AnswersPublished20 sources
StartLux-27B skončil v testu MCP druhý. Parametry už nejsou jediným měřítkem AI
StartLux V1.0 27B Preview získal v testu MCP čínské akademie CAICT 39,25 bodu a skončil druhý. Model s 27 miliardami parametrů porazil 284miliardový DeepSeek V4 Flash 0731 i 198miliardový Step 3.7 Flash.
PublikovalUpraveno pomocí GPT-5.6 LunaObrázky vytvořeny pomocí GPT Image 1.5
Research answer
Key takeaways
- StartLux V1.0 27B Preview získal v testu MCP čínské akademie CAICT 39,25 bodu a skončil druhý.
- Model s 27 miliardami parametrů porazil 284miliardový DeepSeek V4 Flash 0731 i 198miliardový Step 3.7 Flash.
- Výsledek posiluje argument pro hodnocení AI podle spolehlivého používání nástrojů, nákladů, ochrany dat a dokončení konkrétního pracovního postupu — nikoli jen podle počtu parametrů.
AI Prompt
openai.comCreate a landscape editorial hero image for this Studio Global article: How did Shanghai-based StartLux’s StartLux-V1.0-27B-Preview, a 27-billion-parameter model built on Qwen3.6-27B with targeted post-training a. Article summary: StartLux-V1.0-27B-Preview was a notable outlier in CAICT’s MCP special test: it placed second overall with a 39.25 score despite having 27 billion parameters. It trailed the 1.6-trillion-parameter DeepSeek-V4-Pro by 1.30. Topic tags: general, general web, user generated, documentation. Style: premium digital editorial illustration, source-backed research mood, clean composition, high detail, modern web publication hero. Use reference image context only for broad subject, composition, and topical grounding; do not copy the exact image. Avoid: logos, brand marks, copyrighted characters, real person likenesses, fake screenshots, UI text, readable text, watermarks,
Šanghajská společnost StartLux předvedla v testu zaměřeném na AI agenty výsledek, který zpochybňuje jednoduchou rovnici „větší model = lepší model“. Její lokálně nasaditelný StartLux-V1.0-27B-Preview s 27 miliardami parametrů obsadil v testu Trusted AI Large Model Benchmark – MCP Special Test druhé místo se skóre 39,25. Zaostal pouze za modelem DeepSeek-V4-Pro s 1,6 bilionu parametrů, a to o 1,30 bodu. 10
3
Neznamená to, že 27miliardový model obecně překonal systémy s bilionem parametrů. Výsledek ale ukazuje, že menší model cíleně optimalizovaný pro práci s nástroji, plánování a provádění úkolů může v konkrétních pracovních scénářích velkým modelům výrazně konkurovat.
Test, který měří práci, ne jen odpovědi
Hodnocení připravil Institut umělé inteligence při China Academy of Information and Communications Technology (CAICT), tedy čínské akademii pro informační a komunikační technologie. Test MCP se zaměřil na šest praktických oblastí: navigaci podle polohy, vyhledávání na webu, automatizaci prohlížeče, finanční analýzu, správu kódových repozitářů a 3D návrh. Spolu s celkovým hodnocením šlo o sedm vykazovaných položek. Podle dostupných zpráv byl průměr vypočten ze tří kompletních kol testování. 10
7
MCP (Model Context Protocol) v tomto kontextu označuje způsob, jakým jazykový model komunikuje s externími nástroji a datovými zdroji. Takový test proto nesleduje pouze to, zda model zná správnou odpověď. Ověřuje, zda dokáže pochopit cíl, rozdělit ho na kroky, zvolit vhodné nástroje, reagovat na prostředí a úkol skutečně dokončit.
Pro firmy nasazující AI agenty může být právě tato schopnost důležitější než výsledek v izolovaných znalostních nebo logických úlohách.
StartLux porazil několikanásobně větší modely
Podle zveřejněných výsledků vypadá celkové pořadí takto:
- StartLux-V1.0-27B-Preview: 27 miliard parametrů, skóre 39,25
- DeepSeek-V4-Pro: 1,6 bilionu parametrů, první místo; před StartLuxem o 1,30 bodu
- DeepSeek-V4-Flash-0731: 284 miliard parametrů, skóre 38,24
- Step-3.7-Flash: 198 miliard parametrů, umístil se za StartLuxem
StartLux měl podle citovaných zpráv náskok také před srovnávacím modelem stejné velikosti Qwen-3.6-27B, a to o 5,34 bodu. Ve zveřejněném seznamu účastníků byl rovněž 4miliardový AgentCPM-Explore, dostupné podklady však neuvádějí spolehlivé celkové skóre všech porovnávaných modelů. 2
3
10
V jednotlivých disciplínách se StartLux umístil nejlépe v navigaci podle polohy, kde skončil první. Silný výkon předvedl také v automatizaci prohlížeče a finanční analýze — v těchto oblastech měl podle dostupných zpráv stejný nebo lepší výsledek než DeepSeek-V4-Pro. 4
6
7
Důležitý signál, nikoli konec velkých modelů
Výsledek StartLuxu je především příběhem efektivity parametrů. Není důkazem, že počet parametrů přestal hrát roli. Velké modely mohou mít širší schopnosti, větší rezervu při náročném uvažování a lepší výsledky v úlohách, které tento test nepokrývá.
Test však naznačuje, že dodatečné trénování a specializace mohou mít v úlohách založených na spolehlivém provádění výrazný dopad. StartLux svůj výsledek spojuje s přístupem „AI trénuje AI“ označovaným jako Auto Research. Samotný benchmark ovšem potvrzuje naměřený výkon, nikoli to, která konkrétní tréninková metoda jej způsobila.
Střízlivý závěr proto zní: cílená optimalizace pro používání nástrojů, vícekrokové plánování a dokončování pracovních postupů může u vybraných podnikových úkolů zmenšit rozdíl mezi kompaktními a mnohonásobně většími modely.
Proč je lokální nasazení zajímavé
Model s 27 miliardami parametrů je obecně praktičtějším kandidátem pro vlastní infrastrukturu než model s 1,6 bilionu parametrů — zvlášť po kvantizaci a při použití vhodného hardwaru. To může být důležité pro organizace, které provozují velké množství opakujících se úkolů.
Možné přínosy zahrnují:
- Lepší kontrolu nad daty: citlivé dotazy a výsledky nástrojů mohou zůstat uvnitř firemního prostředí místo odesílání k externímu poskytovateli API.
- Kontrolu nákladů: při vysokém objemu inferencí lze omezit některé průběžné poplatky za API. Do celkových nákladů je však nutné započítat hardware, elektřinu, provoz i vývoj.
- Nižší závislost na síti: lokální provoz může snížit závislost na internetovém připojení a kapacitě cloudového poskytovatele.
- Snazší přizpůsobení: firma může upravit nástroje, oprávnění i vyhodnocování podle konkrétního pracovního postupu.
Nejde o automatické garance. Lokální AI zároveň přenáší na zákazníka odpovědnost za nákup hardwaru, aktualizace modelu, řízení přístupů, auditní záznamy, monitoring a bezpečnost. Menší model může být snazší provozovat, ale ne nutně snazší spravovat.
Kompaktní agentní modely nabírají na síle
StartLux zapadá do širšího trendu, v němž se vývojáři nesoustředí pouze na maximální počet parametrů, ale také na propustnost, aktivní parametry, kvantizaci a spolehlivé používání nástrojů.
NVIDIA například popisuje Nemotron 3.5 Lightning jako otevřený model typu mixture-of-experts s celkem 30 miliardami parametrů, z nichž jsou při inferenci aktivní 3 miliardy. Je určen pro dlouhodobě běžící agenty a vysoký objem úloh. Dokumentace NVIDIA zároveň uvádí podporu variant Gemma 4 s 12 a 31 miliardami parametrů. 25
26
Sekundární zdroje a katalogy modelů řadí do kategorie lokálních agentů také 30miliardový Muse Glimmer od společnosti Meta. Z dostupných podkladů však nelze nezávisle ověřit původní dokumentaci společnosti Meta, proto je vhodné brát toto srovnání s rezervou. 27
33
Společný směr je přesto zřejmý: část trhu hledá modely, které lze provozovat levněji, rychleji a pod vlastní kontrolou, nikoli pouze modely s nejvyšším absolutním výkonem v každém typu úlohy.
Co by měly firmy měřit při nákupu AI
Výsledek StartLuxu může vést k přesnějšímu rozdělení rolí mezi lokálními a cloudovými modely. Pro podniky v Číně, ale i jinde, dává smysl postupovat například takto:
- Kompaktní lokální nebo privátní modely využívat pro citlivé, objemné a opakovatelné pracovní postupy.
- Nejvýkonnější cloudové modely nasazovat u širokých, nepravidelných nebo mimořádně náročných úloh, kde je důležitější maximální schopnost než jednoduchost provozu.
- Testovat celý pracovní postup, nikoli jen model: přesnost volání nástrojů, schopnost zotavit se z chyby, míru dokončení úkolu, výkon v čínštině a daném oboru, latenci i celkové provozní náklady.
- Prověřit správu a bezpečnost ještě před nasazením — zejména oprávnění, uchovávání dat, dohledatelnost, aktualizace modelu a možnost předání úkolu člověku.
Otázka tak přestává znít „Který model má nejvíc parametrů?“ a stává se praktičtější: „Který model tento konkrétní úkol spolehlivě dokončí za přijatelnou cenu a s přijatelným rizikem?“
Od závodu o parametry k závodu o pracovní postupy
StartLux-V1.0-27B-Preview soutěž mezi malými a velkými modely neukončil. Zviditelnil však kompromis, který budou firmy při výběru AI stále hůře přehlížet.
Pro úlohy vyžadující soukromí, předvídatelné náklady, nízkou latenci a vlastní provoz může být kompaktní model, který spolehlivě pracuje s nástroji, výhodnější než mnohem větší cloudový systém. Skóre 39,25 proto není důležité proto, že by počet parametrů přestal být relevantní. Důležité je, že ukazuje, kolik použitelné schopnosti lze soustředit do modelu, o němž lze reálně uvažovat pro lokální provoz.
Studio Global AI
Continue your research
This page includes a source-backed answer you can continue inside Studio Global.
People also ask
What is the short answer to "StartLux-27B skončil v testu MCP druhý. Parametry už nejsou jediným měřítkem AI"?
StartLux V1.0 27B Preview získal v testu MCP čínské akademie CAICT 39,25 bodu a skončil druhý.
What are the key points to validate first?
StartLux V1.0 27B Preview získal v testu MCP čínské akademie CAICT 39,25 bodu a skončil druhý. Model s 27 miliardami parametrů porazil 284miliardový DeepSeek V4 Flash 0731 i 198miliardový Step 3.7 Flash.
What should I do next in practice?
Výsledek posiluje argument pro hodnocení AI podle spolehlivého používání nástrojů, nákladů, ochrany dat a dokončení konkrétního pracovního postupu — nikoli jen podle počtu parametrů.