AnswersPublished20 sources
27 milyar parametreli StartLux, MCP testinde dev modellerin arasına girdi
StartLux V1.0 27B Preview, CAICT’nin güvenilir yapay zekâ büyük model kıyaslamasındaki MCP özel testinde 39,25 puanla ikinci oldu; 1,6 trilyon parametreli DeepSeek V4 Pro’nun yalnızca 1,30 puan gerisinde kaldı. 27B model; 284 milyar parametreli DeepSeek V4 Flash 0731’i ve 198 milyar parametreli Step 3.7 Flash’ı geri...
YayımlayanGPT-5.6 Luna ile düzenlendiGörseller GPT Image 1.5 ile oluşturuldu
Research answer
Key takeaways
- StartLux V1.0 27B Preview, CAICT’nin güvenilir yapay zekâ büyük model kıyaslamasındaki MCP özel testinde 39,25 puanla ikinci oldu; 1,6 trilyon parametreli DeepSeek V4 Pro’nun yalnızca 1,30 puan gerisinde kaldı.
- 27B model; 284 milyar parametreli DeepSeek V4 Flash 0731’i ve 198 milyar parametreli Step 3.7 Flash’ı geride bıraktı.
- Sonuç, parametre sayısının tek başına yeterli bir ölçüt olmadığını; araç kullanımı, güvenilir görev tamamlama, veri gizliliği ve toplam işletme maliyetinin model seçiminde daha belirleyici hâle geldiğini gösteriyor.
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 merkezli StartLux’ın StartLux-V1.0-27B-Preview modeli, yapay zekâ ajanları için düzenlenen önemli bir değerlendirmede dikkat çekici bir sonuç aldı. Model, Çin Bilgi ve İletişim Teknolojileri Akademisi’nin (CAICT) güvenilir yapay zekâ büyük model kıyaslamasındaki MCP özel testinde 39,25 puanla ikinci sıraya yerleşti. Birinci olan 1,6 trilyon parametreli DeepSeek-V4-Pro ile arasındaki fark yalnızca 1,30 puandı. 10
3
Bu sonuç, 27 milyar parametreli bir modelin genel olarak trilyon parametreli sistemleri geride bıraktığı anlamına gelmiyor. Ancak araç çağırma, çok adımlı planlama ve gerçek iş akışlarını tamamlama gibi ajan görevlerine odaklanan daha küçük bir modelin, belirli kullanım alanlarında çok daha büyük rakiplerle başa baş yarışabileceğini ortaya koyuyor.
CAICT’nin MCP testi neyi ölçüyor?
MCP özel testi, klasik bir dil modeli sıralamasından farklı. MCP, bir modelin yalnızca soru yanıtlamasını değil; bir hedefi anlayıp plan oluşturmasını, doğru araçları sırayla çağırmasını ve işlemi gerçek bir ortamda tamamlamasını sınamayı amaçlıyor.
Değerlendirmede şu altı görev alanı yer aldı:
- konum navigasyonu,
- web araması,
- tarayıcı otomasyonu,
- finansal analiz,
- kod deposu yönetimi,
- 3B tasarım.
Bu altı göreve ek olarak genel bir değerlendirme de yapıldı ve toplam yedi raporlanmış ölçüm ortaya çıktı. Test; çoklu araç iş birliği, karmaşık görev yürütme ve gerçek ortamlarla etkileşime odaklandı. Raporlamaya göre ortalama sonuç, üç tam test çalıştırmasının ardından hesaplandı. 10
7
Dolayısıyla bu skor, bir modelin genel bilgi veya soyut akıl yürütme performansından çok, bir işi baştan sona ne kadar güvenilir yürütebildiğine işaret ediyor. Kurumsal yapay zekâ ajanı satın almak isteyen şirketler için bu ölçüt, tek başına bilgi sorularındaki başarıdan daha anlamlı olabilir.
StartLux hangi modelleri geride bıraktı?
Bildirilen genel sıralama, StartLux’ın toplam parametre sayısı bakımından kendisinden çok daha büyük birkaç modeli geride bıraktığını gösteriyor:
- StartLux-V1.0-27B-Preview: 27 milyar parametre; 39,25 puan
- DeepSeek-V4-Pro: 1,6 trilyon parametre; birinci sıra
- DeepSeek-V4-Flash-0731: 284 milyar parametre; 38,24 puan
- Step-3.7-Flash: 198 milyar parametre; StartLux’ın altında
StartLux’ın aynı parametre sınıfındaki Qwen-3.6-27B modeline karşı da bildirilen testte 5,34 puanlık avantaj sağladığı aktarıldı. Karşılaştırma grubunda Qwen-3.6-27B ve AgentCPM-Explore da bulunuyordu; ancak mevcut kaynaklar bu iki modelin güvenilir toplam puanlarını vermiyor. 2
3
10
Alt görevlerde en dikkat çekici sonuçlar, doğrudan pratik ajan kullanımına ilişkin alanlarda geldi. StartLux konum navigasyonunda birinci oldu; tarayıcı otomasyonu ve finansal analizde ise DeepSeek-V4-Pro ile aynı seviyede veya onun önünde sonuç verdiği bildirildi. 4
6
7
Bu sonuç neden önemli, neden sınırlı?
StartLux’ın başarısı öncelikle bir parametre verimliliği hikâyesi. Bu sonuç, parametre ölçeğinin artık önem taşımadığını kanıtlamıyor. Büyük modeller; daha geniş yetenek alanı, daha zor görevlerde daha yüksek performans ve ileri düzey akıl yürütme için daha fazla kapasite sunmaya devam edebilir.
CAICT sonucu daha dar ama önemli bir noktaya işaret ediyor: Değerlendirme güvenilir araç kullanımı ve iş akışı yürütmeyi ödüllendirdiğinde, son eğitim ve görev odaklı optimizasyon model boyutunun etkisini kısmen dengeleyebilir.
StartLux, modelini yerel olarak çalıştırılabilen bir ajan modeli olarak tanımlıyor ve geliştirme sürecinde “AI trains AI” adını verdiği Auto Research yaklaşımını öne çıkarıyor. Bunlar şirketin sonucun nasıl elde edildiğine ilişkin açıklamaları. Kıyaslama testi performansı doğrulayabilir; ancak bu yöntemlerin sonuca doğrudan neden olduğunu tek başına kanıtlamaz. En temkinli çıkarım şu: Araç kullanımı, planlama ve iş akışı tamamlamaya yönelik hedefli optimizasyon, bazı kurumsal görevlerde küçük modellerle büyük modeller arasındaki farkı ciddi ölçüde azaltabilir.
Yerel çalıştırma şirketlere ne kazandırabilir?
27 milyar parametreli bir model, uygun donanım ve gerektiğinde kuantizasyon kullanıldığında, 1,6 trilyon parametreli bir modele kıyasla özel altyapıda çalıştırılmaya çok daha elverişli olabilir. Bu durum, tekrarlanan ajan görevleri yürüten kuruluşlar için bazı potansiyel avantajlar yaratıyor:
- Veri kontrolü: Hassas istemler ve araçlardan dönen sonuçlar harici bir API’ye gönderilmek yerine şirketin kendi ortamında tutulabilir.
- Maliyet kontrolü: Yüksek hacimli çıkarım işlemlerinde istek başına API ücretleri azalabilir. Ancak donanım, elektrik, operasyon ve mühendislik giderleri toplam sahip olma maliyetine mutlaka dâhil edilmeli.
- Gecikme ve erişilebilirlik: Yerel kurulum, internet bağlantısına ve dış sağlayıcının kapasitesine bağımlılığı azaltabilir.
- Özelleştirme: Şirketler araçlarını, erişim politikalarını ve değerlendirme süreçlerini daha dar bir iş akışına göre uyarlayabilir.
Bunlar otomatik olarak gerçekleşen kazanımlar değil, olası dağıtım avantajları. Yerel yapay zekâ kullanımı aynı zamanda donanım tedariki, model güncellemeleri, erişim kontrolleri, denetim kayıtları, izleme ve güvenlik sorumluluğunu müşteriye yükler. Daha küçük bir modeli çalıştırmak kolaylaşabilir; fakat modeli yönetmek ve denetlemek her zaman kolaylaşmaz.
Küçük ajan modelleri yükselişte
StartLux’ın sonucu, verimlilik odaklı başka modellerin de ortaya çıktığı daha geniş bir eğilimin parçası. NVIDIA, Nemotron 3.5 Lightning’i sürekli çalışan ajanların yüksek hacimli görev yürütmesi için tasarlanmış, toplam 30 milyar parametreli ve çıkarım sırasında 3 milyar aktif parametre kullanan açık bir Mixture-of-Experts modeli olarak tanımlıyor. NVIDIA’nın model destek kayıtlarında 12B ve 31B parametreli Gemma 4 varyantları da listeleniyor. 25
26
İkincil kaynaklar ve model katalogları, Meta’nın Muse Glimmer modelini de yerel ajan kategorisinde konumlandırıyor. Ancak burada bulunan kanıtlar Meta’nın özgün duyuru veya teknik belgelerini bağımsız biçimde doğrulamıyor. Bu nedenle tek bir modele ilişkin iddiayı büyütmeden söylenebilecek daha genel sonuç şu: Geliştiriciler giderek daha fazla aktif parametre sayısına, işlem hızına, kuantizasyona, araç kullanımının güvenilirliğine ve yerel çalıştırmaya odaklanıyor. 27
33
Çin’de kurumsal yapay zekâ alımları nasıl değişebilir?
StartLux’ın performansı, Çin’deki şirketleri tek bir “en büyük model” seçmek yerine daha parçalı bir satın alma stratejisine yöneltebilir:
- Hassas, yüksek hacimli ve tekrarlanabilir iş akışlarında kompakt yerel veya özel kurulum modelleri kullanılabilir.
- Geniş kapsamlı, seyrek veya olağanüstü zor görevlerde; en yüksek yetenek düzeyinin önemli olduğu durumlar için öncü bulut modelleri tercih edilebilir.
- Değerlendirme yalnızca model üzerinde değil, uçtan uca iş akışı üzerinde yapılabilir. Araç çağrısı doğruluğu, hata kurtarma, görev tamamlama oranı, Çince dil performansı, alan uyumu, gecikme ve işletme maliyeti birlikte ölçülmeli.
- Kullanıma almadan önce izinler, veri saklama, gözlemlenebilirlik, model güncellemeleri ve gerektiğinde insan müdahalesi gibi yönetişim başlıkları incelenmeli.
Böylece soru, “En fazla parametreye sahip model hangisi?” olmaktan çıkıp “Bu işi kabul edilebilir maliyet ve riskle en güvenilir biçimde hangi model tamamlıyor?” hâline geliyor.
Parametre yarışı, iş akışı yarışına dönüşüyor
StartLux-V1.0-27B-Preview, küçük ve büyük modeller arasındaki rekabeti sona erdirmedi. Fakat tercih dengesini daha görünür hâle getirdi. Gerçek araçlarla yürütülen görevlerde başarılı olan kompakt bir model; gizlilik, öngörülebilir maliyet, düşük gecikme ve özel altyapıda çalışma öncelikliyse, çok daha büyük bir modelden daha mantıklı bir kurumsal yatırım olabilir.
Yapay zekâ satın alma süreçlerinin bir sonraki aşaması, herkes için tek bir kazanan seçmekten çok model boyutunu ve dağıtım biçimini yapılacak işle eşleştirmek olacak gibi görünüyor. StartLux’ın 39,25 puanı bu nedenle önemli: Parametre sayısını önemsiz kıldığı için değil, yerel operasyonlar için değerlendirilebilecek kadar kompakt bir modele ne kadar yetenek sığdırılabileceğini gösterdiği için.
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 "27 milyar parametreli StartLux, MCP testinde dev modellerin arasına girdi"?
StartLux V1.0 27B Preview, CAICT’nin güvenilir yapay zekâ büyük model kıyaslamasındaki MCP özel testinde 39,25 puanla ikinci oldu; 1,6 trilyon parametreli DeepSeek V4 Pro’nun yalnızca 1,30 puan gerisinde kaldı.
What are the key points to validate first?
StartLux V1.0 27B Preview, CAICT’nin güvenilir yapay zekâ büyük model kıyaslamasındaki MCP özel testinde 39,25 puanla ikinci oldu; 1,6 trilyon parametreli DeepSeek V4 Pro’nun yalnızca 1,30 puan gerisinde kaldı. 27B model; 284 milyar parametreli DeepSeek V4 Flash 0731’i ve 198 milyar parametreli Step 3.7 Flash’ı geride bıraktı.
What should I do next in practice?
Sonuç, parametre sayısının tek başına yeterli bir ölçüt olmadığını; araç kullanımı, güvenilir görev tamamlama, veri gizliliği ve toplam işletme maliyetinin model seçiminde daha belirleyici hâle geldiğini gösteriyor.