AnswersPublished20 sources
Pieni malli lähes triljoonaparametrisen verrokin kannoilla
StartLux V1.0 27B Preview sai CAICT:n MCP testissä 39,25 pistettä ja sijoittui toiseksi, vain 1,30 pistettä 1,6 biljoonan parametrin DeepSeek V4 Pro mallin taakse. 27B malli päihitti 284B parametrisen DeepSeek V4 Flash 0731:n ja 198B parametrisen Step 3.7 Flashin.
JulkaisijaMuokattu mallilla GPT-5.6 LunaKuvat luotu mallilla GPT Image 1.5
Research answer
Key takeaways
- StartLux V1.0 27B Preview sai CAICT:n MCP testissä 39,25 pistettä ja sijoittui toiseksi, vain 1,30 pistettä 1,6 biljoonan parametrin DeepSeek V4 Pro mallin taakse.
- 27B malli päihitti 284B parametrisen DeepSeek V4 Flash 0731:n ja 198B parametrisen Step 3.7 Flashin.
- Tulos kannustaa arvioimaan malleja parametrimäärän sijaan työtehtävän luotettavan suorittamisen, yksityisyyden, kokonaiskustannusten ja paikallisen käyttöönoton perusteella.
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-yhtiö StartLuxin StartLux-V1.0-27B-Preview tarjoaa yhden viime aikojen kiinnostavimmista esimerkeistä siitä, kuinka pieni paikallinen agenttimalli voi haastaa paljon suuremmat järjestelmät. Malli sijoittui toiseksi Kiinan teollisuus- ja tietotekniikkaministeriön alaisen China Academy of Information and Communications Technologyn (CAICT) luotettavan tekoälyn MCP-erikoistestissä. Sen kokonaispistemäärä oli 39,25, vain 1,30 pistettä vähemmän kuin 1,6 biljoonan parametrin DeepSeek-V4-Prolla. 10
3
Tulos ei tarkoita, että 27 miljardin parametrin malli olisi yleisesti ohittanut triljoonaparametriset järjestelmät. Se osoittaa kuitenkin, että työkalujen käyttöön ja monivaiheisten tehtävien suorittamiseen optimoitu pienempi malli voi tietyissä käytännön tehtävissä päästä hyvin lähelle huomattavasti suurempia malleja.
Mitä CAICT:n MCP-testi mittasi?
MCP eli Model Context Protocol liittyy siihen, miten kielimalli yhdistetään ulkoisiin työkaluihin ja tietolähteisiin. Kyse ei siis ole tavallisesta kielimallien tietämys- tai päättelytestistä, vaan siitä, pystyykö agentti ymmärtämään tavoitteen, suunnittelemaan työvaiheet, kutsumaan oikeita työkaluja ja saattamaan tehtävän loppuun todellisessa ympäristössä.
CAICT:n erikoistesti sisälsi kuusi tehtäväaluetta:
- sijainnin navigointi
- verkkohaku
- selainautomaatio
- talousanalyysi
- koodivarastojen hallinta
- 3D-suunnittelu
Näiden lisäksi raportoitiin yhdistetty kokonaisarvio, joten testikokonaisuudessa oli yhteensä seitsemän arviointikohdetta. Painopisteenä olivat useiden työkalujen yhteistyö, monimutkaisten tehtävien suorittaminen ja vuorovaikutus todellisten ympäristöjen kanssa. Testiraporttien mukaan keskiarvo laskettiin kolmen täyden testikierroksen perusteella. 10
7
Tällä rajauksella on merkitystä. MCP- tai työkalujen käyttöön keskittyvä vertailu ei ole sama asia kuin yleinen suurten kielimallien ranking. Yritykselle agentin kyky suorittaa tilaus, hakea tietoja tai päivittää järjestelmää luotettavasti voi olla käytännössä tärkeämpi kuin tulos irrallisissa tietokysymyksissä.
Miten StartLux pärjäsi suurempia malleja vastaan?
Raportoidussa kokonaisvertailussa StartLux sijoittui useiden sitä huomattavasti suurempien mallien edelle:
- StartLux-V1.0-27B-Preview: 27 miljardia parametria, 39,25 pistettä
- DeepSeek-V4-Pro: 1,6 biljoonaa parametria, ensimmäinen sija; StartLux jäi 1,30 pistettä jälkeen
- DeepSeek-V4-Flash-0731: 284 miljardia parametria, 38,24 pistettä
- Step-3.7-Flash: 198 miljardia parametria, StartLuxin alapuolelle sijoittunut malli
StartLuxin kerrotaan voittaneen myös samankokoisen Qwen-3.6-27B:n 5,34 pisteellä. Vertailujoukkoon kuuluivat lisäksi Qwen-3.6-27B ja AgentCPM-Explore, mutta käytettävissä olevat lähteet eivät anna kummallekaan luotettavaa, tarkkaa kokonaispistemäärää. 2
3
10
Yksittäisissä tehtävissä StartLuxin vahvinta aluetta oli käytännön agenttityö. Se sijoittui ensimmäiseksi sijainnin navigoinnissa, ja selainautomaation sekä talousanalyysin kohdalla sen kerrottiin jakavan kärkisijan DeepSeek-V4-Pron kanssa tai johtavan yksin. 4
6
7
Miksi tulos on merkittävä – ja miksi sitä ei pidä ylitulkita?
Lukema on ennen kaikkea tarina parametritehokkuudesta, ei todiste siitä, että mallien koko olisi menettänyt merkityksensä. Suuret mallit voivat edelleen tarjota laajemmat kyvyt, paremman suoriutumisen vaikeissa tehtävissä ja enemmän kapasiteettia edistyneeseen päättelyyn.
CAICT:n tulos viittaa sen sijaan siihen, että jälkikoulutus ja tehtäväkohtainen optimointi voivat vaikuttaa erittäin paljon silloin, kun vertailu palkitsee luotettavan toiminnan. Työkalujen kutsuminen, suunnitelman toteuttaminen ja virheistä palautuminen voivat joissakin yrityksen työnkuluissa olla ratkaisevampia ominaisuuksia kuin parametrien kokonaismäärä.
StartLux kuvaa malliaan paikallisesti käyttöönotettavaksi agenttimalliksi ja nostaa esiin yhtiönsä ”AI trains AI” -nimisen Auto Research -lähestymistavan. Nämä ovat yhtiön omia selityksiä tulokselle. Vertailutulos tukee havaittua suorituskykyä, mutta ei yksin todista, mitkä koulutusmenetelmät sen aiheuttivat. Varovaisin johtopäätös onkin, että työkalujen käyttöön, suunnitteluun ja työnkulkujen loppuun saattamiseen kohdennettu optimointi voi kaventaa eroa suuriin malleihin valituissa yritystehtävissä.
Mitä paikallinen käyttöönotto voisi muuttaa?
27B-malli on lähtökohtaisesti paljon realistisempi ajaa organisaation omassa infrastruktuurissa kuin 1,6 biljoonan parametrin malli – etenkin, jos käytössä on kvantisoitu versio ja siihen sopiva laitteisto. Tämä voi olla kiinnostavaa yrityksille, joiden agentit käsittelevät suuria määriä toistuvia tehtäviä.
Mahdollisia hyötyjä ovat:
- Parempi datanhallinta: arkaluonteiset kehotteet ja työkalujen palauttamat tiedot voidaan pitää yrityksen omassa ympäristössä sen sijaan, että ne lähetettäisiin ulkoiseen rajapintaan.
- Kustannusten hallinta: suurissa käyttömäärissä paikallinen päättely voi vähentää toistuvia API-kuluja. Laskelmaan on silti sisällytettävä laitteisto, sähkö, ylläpito ja kehitystyö.
- Viive ja saatavuus: paikallinen ratkaisu voi vähentää riippuvuutta verkkoyhteydestä ja palveluntarjoajan kapasiteetista.
- Muokattavuus: yritys voi sovittaa työkalut, käyttöoikeudet ja arviointiprosessin tiettyyn työnkulkuun.
Hyödyt eivät kuitenkaan synny automaattisesti. Paikallinen tekoäly siirtää asiakkaalle vastuun laitteiston hankinnasta, mallipäivityksistä, käyttöoikeuksista, lokitiedoista, valvonnasta ja tietoturvasta. Pienempi malli voi olla helpompi ajaa, mutta sen hallinnointi ei välttämättä ole yksinkertaisempaa.
StartLux liittyy pienempien agenttimallien laajempaan aaltoon
Markkinoille tulee yhä enemmän malleja, joissa painotetaan tehokkuutta suurimman mahdollisen parametrimäärän sijaan. NVIDIA kuvaa Nemotron 3.5 Lightningia avoimeksi 30B:n mixture-of-experts-malliksi, jossa on 3 miljardia aktiivista parametria. Malli on suunnattu jatkuvasti päällä olevien agenttien suuren volyymin suorittamiseen. NVIDIAn mallituen dokumentaatiossa mainitaan myös Gemma 4:n 12B- ja 31B-versiot. 25
26
Toissijaiset lähteet ja mallihakemistot sijoittavat Meta’s Muse Glimmerin niin ikään paikallisten agenttien kategoriaan, mutta käytettävissä olevat lähteet eivät vahvista tätä riippumattomasti Metan alkuperäisestä julkaisudokumentaatiosta. 27
33
Yksittäisiä malleja tärkeämpi kehityssuunta on selvä: kehittäjät optimoivat yhä useammin aktiivisten parametrien määrää, läpimenoa, kvantisointia, työkalujen käytön luotettavuutta ja paikallista ajettavuutta.
Mitä yritysten pitäisi mitata seuraavaksi?
StartLuxin tulos voi kannustaa Kiinassa aiempaa segmentoidumpaan tekoälyn hankintaan:
- Paikalliset tai yksityisesti käyttöönotetut pienemmät mallit sopivat arkaluonteisiin, suurivolyymisiin ja toistuviin työnkulkuihin.
- Pilvipohjaiset huippumallit voidaan varata laajoihin, harvoin suoritettaviin tai poikkeuksellisen vaikeisiin tehtäviin, joissa maksimaalinen kyvykkyys painaa eniten.
- Vertailu pitäisi tehdä koko työnkululle: mukaan on otettava työkalukutsujen tarkkuus, virheistä palautuminen, tehtävien loppuun saattamisen osuus, kiinan kielen ja toimialan tuki, viive sekä kokonaiskustannukset.
- Hallintamalli on arvioitava ennen käyttöönottoa: huomioon kuuluvat käyttöoikeudet, tietojen säilytys, seurattavuus, mallipäivitykset ja ihmisen tekemä eskalointi.
Näin kysymys muuttuu muodosta ”Millä mallilla on eniten parametreja?” muotoon ”Mikä malli suorittaa tämän tehtävän luotettavasti hyväksyttävällä hinnalla ja riskillä?”
Parametrikisasta tulee työnkulkujen kilpailu
StartLux-V1.0-27B-Preview ei lopettanut pienten ja suurten mallien välistä kilpailua. Se teki kompromissista kuitenkin vaikeamman sivuuttaa. Jos kompakti malli suoriutuu hyvin työkaluja käyttävistä käytännön tehtävistä, se voi olla yritykselle parempi hankinta kuin paljon suurempi järjestelmä silloin, kun etusijalla ovat tietosuoja, ennakoitavat kulut, pieni viive ja yksityinen käyttöönotto.
Tekoälyn seuraava hankintavaihe ei todennäköisesti perustu yhden yleisvoittajan valintaan. Olennaisempaa on sovittaa mallin koko ja käyttöönottotapa tehtävään. Tässä kehyksessä StartLuxin 39,25 pistettä on merkittävä tulos – ei siksi, että parametrimäärä olisi muuttunut yhdentekeväksi, vaan siksi, että se osoittaa, kuinka paljon suorituskykyä voidaan keskittää malliin, jota voidaan harkita myös paikalliseen käyttöön.
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 "Pieni malli lähes triljoonaparametrisen verrokin kannoilla"?
StartLux V1.0 27B Preview sai CAICT:n MCP testissä 39,25 pistettä ja sijoittui toiseksi, vain 1,30 pistettä 1,6 biljoonan parametrin DeepSeek V4 Pro mallin taakse.
What are the key points to validate first?
StartLux V1.0 27B Preview sai CAICT:n MCP testissä 39,25 pistettä ja sijoittui toiseksi, vain 1,30 pistettä 1,6 biljoonan parametrin DeepSeek V4 Pro mallin taakse. 27B malli päihitti 284B parametrisen DeepSeek V4 Flash 0731:n ja 198B parametrisen Step 3.7 Flashin.
What should I do next in practice?
Tulos kannustaa arvioimaan malleja parametrimäärän sijaan työtehtävän luotettavan suorittamisen, yksityisyyden, kokonaiskustannusten ja paikallisen käyttöönoton perusteella.