断层领先Jev，全球第一！决策模型新王震撼发布新版本

新智元报道 前一阵，整个硅谷都在为Jev疯狂。 Jev一出世，整个决策模型领域几乎被它统治了，各大厂商都在追赶。 在上月末的DevDay 上，OpenAI 连夜推出 Decisions API 仓促「防御」；一周后，微软正式发布Microsoft-Decision-1，在Microsoft Foundry与 OpenRouter上线。 然后就在国庆前，StartLux横空出世，发布了 当时真正超越Jev的决策模型 ，技惊四座。 然后，就在最近，距离上个版本推出才10天，全新的StartLux-Decision 版本来了！ 项目：https://decision.startlux.com/ 体验网址：https://bamboonode.dev/ 技术报告：https://arxiv.org/pdf/2610.17309 虽然现在也有别的模型超越了Jev，但 StartLux，依然是不折不扣的断层第一 ，稳居SOTA宝座。 这次升级，可以说是一次从底层架构、训练方法到评测体系的全面碾压。 而 最重要的，是此次StartLux原创的 RLCD² ：即 Reinforcement Learning for Calibrated Deliberative Decisions，让推理真正花在刀刃上。 Decision Index ，真正意义上的「全尺寸碾压」 在AI模型领域，有个心照不宣的潜规则：小模型比速度，大模型拼智商。 但这次，StartLux-Decision在每个参数量级上，都绝对领先。 StartLux-Decision 提供了一个双模型矩阵。 Instant（极速版）提供 0.8B、2B、4B、9B、27B 五种规格 ； AutoThink（自适应推理版）目前提供 4B、9B、27B 三种规格。 在最具权威性的 Decision Index (DI) 0.3 公开测试集上： 从 0.8B 到 27B，StartLux-Decision极速版实现了全方位的碾压 。 其中 Instant 模型与同规模第三方模型相比，得分领先了 7.4 到 16.9 分！ 这意味着连 4B 小模型，在许多指标上都能吊打友商的 27B 模型。 StartLux 的 4B Instant 模型拿下了 67.88 分，4B AutoThink 更是飙出了 68.21 分。它不仅锤爆了 Jev，还把巨头 Cloudflare Clef（61.71）和 Perplexity Decider（62.25）都给碾压了。 而在 27B 这个当前最热门的尺寸上，StartLux-Decision-27B-AutoThink 更是斩获了 73.37 的超高分，将曾经的王者 Jev（hosted版 57.96 分）远远甩在身后。 可以说，这是大模型迭代史上少见的跨代碾压。 注意，Decision Index 0.3 的成绩目前是公开评测部分，不是完整的私有榜单成绩。 仅差0.02，AI的决定就完全相反 为什么团队要推出两个版本的模型？因为真实的业务场景，往往极其残酷：既要马儿跑，又要马儿不吃草。 在算力成本、延迟和准确率之间，存在着一个不可能三角。 比如下面这道要命的测试题： 商品价格 476.80瑞典克朗（SEK），规则要求：加运费严格低于 500.84 SEK。 运费是 24.03 SEK时，总价 500.83 SEK，符合条件。 运费变成 24.05 SEK，总价 500.85 SEK，超出预算，必须排除。 运费只差 0.02 SEK，AI 的决定就应该完全相反。在真实的业务流中，这就是决定订单是否拦截的红线。在这道题面前，初代 StartLux-Decision v1、Perplexity Decider 以及 Clef 这种「纯单次判断模型」，全军覆没。 这就是 Jev 路线的死穴：直觉再快，遇到精密数字和复杂逻辑，也是送死。 为了解决「既要又要」的难题，StartLux 给出的解法是： 不妥协，全都要 。 他们推出了两个分支，Instant和Auto-Think。 Instant 模型：单次前向传播的「直觉大师」 现有的开源决策模型大多依赖单次前向传播，不进行显式的多步推理。这种方法速度极快，但在处理算术、调度和逻辑验证等密集型计算时，往往力不从心。 StartLux 的 Instant 模型 ， 全注意力层中引入了 双向注意力机制 。它在不生成任何新Token的情况下，让提示词的前期表征融合后续问题和候选项的信息。 虽然 Perplexity Decider v1.1 也采用了类似的双向注意力设计，但 StartLux-Decision 凭借其单次推理效率和整体训练效果脱颖而出。 论文中的受控实验显示，在五个尺寸中有四个受益于此机制（最高提升 2.4 分，2B 尺寸微降 0.2 分），极大巩固了模型的极速响应能力。 AutoThink 模型：深思智者 很多时候，模型强行进行CoT理反而会降低效率。AutoThink 模型引入了 「置信度引导」的自适应推理机制。 遇到简单的题，它直接秒答；遇到不确定的难题，它会自动开启「沉思模式」，生成最多4096个Token的推理轨迹，然后再给出最终答案。 更绝的是，为了防止模型「想得太多」浪费算力， StartLux 原创提出 RLCD²（Reinforcement Learning for Calibrated Deliberative Decisions），并系统公开算法设计、奖励函数、训练方法及实验结果。 此前，Jev 最早提出了 RLCD 的方向，但并未完整公开训练细节。StartLux 此次不仅将决策导向的强化学习扩展到具有显式推理能力的模型，还开源了背后的核心方法论。 核心区别可以简单理解为： 传统正确率奖励：模型最终选对答案，就给予奖励。 RLCD²：进一步衡量模型经过思考后，整个决策概率分布是否得到改善，同时对冗长、无效的推理进行惩罚。 团队公开了三个关键设计： 1.使用冻结的模型，比较思考前后决策概率的质量变化。 2.通过 Proper Scoring Rules 优化概率质量，而不仅仅关注最终选项是否正确。 3.通过软长度惩罚控制推理成本，减少不必要的长链推理。 简单理解，就是让模型不仅学会如何思考，还要学会什么时候该停止思考，以及如何给出更可靠的决策概率。 实验数据极具说服力。 以 9B AutoThink 为例：推理正常终止率从 45.9% 提升至 93.9%，提高 48 个百分点。 平均推理长度从 2,494 Token 降至 868 Token，减少约 65%。 在基本保持决策准确率的同时，DecisionPivot 成对准确率从 53.3% 提升至 59.9%。 全新多模态演示：AutoThink 在复杂场景下的按需思考 为了让大家直观感受 AutoThink 的实际能力，团队展示了模型在连续动态视觉场景下的表现。 以下演示针对已录制素材每秒抽取一帧进行分析（并非实际部署的实时系统）。 视频一：火箭发射过程分析 这个演示中，模型分析了火箭升空录像，识别出尾焰、烟雾、发射塔、飞行阶段、镜头变化及潜在异常迹象。每秒读取一帧，同时回答九个决策问题，并根据