RSI再创奇迹！StartLux开源决策模型StartLux-Decision，38项基准中31项与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 StartLu x 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] 本次发布的核心表现如下： • 27B版本决策综合得分63.88，38项基准中31项高于Jev。 在Decision Index 0.2.1 上，这一成绩比Jev1.13的57.91高出5.97分；9B版本以58.63分超过这一公开对照。 • 27B版本七套测试平均准确率达到91.82%。 高于Jev的88.74%和Intern-Decision-4B的90.02%；公开JevBench答对208/231题，比Jev多9题，Hard子集的111道难题少错8题。 • 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。 一次计算，完成多个判断 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] *工单分流演示：一次请求完成三个判断。 从单步判断走向连续网页操作 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。 • 在多重条件下完成商品筛选与下单 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。 *购物演示：筛选符合型号、包装与配送条件的商品，完成下单并核对结果。 • 把成员邀请与权限设置衔接起来 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。 *团队管理演示：选择Design团队，邀请指定成员，并设置Editor角色。 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。 让决策能力进入动态游戏交互 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。 *比较候选动作的模拟结果，选择移动与跳跃。 *选择建造目标、兵种优先级与攻防策略。 *选择目标、是否开火与移动方式。 *为球附近的球员分别选择传球、射门等动作。 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。 *对话对象判断：句子同时出现汉娜与杰夫，但被询问的是汉娜。各角色分别作是非判断。 *旗舰版本为StartLux-Decision-27B。除Dino Run为团队通过Jev API在同一执行环境复测外，Jev 数据引自相应测试作者的报告；0.8B、2B在这些游戏上的表现明显较弱。 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。