ОтветыОпубликовано20 источники
StartLux 27B почти догнала триллионную модель DeepSeek в тесте ИИ-агентов
StartLux V1.0 27B Preview с 27 млрд параметров заняла второе место в тесте CAICT MCP с результатом 39,25 — всего на 1,30 балла меньше, чем DeepSeek V4 Pro с 1,6 трлн параметров. Модель обошла DeepSeek V4 Flash 0731 на 284 млрд параметров и Step 3.7 Flash на 198 млрд, а в навигации заняла первое место и показала силь...
ОпубликовалОтредактировано с помощью GPT-5.6 LunaИзображения созданы с помощью GPT Image 1.5
Ответ на исследование
Ключевые выводы
- StartLux V1.0 27B Preview с 27 млрд параметров заняла второе место в тесте CAICT MCP с результатом 39,25 — всего на 1,30 балла меньше, чем DeepSeek V4 Pro с 1,6 трлн параметров.
- Модель обошла DeepSeek V4 Flash 0731 на 284 млрд параметров и Step 3.7 Flash на 198 млрд, а в навигации заняла первое место и показала сильные результаты в автоматизации браузера и финансовом анализе.
- Результат не отменяет значение крупных моделей, но показывает: для ИИ агентов надёжный вызов инструментов, стоимость развертывания и завершение рабочих процессов могут быть важнее одного лишь числа параметров.
Промпт ИИ
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,
Шанхайская компания StartLux получила один из самых заметных аргументов в пользу компактных локальных моделей для ИИ-агентов. В специальном тесте MCP в рамках бенчмарка доверенных ИИ-моделей, организованного Институтом искусственного интеллекта Китайской академии информационных и коммуникационных технологий (CAICT), модель StartLux-V1.0-27B-Preview заняла второе место с результатом 39,25. От лидера — DeepSeek-V4-Pro с 1,6 трлн параметров — её отделили всего 1,30 балла. 10
3
Это не означает, что модель на 27 млрд параметров в целом превзошла системы триллионного масштаба. Но тест показывает другое: модель, специально оптимизированная для вызова инструментов и выполнения многошаговых задач, может вплотную конкурировать с гораздо более крупными решениями на практической агентской нагрузке.
Что проверял тест MCP
Оценивание включало шесть специализированных направлений:
- навигацию по местоположению;
- веб-поиск;
- автоматизацию браузера;
- финансовый анализ;
- управление репозиториями кода;
- 3D-проектирование.
Вместе с итоговой оценкой это составило семь пунктов проверки. Тест был ориентирован не на ответы на отдельные вопросы, а на совместную работу с несколькими инструментами, выполнение сложных сценариев и взаимодействие с реальной средой. Согласно описанию теста, итоговые значения рассчитывались по результатам трёх полных прогонов. 10
7
MCP-бенчмарк — это не обычный рейтинг языковых моделей. Он проверяет, способен ли ИИ понять цель пользователя, составить план, выбрать нужные инструменты, последовательно вызвать их и довести операцию до конца. Для компаний, внедряющих ИИ-агентов, такая проверка может быть практичнее, чем результаты в тестах на изолированные знания или абстрактное рассуждение.
Как StartLux сравнивалась с более крупными моделями
В итоговом рейтинге StartLux оказалась выше нескольких моделей, значительно превосходящих её по общему числу параметров:
- StartLux-V1.0-27B-Preview — 27 млрд параметров, 39,25 балла;
- DeepSeek-V4-Pro — 1,6 трлн параметров, первое место, преимущество 1,30 балла;
- DeepSeek-V4-Flash-0731 — 284 млрд параметров, 38,24 балла;
- Step-3.7-Flash — 198 млрд параметров, ниже StartLux в общем рейтинге.
В опубликованных отчётах также говорится, что StartLux опередила сопоставимую по размеру Qwen-3.6-27B на 5,34 балла. В набор сравнения входили Qwen-3.6-27B и AgentCPM-Explore, однако доступные материалы не приводят надёжных итоговых оценок для каждой из этих моделей. 2
3
10
Особенно сильными оказались результаты в прикладных агентских сценариях. StartLux заняла первое место в навигации по местоположению, а в автоматизации браузера и финансовом анализе, согласно опубликованным данным, сравнялась с DeepSeek-V4-Pro или опередила её. 4
6
7
Почему результат важен, но не переворачивает рынок
Главный вывод здесь — не конец гонки параметров, а история об эффективности параметров. Крупные модели по-прежнему могут иметь более широкий набор способностей, лучше справляться с особо сложными задачами и обладать большим запасом для передовых рассуждений.
Результат CAICT скорее указывает на то, что дообучение и специализация способны давать особенно большой эффект там, где тест вознаграждает надёжное выполнение конкретных операций.
StartLux называет StartLux-V1.0-27B-Preview локально разворачиваемой агентской моделью и связывает свой подход с концепцией «ИИ обучает ИИ» — Auto Research. Это объяснение компании того, как был достигнут результат. Сам бенчмарк подтверждает показанную производительность, но не доказывает, какие именно методы обучения стали её причиной. Поэтому наиболее аккуратный вывод звучит уже: целевая оптимизация вызова инструментов, планирования и выполнения рабочих процессов способна заметно сократить отставание от намного более крупных моделей на отдельных корпоративных задачах.
Что может дать локальное развертывание
Модель на 27 млрд параметров существенно реалистичнее для размещения на собственной инфраструктуре, чем модель на 1,6 трлн параметров — особенно при наличии квантованной версии и подходящего оборудования. Для организаций с повторяющимися агентскими задачами это потенциально даёт несколько преимуществ:
- Контроль над данными. Конфиденциальные запросы и результаты работы инструментов могут оставаться внутри инфраструктуры компании, а не передаваться внешнему API.
- Контроль расходов. При больших объёмах инференса можно сократить часть регулярных затрат на оплату запросов к API. Впрочем, в общую стоимость всё равно входят оборудование, электричество, эксплуатация и инженерная поддержка.
- Задержка и доступность. Локальная система меньше зависит от качества интернет-соединения и загрузки инфраструктуры поставщика.
- Настройка под процесс. Компания может адаптировать инструменты, правила доступа и процедуру оценки под конкретный рабочий сценарий.
Это возможности, а не автоматические гарантии. Локальный ИИ одновременно переносит на заказчика ответственность за закупку оборудования, обновление моделей, разграничение доступа, журналы аудита, мониторинг и безопасность. Модель меньшего размера может быть проще в запуске, но не обязательно проще в управлении.
StartLux вписывается в тренд компактных агентских моделей
Рынок всё активнее выпускает модели, рассчитанные не на максимальное число параметров, а на эффективность работы. NVIDIA описывает Nemotron 3.5 Lightning как открытую MoE-модель с 30 млрд общих и 3 млрд активных параметров, предназначенную для высокочастотного выполнения задач постоянно работающими агентами. В документации NVIDIA также указана поддержка вариантов Gemma 4 на 12 и 31 млрд параметров. 25
26
Вторичные источники и каталоги моделей относят к категории локальных агентских решений и Muse Glimmer от Meta, однако доступные материалы не позволяют независимо подтвердить это по оригинальной документации Meta. 27
33
Тем не менее общий тренд просматривается достаточно ясно: разработчики всё чаще оптимизируют не только общий размер модели, но и число активных параметров, пропускную способность, квантование, надёжность вызова инструментов и возможность локальной работы.
Что теперь стоит измерять китайским корпоративным заказчикам
Результат StartLux может подтолкнуть компании в Китае к более сегментированной стратегии закупок:
- Использовать компактные локальные или частные модели для чувствительных, массовых и повторяемых процессов.
- Оставлять передовые облачные модели для широких, редких или необычно сложных задач, где максимальные возможности важнее простоты развертывания.
- Тестировать весь рабочий процесс, включая точность вызова инструментов, восстановление после ошибок, долю завершённых задач, качество работы на китайском языке, соответствие предметной области, задержку и операционные расходы.
- Проверять вопросы управления до запуска, включая права доступа, хранение данных, наблюдаемость, обновление моделей и передачу сложных случаев человеку.
Так вопрос меняется с «У какой модели больше параметров?» на гораздо более практичный: «Какая модель надёжно выполняет именно эту работу при приемлемых затратах и рисках?»
Гонка параметров превращается в гонку рабочих процессов
StartLux-V1.0-27B-Preview не положила конец соперничеству малых и крупных моделей. Она лишь сделала компромисс между ними более очевидным. Компактная модель, хорошо справляющаяся с реальными задачами через инструменты, может оказаться лучшей корпоративной покупкой, чем гораздо более крупное решение, если для бизнеса важны конфиденциальность, предсказуемая стоимость, низкая задержка и частное развертывание.
Следующий этап закупок ИИ, вероятно, будет связан не с поиском одного универсального победителя, а с подбором размера модели и способа её развертывания под конкретную работу. В этом контексте результат StartLux — 39,25 балла — важен не потому, что делает число параметров несущественным, а потому, что показывает: значительную практическую производительность можно уместить в модель, которую уже можно рассматривать для локальной эксплуатации.
Studio Global AI
Продолжайте свое исследование
На этой странице есть ответ, подтвержденный источником, который вы можете продолжить внутри Studio Global.
Люди также спрашивают
Каков краткий ответ на вопрос «StartLux 27B почти догнала триллионную модель DeepSeek в тесте ИИ-агентов»?
StartLux V1.0 27B Preview с 27 млрд параметров заняла второе место в тесте CAICT MCP с результатом 39,25 — всего на 1,30 балла меньше, чем DeepSeek V4 Pro с 1,6 трлн параметров.
Какие ключевые моменты необходимо проверить в первую очередь?
StartLux V1.0 27B Preview с 27 млрд параметров заняла второе место в тесте CAICT MCP с результатом 39,25 — всего на 1,30 балла меньше, чем DeepSeek V4 Pro с 1,6 трлн параметров. Модель обошла DeepSeek V4 Flash 0731 на 284 млрд параметров и Step 3.7 Flash на 198 млрд, а в навигации заняла первое место и показала сильные результаты в автоматизации браузера и финансовом анализе.
Что мне делать дальше на практике?
Результат не отменяет значение крупных моделей, но показывает: для ИИ агентов надёжный вызов инструментов, стоимость развертывания и завершение рабочих процессов могут быть важнее одного лишь числа параметров.