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！
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，并根据置信度决定是否启动进一步推理。
过程中，它完成了41 次请求、369 项判断、60 项触发思考，非思考请求中位延迟 86ms，完美展示了模型处理连续视觉信息、高频决策以及按需推理的强大能力。
视频二：洪灾救援现场分析
这个演示中，模型分析了一段救援录像，持续判断出救援人员、幸存者、吊索和救援篮的状态，并根据画面变化更新救援进度、现场人员状态和任务优先级。
过程中，它完成了75 次请求、675 项判断、188 项触发思考，非思考请求中位延迟 131ms。在这个复杂动态场景中，模型展现了如何综合多项视觉信息持续作出可靠判断。
细节决定成败：魔鬼测试 DecisionPivot
为了检验模型是否真的具备决策能力，团队新提出了严苛的评测基准——DecisionPivot。
它测试的是那些「牵一发而动全身」的决策。在真实的业务中，比如判定企业合规政策、账本对账、工具调用，往往因为一个小变化，答案就完全不同。
DecisionPivot 共有 13 个任务家族、7,800 道核心测试题。
最变态的是，多数测试采用成对对照的形式，甚至存在三个或四个样本组成的对照组。
在这些对照组中，只有一个能够改变答案的微小细节不同。只有当模型把同组所有的测试用例全部答对，才算通过得分！
在这个基准中，StartLux 展现了超强统治力。
在 0.9 的置信度门槛下，AutoThink 模型在同等尺寸下，比 Instant 模型的成对准确率暴增了 11.5 到 18.4 个百分点！
StartLux-Decision-27B-AutoThink 最终达到了惊人的 86.9% 的成对准确率！
这一成绩，直接创下所有系统的最高记录。
青铜组：
TypeSafe Jev ： 单题正确率还有 63.9%，一到成对正确率，瞬间暴跌至 31.0%！
AutoTrust JEV-27B： 单题 70.3%，成对正确率腰斩至 44.2%。
Cloudflare Clef 27B： 单题 60.0%，成对正确率仅剩 24.9%。
钻石组：
Perplexity Decider： 单题 83.4%，成对正确率勉强稳在 70.1%。
王者组：
StartLux 27B Instant： 凭借极致的直觉单挑，单题准确率达到 86.4%，成对准确率达到 75.4%。在所有单次判断模型中稳居第一。
StartLux 27B Auto-Think： 开启按需思考机制后，单题正确率杀到 94.0%，成对正确率达到不可思议的 86.9%！
完整开源在HuggingFace 上，数据集名称为startlux-models/DecisionPivot。
可以说，DecisionPivot是一面照妖镜。 那些靠记忆刷榜、缺乏真正逻辑对比能力的模型，都会原形毕露。
硬核实战案例
官方给了几个实测案例。
首先，是9 月底发布的第一代单次决策模型 StartLux-Decision-v1-27B 的测试案例。
在国际象棋对抗中，StartLux-Decision-v1-27B 执白棋，在一局采用苏格兰开局的对弈中，仅用19步便将 Jev 1.13 将死，赢得比赛。
在双方进行的 256局对抗赛中，StartLux-Decision-v1-27B 取得了58.4%的得分率。
值得注意的是，双方均未使用搜索算法，而是直接依靠模型自身的决策能力选择每一步棋。
每一步操作都对应一次独立的模型请求，问题采用结构化类型格式输入，随后由游戏程序或浏览器执行模型选择的操作。
除上述案例外，AutoThink 模型还能结合视觉与语言信息进行综合判断。
在上面马斯克访谈演示中，模型从公开发布会视频选取五个片段（1fps抽帧），结合画面与字幕，分析人物视线、手势、停顿、语句内容，并对专注度、紧张程度、表达意图等给出概率性推断。
过程中，它给出119 次请求、1,190 项判断、407 项触发思考，非思考请求中位延迟 94ms。
我们自己也实测了一个基于文本的例子：
客户反馈：同一笔订单被重复扣款两次，金额为 299 元。希望尽快获得退款，目前没有人身安全风险。
现在问题来了：
（1）应该由哪个团队处理这个工单？
（2）评估这次重复扣款对客户的影响。
（3）客户是否遇到即时的人身安全紧急情况？
这三个问题分别对应决策场景中的选择、评分和是非判断，同时向模型提问。
选择题需提供明确选项；评分题的标准应按从低到高排序。是非题返回的是「是」的概率。
最终，它给出了非常亮眼的答案。
中国模型，已经不止于拿第一
从国庆期间的「唯一超越 Jev」，到今天的「断层第一」，StartLux-Decision 靠的，是对决策模型本质的深刻理解。
通过 Instant 的双向注意力机制、AutoThink 的置信度引导自适应推理，以及此次StartLux原创的 RLCD²。
这意味着，模型开始学会「该想时想、想清就停」，把算力集中到真正有价值的推理上。此次，StartLux 还系统公开了 RLCD² 的奖励设计、推理预算和实验结果，为决策模型如何高效思考提供了一套可分析、可验证的方法。
训练方法及研究公开，StartLux-Decision 真正做到了计算效率、决策质量和概率可靠性这个「不可能三角」的统一。
现在，StartLux-Decision 的全系列权重（包含vLLM、llama.cpp、MLX支持及量化版本）和推理代码已公开。
目前推理代码采用 Apache-2.0 协议开源，而模型权重采用 CC BY-NC 4.0 协议，商业使用需另行取得授权。
盛康配资提示：文章来自网络，不代表本站观点。
