AnswersPublished20 sources
Model 27B StartLux Hampir Menyamai Model 1.6 Trilion Parameter dalam Ujian AI China
StartLux V1.0 27B Preview memperoleh skor keseluruhan 39.25 dan menduduki tempat kedua dalam ujian MCP CAICT, hanya 1.30 mata di belakang DeepSeek V4 Pro yang mempunyai 1.6 trilion parameter. Model 27B itu mengatasi DeepSeek V4 Flash 0731 284B dan Step 3.7 Flash 198B, selain menduduki tempat pertama dalam navigasi l...
Diterbitkan olehDisunting dengan GPT-5.6 LunaImej dijana dengan GPT Image 1.5
Research answer
Key takeaways
- StartLux V1.0 27B Preview memperoleh skor keseluruhan 39.25 dan menduduki tempat kedua dalam ujian MCP CAICT, hanya 1.30 mata di belakang DeepSeek V4 Pro yang mempunyai 1.6 trilion parameter.
- Model 27B itu mengatasi DeepSeek V4 Flash 0731 284B dan Step 3.7 Flash 198B, selain menduduki tempat pertama dalam navigasi lokasi serta menunjukkan prestasi kukuh dalam automasi pelayar dan analisis kewangan.
- Keputusan ini mengukuhkan kepentingan menilai kebolehpercayaan penggunaan alat, kos operasi, privasi dan keupayaan menyelesaikan aliran kerja—bukan jumlah parameter sahaja.
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,
Model tempatan StartLux-V1.0-27B-Preview dari Shanghai memberikan salah satu hujah paling jelas kebelakangan ini bahawa model ejen bersaiz kompak masih mampu bersaing dalam tugasan dunia sebenar. Dalam ujian khas MCP bagi penanda aras model AI dipercayai yang dijalankan oleh Institut Penyelidikan Kecerdasan Buatan di bawah China Academy of Information and Communications Technology (CAICT), model dengan 27 bilion parameter itu menduduki tempat kedua secara keseluruhan dengan skor 39.25—hanya 1.30 mata di belakang DeepSeek-V4-Pro yang mempunyai 1.6 trilion parameter. 10
3
Namun, keputusan ini tidak bermakna model 27B secara umum telah mengatasi sistem yang mempunyai trilion parameter. Apa yang ditunjukkan ialah model yang lebih kecil, tetapi dioptimumkan untuk panggilan alat dan pelaksanaan tugasan berbilang langkah, boleh menghampiri prestasi model jauh lebih besar dalam ujian yang menilai tingkah laku ejen secara praktikal.
Apa yang diukur oleh ujian MCP CAICT
Ujian itu merangkumi enam tugasan khusus: navigasi lokasi, carian web, automasi pelayar, analisis kewangan, pengurusan repositori kod dan reka bentuk 3D. Kesemuanya digabungkan dengan satu penilaian keseluruhan, menjadikan tujuh item penilaian yang dilaporkan. Ujian berkenaan menumpukan kerjasama antara pelbagai alat, pelaksanaan tugasan kompleks dan interaksi dengan persekitaran sebenar. Laporan berkaitan menyatakan bahawa purata dikira berdasarkan tiga pusingan ujian lengkap. 10
7
Fokus ini penting kerana penanda aras MCP atau penggunaan alat bukanlah sama dengan papan pendahulu model bahasa umum. Ia menguji sama ada model boleh memahami matlamat, merancang beberapa langkah, memanggil alat yang betul dan menyelesaikan operasi.
Bagi syarikat yang mahu menggunakan ejen AI, keupayaan tersebut mungkin lebih penting daripada prestasi model dalam soalan pengetahuan atau penaakulan yang berdiri sendiri.
Bagaimana StartLux dibandingkan dengan model lebih besar
Kedudukan keseluruhan yang dilaporkan meletakkan StartLux di hadapan beberapa model yang mempunyai jumlah parameter jauh lebih besar:
- StartLux-V1.0-27B-Preview: 27B parameter; skor keseluruhan 39.25
- DeepSeek-V4-Pro: 1.6T parameter; tempat pertama, 1.30 mata di hadapan
- DeepSeek-V4-Flash-0731: 284B parameter; skor 38.24, di belakang StartLux
- Step-3.7-Flash: 198B parameter; berada di bawah StartLux
StartLux juga dilaporkan mencatat keputusan lebih baik berbanding model perbandingan yang sama saiz, Qwen-3.6-27B, dengan kelebihan 5.34 mata dalam laporan ujian yang dirujuk. Set perbandingan yang diterbitkan turut merangkumi Qwen-3.6-27B dan AgentCPM-Explore, tetapi bukti yang tersedia tidak memberikan skor keseluruhan yang boleh dipercayai bagi setiap model tersebut. 2
3
10
Pada peringkat kategori, prestasi paling menonjol StartLux datang daripada tugasan ejen yang bersifat praktikal. Model itu menduduki tempat pertama dalam navigasi lokasi dan dilaporkan seri atau mengatasi DeepSeek-V4-Pro dalam automasi pelayar serta analisis kewangan. 4
6
7
Mengapa keputusan ini penting—dan hadnya
Tajuk utama di sebalik keputusan ini ialah kecekapan parameter, bukannya bukti bahawa saiz model sudah tidak penting. Model besar masih boleh menawarkan keupayaan lebih luas, prestasi lebih baik merentas tugasan sukar dan ruang penaakulan yang lebih besar.
Sebaliknya, keputusan CAICT menunjukkan bahawa latihan pascapembangunan dan pengkhususan tugasan boleh memberikan kesan besar apabila penilaian memberi ganjaran kepada pelaksanaan yang konsisten.
StartLux menggambarkan modelnya sebagai model ejen yang boleh digunakan secara tempatan dan mengetengahkan pendekatan Auto Research “AI trains AI”. Penjelasan itu datang daripada syarikat sendiri; keputusan penanda aras menyokong prestasi yang diperhatikan, tetapi tidak membuktikan kaedah latihan tertentu sebagai puncanya.
Kesimpulan yang lebih berhati-hati ialah pengoptimuman khusus untuk penggunaan alat, perancangan dan penyelesaian aliran kerja boleh mengecilkan jurang dengan model jauh lebih besar dalam tugasan perusahaan tertentu.
Apa yang boleh berubah dengan penggunaan tempatan
Model 27B secara umumnya lebih praktikal untuk digunakan pada infrastruktur persendirian berbanding model 1.6T parameter, khususnya apabila versi terkuantisasi dan perkakasan yang sesuai tersedia. Bagi organisasi yang menjalankan tugasan ejen berulang pada jumlah tinggi, penggunaan tempatan berpotensi menawarkan beberapa kelebihan:
- Kawalan data: arahan sensitif dan hasil daripada alat boleh kekal dalam persekitaran syarikat, tanpa dihantar kepada API luaran.
- Kawalan kos: inferens berjumlah tinggi mungkin mengurangkan sebahagian kos API berulang. Namun, perkakasan, elektrik, operasi dan kejuruteraan tetap perlu dimasukkan dalam pengiraan jumlah kos pemilikan.
- Kependaman dan ketersediaan: penggunaan tempatan boleh mengurangkan pergantungan kepada sambungan rangkaian dan kapasiti penyedia perkhidmatan.
- Penyesuaian: organisasi boleh mengubah suai alat, dasar dan proses penilaian mengikut aliran kerja yang lebih khusus.
Ini ialah kemungkinan dari sudut penggunaan, bukannya jaminan automatik. AI tempatan juga memindahkan tanggungjawab pemerolehan perkakasan, kemas kini model, kawalan akses, log audit, pemantauan dan keselamatan kepada pelanggan.
Model yang lebih kecil mungkin lebih mudah dijalankan, tetapi tidak semestinya lebih mudah ditadbir.
StartLux sebahagian daripada trend model ejen kompak
Pasaran kini turut menghasilkan model yang mengutamakan kecekapan, bukan jumlah parameter maksimum. NVIDIA menyifatkan Nemotron 3.5 Lightning sebagai model mixture-of-experts terbuka 30B dengan hanya 3B parameter aktif, yang dibina untuk pelaksanaan tugasan berjumlah tinggi oleh ejen yang beroperasi secara berterusan. Dokumentasi sokongan model NVIDIA juga menyenaraikan varian Gemma 4 pada 12B dan 31B. 25
26
Sumber sekunder dan katalog model turut meletakkan Muse Glimmer Meta dalam kategori ejen tempatan, tetapi bukti yang tersedia di sini tidak mengesahkan secara bebas dokumentasi keluaran asal Meta. 27
33
Walaupun begitu, corak besarnya semakin jelas: pembangun kini mengoptimumkan parameter aktif, kadar pemprosesan, kuantisasi, kebolehpercayaan panggilan alat dan operasi tempatan.
Apa yang patut diukur oleh pembeli perusahaan di China
Keputusan StartLux boleh mendorong strategi pemerolehan AI yang lebih bersegmen:
- Gunakan model kompak persendirian atau tempatan untuk aliran kerja yang sensitif, berjumlah tinggi dan berulang.
- Gunakan model awan berkeupayaan termaju untuk tugasan yang luas, jarang berlaku atau luar biasa sukar, apabila keupayaan maksimum lebih penting daripada kesederhanaan penggunaan.
- Uji keseluruhan aliran kerja, termasuk ketepatan panggilan alat, keupayaan pulih daripada ralat, kadar penyelesaian tugasan, prestasi bahasa Cina, kesesuaian domain, kependaman dan kos operasi.
- Nilai tadbir urus sebelum pelancaran, meliputi kebenaran, penyimpanan data, kebolehlihatan sistem, kemas kini model dan proses eskalasi kepada manusia.
Pendekatan ini menggantikan soalan “Model mana mempunyai parameter paling banyak?” dengan soalan yang lebih berguna: “Model mana yang boleh menyelesaikan tugas ini dengan boleh dipercayai, pada kos dan tahap risiko yang boleh diterima?”
Perlumbaan parameter berubah menjadi perlumbaan aliran kerja
StartLux-V1.0-27B-Preview tidak menamatkan persaingan antara model kecil dan model besar. Namun, ia menjadikan pertukaran antara saiz, prestasi dan kebolehgunaan lebih sukar untuk diabaikan.
Model kompak yang berprestasi baik dalam tugasan sebenar berasaskan alat mungkin menjadi pembelian perusahaan yang lebih sesuai daripada model jauh lebih besar apabila privasi, kos yang boleh dijangka, kependaman dan penggunaan persendirian menjadi keutamaan.
Fasa seterusnya dalam pemerolehan AI mungkin kurang berkisar tentang memilih satu pemenang mutlak, dan lebih kepada memadankan saiz model serta cara penggunaannya dengan kerja yang perlu diselesaikan.
Dalam pasaran seperti itu, skor 39.25 StartLux penting bukan kerana jumlah parameter sudah tidak relevan, tetapi kerana ia menunjukkan sejauh mana keupayaan boleh dipadatkan ke dalam model yang cukup kecil untuk dipertimbangkan bagi operasi tempatan.
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 "Model 27B StartLux Hampir Menyamai Model 1.6 Trilion Parameter dalam Ujian AI China"?
StartLux V1.0 27B Preview memperoleh skor keseluruhan 39.25 dan menduduki tempat kedua dalam ujian MCP CAICT, hanya 1.30 mata di belakang DeepSeek V4 Pro yang mempunyai 1.6 trilion parameter.
What are the key points to validate first?
StartLux V1.0 27B Preview memperoleh skor keseluruhan 39.25 dan menduduki tempat kedua dalam ujian MCP CAICT, hanya 1.30 mata di belakang DeepSeek V4 Pro yang mempunyai 1.6 trilion parameter. Model 27B itu mengatasi DeepSeek V4 Flash 0731 284B dan Step 3.7 Flash 198B, selain menduduki tempat pertama dalam navigasi lokasi serta menunjukkan prestasi kukuh dalam automasi pelayar dan analisis kewangan.
What should I do next in practice?
Keputusan ini mengukuhkan kepentingan menilai kebolehpercayaan penggunaan alat, kos operasi, privasi dan keupayaan menyelesaikan aliran kerja—bukan jumlah parameter sahaja.