上海のAI企業StartLuxが開発したローカルモデル「StartLux-V1.0-27B-Preview」が、中国信息通信研究院（中国信通院、CAICT）の「信頼できるAI大規模モデル・ベンチマークテスト」のMCP特別テストで総合2位となった。27B（270億）パラメーターのモデルながら、スコアは39.25。1.6T（1兆6,000億）パラメーターのDeepSeek-V4-Proとの差は1.30ポイントだった。103

この結果は、27Bモデルがあらゆる用途で超大規模モデルを上回ったことを意味しない。注目すべきなのは、ツール呼び出しや複数ステップの実行に最適化された比較的小さなモデルが、実際のエージェント業務を意識した評価で、はるかに大きなモデルに迫った点だ。

MCPテストが測ったもの

今回の評価では、次の6分野と総合評価の計7項目が対象となった。107

• 位置ナビゲーション
• ウェブ検索
• ブラウザー自動化
• 金融分析
• コードリポジトリー管理
• 3Dデザイン
• 総合評価

テストの焦点は、単発の知識問題や推論問題ではない。モデルがユーザーの目的を読み取り、手順を組み立て、適切なツールを呼び出し、現実の環境で作業を完了できるかを調べるものだ。報道によれば、平均値は3回の完全なテスト実行から算出された。107

つまり、MCPやツール利用のベンチマークは、一般的な大規模言語モデルの順位表とは性格が異なる。AIエージェントを導入する企業にとっては、知識問題への回答精度だけでなく、ツールの選択、エラーからの復旧、複数ステップの完遂といった実務上の性能がより重要になる場合がある。

大型モデルとの比較

公表された総合結果では、StartLuxは総パラメーター数で大きく上回る複数のモデルを上回った。

• StartLux-V1.0-27B-Preview：27B、総合39.25点
• DeepSeek-V4-Pro：1.6T、首位。StartLuxとの差は1.30ポイント
• DeepSeek-V4-Flash-0731：284B、38.24点
• Step-3.7-Flash：198B、StartLuxを下回る順位

同じ27BクラスのQwen-3.6-27Bとの比較では、StartLuxが5.34ポイント上回ったと報告されている。比較対象にはQwen-3.6-27BとAgentCPM-Exploreも含まれていたが、入手できる資料からは両モデルの信頼できる総合スコアを確認できない。2310

個別タスクでは、位置ナビゲーションでStartLuxが1位となった。また、ブラウザー自動化と金融分析では、DeepSeek-V4-Proと同率、または単独首位だったと報告されている。467

パラメーター競争の終わりではない

このニュースを「27Bが1.6Tを全面的に打ち負かした」と読むのは適切ではない。大規模モデルには、より幅広い能力や難度の高い推論での強みがあり、最先端の用途では依然として規模が大きな意味を持つ。

StartLuxの成績が示すのは、評価対象が明確な場合、事後学習やタスク特化が結果を大きく左右し得るということだ。ツール利用、計画立案、業務フローの完了を重視するなら、モデルの総パラメーター数だけでは実用性能を予測しにくい。

StartLuxは、自社モデルをローカルで展開できるエージェントモデルと説明し、「AIがAIを訓練する」Auto Researchの手法も掲げている。ただし、これらは同社による成果の説明であり、今回のベンチマーク結果だけで、どの訓練手法が成績の原因だったかまでは証明できない。確認できる結論は、ツール操作やワークフロー実行に向けた特化型の最適化が、特定の企業タスクで大型モデルとの差を縮める可能性がある、という範囲にとどまる。

ローカル導入で何が変わるのか

量子化や適切なハードウェアを前提にすれば、27Bモデルは1.6Tモデルよりも、企業のプライベート環境やワークステーションに導入しやすいと考えられる。反復的なエージェント処理を大量に実行する企業にとっては、次のような利点があり得る。

• データ管理：機密性の高いプロンプトやツールの実行結果を、外部APIへ送らず社内環境に置ける可能性がある。
• コスト管理：推論量が多い場合、リクエスト単位のAPI費用を抑えられる可能性がある。ただし、ハードウェア、電力、運用、エンジニアリングの費用も含めて総保有コストを計算する必要がある。
• レイテンシーと可用性：ネットワーク接続や外部サービスの混雑への依存を減らせる可能性がある。
• カスタマイズ：対象業務に合わせて、ツール、権限、ポリシー、評価手順を調整しやすい。

もっとも、これは導入上の可能性であって、自動的に得られる効果ではない。ローカルAIでは、ハードウェアの調達、モデル更新、アクセス制御、監査ログ、監視、セキュリティを利用企業自身が担うことになる。小型モデルは動かしやすくても、必ずしも統制しやすいとは限らない。

30B前後のローカルエージェントが相次ぐ

業界では、最大規模を目指すのではなく、効率性や常時稼働を重視したモデルも増えている。NVIDIAは「Nemotron 3.5 Lightning」について、総パラメーター数30B、推論時のアクティブパラメーター3Bのオープンな混合専門家（MoE）モデルで、常時稼働するエージェントの大量処理を狙ったものと説明している。NVIDIAのモデル対応記録には、Gemma 4の12Bおよび31Bモデルも掲載されている。2526

また、二次資料やモデルカタログでは、Metaの「Muse Glimmer」もローカルエージェント向けのモデルとして紹介されている。ただし、ここで確認できる資料だけでは、Metaによるオリジナルの公開文書を独立に検証できない。2733

個々のモデルについて断定しすぎなくても、大きな流れは見えている。開発者は、総パラメーター数だけでなく、アクティブパラメーター数、スループット、量子化、ツール利用の安定性、ローカル運用のしやすさを最適化し始めている。

中国企業のAI調達で見るべき指標

StartLuxの成績は、中国企業にモデルを一律導入するのではなく、業務ごとに使い分ける調達戦略を後押しする可能性がある。

1. 機密性が高く、処理量の多い定型業務には、コンパクトなローカルモデルやプライベート環境のモデルを使う。
2. 幅広い知識や高度な推論が必要な、頻度の低い難題には、最先端のクラウドモデルを使う。
3. ツール呼び出しの正確性、エラー復旧、タスク完了率、中国語と業界領域への適合性、レイテンシー、運用コストを含め、業務全体で比較する。
4. 権限設定、データ保持、可観測性、モデル更新、人間へのエスカレーションなど、導入前のガバナンスも評価する。

重要なのは、「最もパラメーター数が多いモデルはどれか」ではなく、「この仕事を、許容できるコストとリスクで、最も安定して完了できるモデルはどれか」という問いだ。

競争の軸はパラメーターからワークフローへ

StartLux-V1.0-27B-Previewは、小型モデルと大型モデルの競争を終わらせたわけではない。しかし、実際のツール操作を伴う業務では、モデル規模と実用性のトレードオフを無視できないことを示した。

プライバシー、予測可能なコスト、低遅延、社内運用を重視する企業にとっては、巨大モデルよりも、必要なワークフローを安定して完了できるコンパクトモデルの方が適した選択になる場合がある。

今後のAI調達は、すべての用途で一つの「勝者」を選ぶ競争から、業務と導入形態に合わせてモデルを組み合わせる競争へ移っていくだろう。StartLuxの39.25点が示唆するのは、パラメーター数が無意味になったことではない。ローカル運用を検討できる規模に、どれだけの実務能力を集約できるかが、モデル選びの新たな焦点になりつつあるということだ。

上海のAI企業StartLuxが開発したローカルモデル「StartLux-V1.0-27B-Preview」が、中国信息通信研究院（中国信通院、CAICT）の「信頼できるAI大規模モデル・ベンチマークテスト」のMCP特別テストで総合2位となった。27B（270億）パラメーターのモデルながら、スコアは39.25。1.6T（1兆6,000億）パラメーターのDeepSeek-V4-Proとの差は1.30ポイントだった。103

この結果は、27Bモデルがあらゆる用途で超大規模モデルを上回ったことを意味しない。注目すべきなのは、ツール呼び出しや複数ステップの実行に最適化された比較的小さなモデルが、実際のエージェント業務を意識した評価で、はるかに大きなモデルに迫った点だ。

MCPテストが測ったもの

今回の評価では、次の6分野と総合評価の計7項目が対象となった。107

• 位置ナビゲーション
• ウェブ検索
• ブラウザー自動化
• 金融分析
• コードリポジトリー管理
• 3Dデザイン
• 総合評価

テストの焦点は、単発の知識問題や推論問題ではない。モデルがユーザーの目的を読み取り、手順を組み立て、適切なツールを呼び出し、現実の環境で作業を完了できるかを調べるものだ。報道によれば、平均値は3回の完全なテスト実行から算出された。107

つまり、MCPやツール利用のベンチマークは、一般的な大規模言語モデルの順位表とは性格が異なる。AIエージェントを導入する企業にとっては、知識問題への回答精度だけでなく、ツールの選択、エラーからの復旧、複数ステップの完遂といった実務上の性能がより重要になる場合がある。

大型モデルとの比較

公表された総合結果では、StartLuxは総パラメーター数で大きく上回る複数のモデルを上回った。

• StartLux-V1.0-27B-Preview：27B、総合39.25点
• DeepSeek-V4-Pro：1.6T、首位。StartLuxとの差は1.30ポイント
• DeepSeek-V4-Flash-0731：284B、38.24点
• Step-3.7-Flash：198B、StartLuxを下回る順位

同じ27BクラスのQwen-3.6-27Bとの比較では、StartLuxが5.34ポイント上回ったと報告されている。比較対象にはQwen-3.6-27BとAgentCPM-Exploreも含まれていたが、入手できる資料からは両モデルの信頼できる総合スコアを確認できない。2310

個別タスクでは、位置ナビゲーションでStartLuxが1位となった。また、ブラウザー自動化と金融分析では、DeepSeek-V4-Proと同率、または単独首位だったと報告されている。467

パラメーター競争の終わりではない

このニュースを「27Bが1.6Tを全面的に打ち負かした」と読むのは適切ではない。大規模モデルには、より幅広い能力や難度の高い推論での強みがあり、最先端の用途では依然として規模が大きな意味を持つ。

StartLuxの成績が示すのは、評価対象が明確な場合、事後学習やタスク特化が結果を大きく左右し得るということだ。ツール利用、計画立案、業務フローの完了を重視するなら、モデルの総パラメーター数だけでは実用性能を予測しにくい。

StartLuxは、自社モデルをローカルで展開できるエージェントモデルと説明し、「AIがAIを訓練する」Auto Researchの手法も掲げている。ただし、これらは同社による成果の説明であり、今回のベンチマーク結果だけで、どの訓練手法が成績の原因だったかまでは証明できない。確認できる結論は、ツール操作やワークフロー実行に向けた特化型の最適化が、特定の企業タスクで大型モデルとの差を縮める可能性がある、という範囲にとどまる。

ローカル導入で何が変わるのか

量子化や適切なハードウェアを前提にすれば、27Bモデルは1.6Tモデルよりも、企業のプライベート環境やワークステーションに導入しやすいと考えられる。反復的なエージェント処理を大量に実行する企業にとっては、次のような利点があり得る。

• データ管理：機密性の高いプロンプトやツールの実行結果を、外部APIへ送らず社内環境に置ける可能性がある。
• コスト管理：推論量が多い場合、リクエスト単位のAPI費用を抑えられる可能性がある。ただし、ハードウェア、電力、運用、エンジニアリングの費用も含めて総保有コストを計算する必要がある。
• レイテンシーと可用性：ネットワーク接続や外部サービスの混雑への依存を減らせる可能性がある。
• カスタマイズ：対象業務に合わせて、ツール、権限、ポリシー、評価手順を調整しやすい。

もっとも、これは導入上の可能性であって、自動的に得られる効果ではない。ローカルAIでは、ハードウェアの調達、モデル更新、アクセス制御、監査ログ、監視、セキュリティを利用企業自身が担うことになる。小型モデルは動かしやすくても、必ずしも統制しやすいとは限らない。

30B前後のローカルエージェントが相次ぐ

業界では、最大規模を目指すのではなく、効率性や常時稼働を重視したモデルも増えている。NVIDIAは「Nemotron 3.5 Lightning」について、総パラメーター数30B、推論時のアクティブパラメーター3Bのオープンな混合専門家（MoE）モデルで、常時稼働するエージェントの大量処理を狙ったものと説明している。NVIDIAのモデル対応記録には、Gemma 4の12Bおよび31Bモデルも掲載されている。2526

また、二次資料やモデルカタログでは、Metaの「Muse Glimmer」もローカルエージェント向けのモデルとして紹介されている。ただし、ここで確認できる資料だけでは、Metaによるオリジナルの公開文書を独立に検証できない。2733

個々のモデルについて断定しすぎなくても、大きな流れは見えている。開発者は、総パラメーター数だけでなく、アクティブパラメーター数、スループット、量子化、ツール利用の安定性、ローカル運用のしやすさを最適化し始めている。

中国企業のAI調達で見るべき指標

StartLuxの成績は、中国企業にモデルを一律導入するのではなく、業務ごとに使い分ける調達戦略を後押しする可能性がある。

1. 機密性が高く、処理量の多い定型業務には、コンパクトなローカルモデルやプライベート環境のモデルを使う。
2. 幅広い知識や高度な推論が必要な、頻度の低い難題には、最先端のクラウドモデルを使う。
3. ツール呼び出しの正確性、エラー復旧、タスク完了率、中国語と業界領域への適合性、レイテンシー、運用コストを含め、業務全体で比較する。
4. 権限設定、データ保持、可観測性、モデル更新、人間へのエスカレーションなど、導入前のガバナンスも評価する。

重要なのは、「最もパラメーター数が多いモデルはどれか」ではなく、「この仕事を、許容できるコストとリスクで、最も安定して完了できるモデルはどれか」という問いだ。

競争の軸はパラメーターからワークフローへ

StartLux-V1.0-27B-Previewは、小型モデルと大型モデルの競争を終わらせたわけではない。しかし、実際のツール操作を伴う業務では、モデル規模と実用性のトレードオフを無視できないことを示した。

プライバシー、予測可能なコスト、低遅延、社内運用を重視する企業にとっては、巨大モデルよりも、必要なワークフローを安定して完了できるコンパクトモデルの方が適した選択になる場合がある。

今後のAI調達は、すべての用途で一つの「勝者」を選ぶ競争から、業務と導入形態に合わせてモデルを組み合わせる競争へ移っていくだろう。StartLuxの39.25点が示唆するのは、パラメーター数が無意味になったことではない。ローカル運用を検討できる規模に、どれだけの実務能力を集約できるかが、モデル選びの新たな焦点になりつつあるということだ。