答案已发布20 来源
27B 小模型跻身信通院 MCP 测评第二，StartLux 让“参数越大越强”受到挑战
StartLux V1.0 27B Preview 在中国信通院可信 AI 大模型基准测试 MCP 专项测试中以 39.25 分排名第二，仅落后 1.6T 参数的 DeepSeek V4 Pro 1.30 分；但这一结果针对的是特定智能体基准，并不等同于通用能力排名。 这款 27B 模型超过了 284B 的 DeepSeek V4 Flash 0731 和 198B 的 Step 3.7 Flash，并在位置导航任务中排名第一，在浏览器自动化和金融分析方面表现突出。
发布者使用 GPT-5.6 Luna 编辑图片由 GPT Image 1.5 生成
研究答案
要点
- StartLux V1.0 27B Preview 在中国信通院可信 AI 大模型基准测试 MCP 专项测试中以 39.25 分排名第二，仅落后 1.6T 参数的 DeepSeek V4 Pro 1.30 分；但这一结果针对的是特定智能体基准，并不等同于通用能力排名。
- 这款 27B 模型超过了 284B 的 DeepSeek V4 Flash 0731 和 198B 的 Step 3.7 Flash，并在位置导航任务中排名第一，在浏览器自动化和金融分析方面表现突出。
- 这场测评更值得关注的变化，是企业选型开始从单看参数量转向评估工具调用可靠性、任务完成率、部署成本、数据隐私和具体工作流适配度。
AI 提示
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,
上海人工智能公司 StartLux 的本地模型 StartLux-V1.0-27B-Preview，正在为“小模型也能做好智能体工作”提供一个颇具代表性的案例。
在中国信息通信研究院（中国信通院）人工智能研究所组织的可信 AI 大模型基准测试——MCP 专项测试中，这款拥有 270 亿参数的模型以 39.25 分取得综合排名第二，仅落后拥有 1.6 万亿参数的 DeepSeek-V4-Pro 1.30 分。10
3
这并不意味着 27B 模型已经全面超越万亿参数模型。更准确的解读是：当测试重点放在工具调用、多步规划和真实环境中的任务执行时，经过针对性优化的小模型，能够在特定工作负载上逼近规模大得多的模型。
MCP 专项测试测的是什么
MCP 是 Model Context Protocol（模型上下文协议）的缩写，通常用于连接模型与外部工具、数据源及应用。与只考察知识问答或单轮推理的模型排行榜不同，MCP 测试更接近智能体在现实工作中的表现：模型能否理解目标、规划步骤、调用正确工具，并最终完成任务。
此次专项测试覆盖六类任务：
- 位置导航
- 网页搜索
- 浏览器自动化
- 金融分析
- 代码仓库管理
- 3D 设计
加上综合评估后，共形成七项检验项目。测试重点考察多工具协同、复杂任务执行以及与真实环境交互的能力；相关报告显示，最终平均成绩取三轮完整测试的结果。10
7
对于准备采购 AI 智能体的企业来说，这类测试具有现实意义。一个模型即使在孤立的知识题或推理题上表现出色，如果无法稳定调用工具、处理异常并完成流程，也未必适合直接投入业务。
StartLux 的成绩为何引人注目
公开信息显示，StartLux 的综合表现超过了多款参数规模大得多的模型：
- StartLux-V1.0-27B-Preview：270 亿参数，综合得分 39.25
- DeepSeek-V4-Pro：1.6 万亿参数，排名第一；领先 StartLux 1.30 分
- DeepSeek-V4-Flash-0731：2840 亿参数，得分 38.24，排名落后于 StartLux
- Step-3.7-Flash：1980 亿参数，排名低于 StartLux
在同等参数规模的对比中，StartLux 据报道比 Qwen-3.6-27B 高出 5.34 分。参测模型名单还包括 AgentCPM-Explore，但现有资料没有提供所有对比模型的可靠综合得分，因此不宜据此排列完整名次。2
3
10
分项成绩同样体现出它在实用型智能体任务上的优势：StartLux 在位置导航中排名第一；在浏览器自动化和金融分析中，据报道与 DeepSeek-V4-Pro 并列第一或处于领先位置。4
6
7
这不是“参数量已经不重要了”
这场测评真正说明的，并不是参数规模从此失去意义。大模型依然可能在更广泛的能力、复杂任务和前沿推理方面拥有更大优势，也能为后续能力提升提供更高上限。
StartLux 的案例说明的是另一件事：在一个奖励稳定执行的测试中，后训练、工具使用优化和任务场景适配，可能产生非常显著的效果。对于智能体而言，模型不仅要“知道答案”，还要能够：
- 把用户目标拆分成多个步骤；
- 选择并调用合适的工具；
- 根据工具返回结果继续规划；
- 发现错误后恢复执行；
- 最终交付可验证的结果。
StartLux 将其表现归因于本地智能体模型定位，以及“AI 训练 AI”的 Auto Research 方法。不过，这些是公司的解释，基准测试本身只能证明最终表现，不能单独证明究竟是哪一种训练方法造成了结果。较为稳妥的结论是：针对工具调用、规划和工作流完成度进行优化，确实可能让小模型在部分企业任务上显著缩小与超大模型的差距。
本地部署的吸引力与代价
相较于 1.6T 参数模型，27B 模型在经过量化并配备合适硬件后，更有可能部署在企业私有基础设施、工作站或部分高配置本地设备上。这为高频、重复性较强的智能体任务带来几项潜在优势：
- 数据可控：敏感提示词、业务资料和工具返回结果可以留在企业内部，减少发送至外部 API 的需求。
- 成本可控：大规模推理有机会降低持续的按请求 API 费用，但硬件、电力、运维和工程投入仍必须计入总拥有成本。
- 延迟与可用性：本地部署可以减少对网络连接和云服务商容量的依赖。
- 便于定制：企业可以围绕具体流程调整工具、权限策略和评测体系。
这些是部署可能性，并非自动兑现的保证。本地 AI 也意味着客户需要自行负责硬件采购、模型更新、访问控制、审计日志、监控和安全防护。模型更小，通常更容易运行，但不一定更容易治理。
30B 级本地智能体模型正在增多
StartLux 并非孤例。行业正在出现一批将效率、吞吐和本地运行放在核心位置的模型。
NVIDIA 将 Nemotron 3.5 Lightning 描述为一款开放的 300 亿参数混合专家模型，单次推理时激活参数约 30 亿，面向长时间运行和高频执行的智能体。NVIDIA 的模型支持记录还列出了 Gemma 4 的 12B 和 31B 版本。25
26
模型目录和二手资料也将 Meta 的 Muse Glimmer 放在本地智能体类别中，但目前掌握的证据无法独立核实 Meta 最初发布时的完整官方文档，因此这一点应谨慎看待。27
33
不必夸大任何一个单独模型，整体趋势已经相当清晰：开发者正在同时优化激活参数量、推理吞吐、量化效果、工具调用可靠性和本地部署能力。竞争的核心，正从“模型有多大”逐渐扩展到“模型能否以合理成本持续完成工作”。
中国企业采购 AI，下一步应看什么
StartLux 的成绩可能推动企业采用更分层的模型采购策略：
- 敏感、高频、流程固定的任务：优先考虑本地部署或私有化部署的紧凑型模型。
- 范围广、频率低或难度极高的任务：在最大能力更重要时，使用前沿云端模型。
- 评测完整业务流程：不要只测试问答分数，还应考察工具调用准确率、错误恢复能力、任务完成率、中文及行业表现、延迟和运营成本。
- 先评估治理能力再上线：重点检查权限、数据留存、可观测性、模型更新机制和人工升级流程。
这会把企业的核心问题，从“哪个模型参数最多”，改成一个更有价值的问题：
哪个模型能够以可接受的成本和风险，稳定完成这项具体工作？
参数竞赛，正在变成工作流竞赛
StartLux-V1.0-27B-Preview 并没有终结大小模型之间的竞争，也没有证明万亿参数模型不再值得投入。它更像是一次提醒：对于重视隐私、成本可预测性、响应速度和私有部署的企业，一个能够可靠完成实际流程的紧凑型模型，可能比规模最大的模型更适合作为采购对象。
未来的企业 AI 选型或许不会再追求一个包打天下的“唯一冠军”，而是根据任务性质匹配模型规模和部署方式。放在这个背景下，StartLux 的 39.25 分之所以重要，不是因为它让参数量变得无关紧要，而是因为它展示了：相当一部分智能体能力，可以被集中到一个足够小、足以考虑本地运行的模型中。
Studio Global AI
继续你的研究
此页面包含一个有来源支持的答案，您可以在 Studio Global 内继续。
人们还问
“27B 小模型跻身信通院 MCP 测评第二，StartLux 让“参数越大越强”受到挑战”的简短答案是什么？
StartLux V1.0 27B Preview 在中国信通院可信 AI 大模型基准测试 MCP 专项测试中以 39.25 分排名第二，仅落后 1.6T 参数的 DeepSeek V4 Pro 1.30 分；但这一结果针对的是特定智能体基准，并不等同于通用能力排名。
首先要验证的关键点是什么？
StartLux V1.0 27B Preview 在中国信通院可信 AI 大模型基准测试 MCP 专项测试中以 39.25 分排名第二，仅落后 1.6T 参数的 DeepSeek V4 Pro 1.30 分；但这一结果针对的是特定智能体基准，并不等同于通用能力排名。 这款 27B 模型超过了 284B 的 DeepSeek V4 Flash 0731 和 198B 的 Step 3.7 Flash，并在位置导航任务中排名第一，在浏览器自动化和金融分析方面表现突出。
接下来在实践中我应该做什么？
这场测评更值得关注的变化，是企业选型开始从单看参数量转向评估工具调用可靠性、任务完成率、部署成本、数据隐私和具体工作流适配度。