜单日前更新, 中国 AI 创业公司 StartLux(原点星辉)的新版决策模型 StartLux-Decision-v1.1-27B Instant 以 69.1 分 登顶, 在 173 项公开复现模型中排名第一, 领先第二名近 3 分, 也是榜单中唯一突破 69 分的模型。
📌 十余天两度刷新,27B 版本拿下榜首
该榜单纳入 173 项公开复现模型, 通过 37 项公开基准及多项私有测试综合评估。团队基于 Decision Index 0.3 的测试显示,StartLux-Decision-27B-AutoThink 综合得分 73.37, 对比美国 AI 公司 TypeSafe 的 Jev(hosted) 的 57.96, 领先约 27%。
这距离其首次发布决策模型仅过去十余天。9 月 30 日, 第一代 StartLux-Decision 的 27B 版本在 Decision Index 0.2.1 中取得 63.88 分, 超过 Jev 1.13 的 57.91 分,38 项基准中有 31 项领先。
🔍 Instant 快答,AutoThink 按需细想
决策模型更像 AI 系统的判断中枢: 请求交给谁、工具能否调用、检索结果是否可用, 都要由它快速判断。新一代 StartLux-Decision 给出两条路线。
- Instant: 覆盖 0.8B 至 27B 五种规模, 不生成推理过程, 直接给出答案与信心分数, 适合请求路由、内容分类等高频任务。
- AutoThink: 覆盖 4B、9B、27B, 默认信心达到 0.9 就直接回答; 信心不足时, 才去核对规则、计算数字、排查例外。
官方举例说明这种差异:476.80 瑞典克朗的商品加 24.03 运费可以通过; 运费变为 24.05, 就超过 500.84 的上限, 必须拒绝——只差 0.02, 结论却相反。
💡 RLCD2: 让模型该想时想, 想清就停
会推理的模型不少,能把推理花在刀刃上的却不多。StartLux 提出 RLCD2 强化学习训练方法: 推理真正改善判断就奖励, 思考冗长、超出预算就惩罚。
效果体现在数据上:9B 模型自行结束推理的比例从 45.9% 提高到 93.9%, 平均推理长度从 2494 个 token 降至 868 个, 减少约 65%, 决策准确率基本保持不变。团队同时公开了奖励设计、推理预算和实验结果。
📊 DecisionPivot 与策略感知校准
模型还需准确表达不确定性。9B 模型测试中, 单条答案置信度在 80% 至 90% 时实际正确率为 92%; 但从 32 个候选中挑出最高分答案后, 同一区间正确率降为 78%。为此提出的策略感知校准结合候选数量、平均分与筛选方式修正概率, 使 184 组设置中置信度与准确率的差距从 −11.7 至 +20.5 个百分点, 收窄到 −2.7 至 +2.1 个百分点。
🚀 几个值得关注的看点
- 4B AutoThink 在 DI 0.3 公开部分评测中获 68.21 分, 超过多款规模更大或托管提供的模型。
- 全系列公开权重与推理代码, 支持本地部署, 开发者可按成本、响应速度与数据隐私选择规模。
- 截至北京时间 10 月 17 日下午, 累计下载量接近 12 万。
- 团队以火箭发射、洪灾救援两段视频演示动态多模态决策, 模型需结合连续画面、字幕与上下文同时处理多项判断。
🧭 小结
围绕“Huggingface 发榜, 中国模型 StartLux 稳居”，这一部分可从背景、现状与影响三个角度理解其关键信息。结合已公开内容来看，核心结论是趋势已较为明确，但细节仍需结合后续进展持续观察。
