AnswersPublished20 sources
En kompakt AI-model presser de største på agent-opgaver
StartLux V1.0 27B Preview blev nummer to i CAICT’s MCP test med 39,25 point – kun 1,30 point efter DeepSeek V4 Pro med 1,6 billioner parametre. 27B modellen slog DeepSeek V4 Flash 0731 med 284 milliarder parametre og Step 3.7 Flash med 198 milliarder parametre.
Udgivet afRedigeret med GPT-5.6 LunaBilleder genereret med GPT Image 1.5
Research answer
Key takeaways
- StartLux V1.0 27B Preview blev nummer to i CAICT’s MCP test med 39,25 point – kun 1,30 point efter DeepSeek V4 Pro med 1,6 billioner parametre.
- 27B modellen slog DeepSeek V4 Flash 0731 med 284 milliarder parametre og Step 3.7 Flash med 198 milliarder parametre.
- Testen understreger, at virksomheder bør vurdere værktøjsbrug, drift på egen infrastruktur, datasikkerhed, omkostninger og faktisk opgaveudførelse – ikke kun antallet af parametre.
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,
Shanghai-baserede StartLux har leveret et markant argument for, at mindre lokale agentmodeller kan være konkurrencedygtige i de rigtige arbejdsgange. I China Academy of Information and Communications Technology’s (CAICT) test af såkaldt trusted AI og MCP-arbejde blev StartLux-V1.0-27B-Preview nummer to samlet med en score på 39,25. Det var blot 1,30 point efter DeepSeek-V4-Pro, som har 1,6 billioner parametre. 10
3
Det betyder ikke, at en model med 27 milliarder parametre generelt har overhalet systemer i billionklassen. Men det viser, at en mindre model, der er optimeret til værktøjskald, planlægning og flertrinsopgaver, kan komme tæt på langt større modeller i en test, der minder om praktisk agentarbejde.
Hvad målte MCP-testen?
MCP står for Model Context Protocol – en standard, der blandt andet gør det muligt for sprogmodeller at arbejde sammen med eksterne værktøjer og datakilder. CAICT-testen dækkede seks specialiserede områder:
- positionsnavigation
- websøgning
- browserautomatisering
- finansanalyse
- håndtering af kodelagre
- 3D-design
Sammen med en samlet vurdering gav det syv rapporterede testelementer. Fokus var på samarbejde mellem flere værktøjer, kompleks opgaveudførelse og interaktion med virkelige miljøer. Ifølge rapporteringen blev gennemsnittet beregnet på baggrund af tre komplette gennemløb. 10
7
Det er en vigtig forskel fra en almindelig sprogmodelrangliste. En MCP-test undersøger ikke kun, om en model kan svare rigtigt på et spørgsmål. Den ser også på, om modellen kan forstå et mål, lægge en plan, vælge det rigtige værktøj, håndtere flere trin og gennemføre opgaven.
For virksomheder, der vil bruge AI-agenter i praksis, kan den slags mål derfor være mere relevante end resultater fra isolerede viden- eller ræsonnementstests.
StartLux foran langt større modeller
Den rapporterede samlede rangliste ser således ud:
- StartLux-V1.0-27B-Preview: 27 milliarder parametre; 39,25 point
- DeepSeek-V4-Pro: 1,6 billioner parametre; nummer ét, 1,30 point foran StartLux
- DeepSeek-V4-Flash-0731: 284 milliarder parametre; 38,24 point, efter StartLux
- Step-3.7-Flash: 198 milliarder parametre; placeret under StartLux
StartLux klarede sig også ifølge de citerede testresultater bedre end sammenligningsmodellen Qwen-3.6-27B i samme størrelsesklasse, med en fordel på 5,34 point. Det offentliggjorte sammenligningsfelt omfattede desuden AgentCPM-Explore, men de tilgængelige oplysninger angiver ikke pålidelige samlede scores for alle modeller. 2
3
10
På enkeltområderne var StartLux især stærk i praktisk agentarbejde. Modellen blev nummer ét i positionsnavigation og blev rapporteret som delt vinder eller ene-vinder med DeepSeek-V4-Pro i browserautomatisering og finansanalyse. 4
6
7
Et vigtigt resultat – men ikke et opgør med store modeller
Historien handler først og fremmest om parametereffektivitet. Den er ikke et bevis på, at modelstørrelse er blevet ligegyldig.
Store modeller kan fortsat have bredere evner, bedre resultater på svære opgaver og større kapacitet til avanceret ræsonnement. CAICT-resultatet peger i stedet på, at eftertræning og specialisering kan få stor betydning, når en test belønner stabil og pålidelig udførelse.
StartLux beskriver modellen som en lokalt deployerbar agentmodel og fremhæver en metode, virksomheden kalder “AI trains AI”, som indgår i deres Auto Research-tilgang. Det er virksomhedens egen forklaring på resultatet. Selve benchmarktesten dokumenterer den observerede præstation, men beviser ikke, hvilke træningsmetoder der var årsagen.
Den mest forsigtige konklusion er derfor, at målrettet optimering til værktøjsbrug, planlægning og gennemførelse af arbejdsgange kan mindske afstanden til langt større modeller i udvalgte virksomhedsopgaver.
Hvorfor lokal drift kan være attraktivt
En model med 27 milliarder parametre er normalt mere realistisk at køre på privat infrastruktur end en model med 1,6 billioner parametre – især hvis den kan kvantiseres og afvikles på passende hardware.
Det kan give virksomheder flere potentielle fordele ved gentagne agentopgaver:
- Kontrol over data: Følsomme prompts og værktøjsresultater kan blive i virksomhedens eget miljø i stedet for at blive sendt til en ekstern API-tjeneste.
- Bedre omkostningskontrol: Ved høj forespørgselsvolumen kan lokal inferens mindske nogle løbende API-udgifter. Hardware, strøm, drift og udvikling skal dog stadig regnes med i de samlede ejeromkostninger.
- Lavere afhængighed af netværk: Lokal drift kan mindske afhængigheden af internetforbindelse og en ekstern leverandørs kapacitet.
- Tilpasning: Virksomheden kan skræddersy værktøjer, regler og evaluering til en bestemt arbejdsgang.
Det er muligheder – ikke automatiske garantier. Lokal AI flytter samtidig ansvaret for hardwareindkøb, modelopdateringer, adgangskontrol, logning, overvågning og sikkerhed over på kunden. En mindre model kan være nemmere at køre uden nødvendigvis at være nemmere at styre.
En del af en større trend mod kompakte agenter
StartLux står ikke alene. Flere udviklere arbejder med modeller, hvor effektivitet og aktiv parameterbrug vægtes højere end det samlede antal parametre.
NVIDIA beskriver eksempelvis Nemotron 3.5 Lightning som en åben mixture-of-experts-model på 30 milliarder parametre, hvor 3 milliarder parametre er aktive under beregningen. Modellen er målrettet højvolumen-opgaver i altid-kørende AI-agenter. NVIDIA’s dokumentation nævner også Gemma 4-varianter på 12 og 31 milliarder parametre. 25
26
Sekundære kilder og modelkataloger placerer ligeledes Meta’s Muse Glimmer i kategorien af modeller til lokale agenter. De tilgængelige oplysninger her kan dog ikke uafhængigt bekræfte Meta’s oprindelige lanceringdokumentation. 27
33
Det overordnede billede er alligevel tydeligt: Udviklere optimerer i stigende grad for aktive parametre, gennemløbshastighed, kvantisering, pålidelig værktøjsbrug og lokal drift.
Hvad bør virksomheder måle før et køb?
StartLux-resultatet kan føre til en mere opdelt indkøbsstrategi for kinesiske virksomheder – og samme princip kan bruges bredere:
- Vælg kompakte lokale eller private modeller til følsomme, hyppige og forudsigelige arbejdsgange.
- Brug de største cloudmodeller til brede, sjældne eller ekstra vanskelige opgaver, hvor maksimal kapacitet er vigtigere end enkel drift.
- Test hele arbejdsgangen, herunder præcision i værktøjskald, fejlhåndtering, gennemførelsesgrad, kinesisk sprogkvalitet, domænetilpasning, svartid og driftsomkostninger.
- Vurder styring og sikkerhed før lancering, herunder tilladelser, dataopbevaring, overvågningsmuligheder, modelopdateringer og mulighed for menneskelig indgriben.
Det flytter fokus fra spørgsmålet: “Hvilken model har flest parametre?” til et mere nyttigt spørgsmål: “Hvilken model løser denne opgave stabilt til en acceptabel pris og med en acceptabel risiko?”
Fra parameterkapløb til kapløb om arbejdsgange
StartLux-V1.0-27B-Preview har ikke afsluttet konkurrencen mellem små og store modeller. Men resultatet gør afvejningen sværere at ignorere.
En kompakt model, der fungerer godt i værktøjsbaserede opgaver fra den virkelige verden, kan være et bedre virksomhedskøb end en meget større model, når privat drift, forudsigelige omkostninger, lav latenstid og kontrol over data vejer tungt.
Den næste fase af AI-indkøb kommer derfor sandsynligvis ikke til at handle om én universel vinder. Den kommer i højere grad til at handle om at matche modelstørrelse og driftsform med den konkrete opgave.
I det perspektiv er StartLux’ score på 39,25 væsentlig – ikke fordi den gør antallet af parametre irrelevant, men fordi den viser, hvor meget praktisk kapacitet der kan koncentreres i en model, som i højere grad kan overvejes til lokal drift.
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 "En kompakt AI-model presser de største på agent-opgaver"?
StartLux V1.0 27B Preview blev nummer to i CAICT’s MCP test med 39,25 point – kun 1,30 point efter DeepSeek V4 Pro med 1,6 billioner parametre.
What are the key points to validate first?
StartLux V1.0 27B Preview blev nummer to i CAICT’s MCP test med 39,25 point – kun 1,30 point efter DeepSeek V4 Pro med 1,6 billioner parametre. 27B modellen slog DeepSeek V4 Flash 0731 med 284 milliarder parametre og Step 3.7 Flash med 198 milliarder parametre.
What should I do next in practice?
Testen understreger, at virksomheder bør vurdere værktøjsbrug, drift på egen infrastruktur, datasikkerhed, omkostninger og faktisk opgaveudførelse – ikke kun antallet af parametre.