StartLux 27B 跑贏多個百億級模型，參數數量未必再是唯一答案

上海 AI 公司 StartLux 的本地模型 StartLux-V1.0-27B-Preview，最近在中國信息通信研究院（中國信通院）的可信 AI 大模型基準測試——MCP 專項測試中交出亮眼成績：以 27B（270 億）參數取得 39.25 分，綜合排名第二，僅落後 1.6T（1.6 萬億）參數的 DeepSeek-V4-Pro 1.30 分。模型亦擊敗參數量達 284B 的 DeepSeek-V4-Flash-0731，以及 198B 的 Step-3.7-Flash。103

不過，這個結果不等於 27B 模型已全面勝過萬億參數模型。更準確的解讀是：當測試重點放在工具調用、多步規劃及實際完成工作時，一個針對 Agent 工作流程優化的細型模型，可能在特定任務大幅縮窄與超大型模型的差距。

MCP 測試究竟考甚麼？

MCP（Model Context Protocol）是一套讓模型接駁外部工具及資料的協議。相關測試並非一般的問答或知識排行榜，而是要求模型理解目標、拆解步驟、選擇合適工具，並在真實環境中完成操作。

中國信通院這次 MCP 專項測試涵蓋六類任務：位置導航、網頁搜尋、瀏覽器自動化、金融分析、代碼倉庫管理及 3D 設計，另加一項綜合評估，共七項檢驗項目。測試重點包括多工具協作、複雜任務執行及真實環境互動；報道指測試經三輪完整運行後取平均分。107

對企業而言，這類測試或許比單純比較模型能否答對一條推理題更貼近實際。企業真正關心的，往往是 Agent 能否可靠地搜尋資料、操作瀏覽器、分析報告，或者在出錯後自行恢復並完成整個流程。

27B 對比更大模型，成績如何？

報告所列的整體表現如下：

• StartLux-V1.0-27B-Preview：27B 參數，綜合得分 39.25，排名第二
• DeepSeek-V4-Pro：1.6T 參數，排名第一，比 StartLux 高 1.30 分
• DeepSeek-V4-Flash-0731：284B 參數，得分 38.24，低於 StartLux
• Step-3.7-Flash：198B 參數，排名低於 StartLux

同參數級別比較方面，StartLux 據報比 Qwen-3.6-27B 高 5.34 分。參測名單亦包括 AgentCPM-Explore，但現有資料未提供所有比較模型的可靠綜合分數，因此不宜把未公布的數字自行補上。2310

分項表現方面，StartLux 在位置導航排名第一；瀏覽器自動化及金融分析則據報與 DeepSeek-V4-Pro 並列第一，或由 StartLux 單獨領先。467

這是「參數效率」故事，不是參數競賽已完結

模型參數越多，通常代表更大的能力上限及更廣泛的處理範圍。對前沿推理、跨領域任務及非常複雜的工作，超大型模型仍然可能具備優勢。因此，StartLux 的成績不能用來證明參數規模已經不重要。

它真正反映的是另一件事：在有明確工作流程的 Agent 任務上，後訓練、工具使用、規劃能力及針對性優化，可能比單純增加參數更直接影響結果。StartLux 形容其模型採用本地 Agent 定位，並推廣「AI 訓練 AI」的 Auto Research 方法；這些是公司的解釋，但測試本身只能證明模型在該基準中的表現，未能單獨證明究竟是哪一種訓練方法造成結果。

所以較穩妥的結論是：針對工具調用、規劃及工作流程完成度作優化，有機會令細型模型在部分企業任務中追近大型模型，而不是令所有細型模型都能取代巨型模型。

本地部署，吸引力在於控制權

27B 模型在配合量化技術及合適硬件後，通常比 1.6T 模型更有機會部署在企業私有基礎設施，甚至工作站或配置足夠的消費級電腦上。這對處理大量、重複及相對固定的 Agent 工作，可能帶來幾項好處：

• 資料控制：敏感提示內容及工具返回結果可以留在企業環境內，減少送往外部 API 的需要。
• 成本控制：高頻推理或可減少部分按次收費的 API 支出，但硬件、電力、維運及工程成本仍須計入總擁有成本。
• 延遲及可用性：本地運行可減少對網絡連線及外部服務商容量的依賴。
• 客製化：企業可以按自身流程調整工具、權限、政策及評測方式。

但本地部署並非「買回來就用」。企業同時要自行負責硬件採購、模型更新、權限管理、審計紀錄、監控及保安。一個較小的模型可能較易運行，卻不代表較易管治。

30B 級本地 Agent 正成為新方向

StartLux 並非唯一將重點放在效率及本地運行的模型。NVIDIA 形容 Nemotron 3.5 Lightning 是開放的 30B 混合專家（MoE）模型，但每次推理只啟用 3B 參數，定位是為長時間運行的 Agent 提供高吞吐執行能力。NVIDIA 的模型支援紀錄亦列出 12B 及 31B 的 Gemma 4 變體。2526

至於 Meta 的 Muse Glimmer，現有次級資料及模型目錄將它歸入本地 Agent 類別，但目前資料未能獨立核實 Meta 最初發布的官方文件，因此不應把相關描述說得過滿。2733

整體趨勢已相當清晰：業界開始同時優化啟用參數、推理吞吐量、量化效果、工具可靠度及本地運行能力。競爭焦點正由「模型有幾大」逐步轉向「模型能否以合理成本長時間做好一件事」。

中國企業下一步應該比較甚麼？

StartLux 的測試結果，可能令企業採取更分工清晰的採購策略：

1. 敏感、高頻及可重複的工作：優先考慮本地或私有部署的細型模型。
2. 範圍廣、頻率低或難度極高的工作：在能力上限較重要時，使用前沿雲端模型。
3. 測試完整工作流程：不要只看單項問答，還要評估工具調用準確度、錯誤恢復、任務完成率、中文及專業領域表現、延遲及營運成本。
4. 部署前先做管治評估：包括權限、資料保存、可觀測性、模型更新及人工介入機制。

換句話說，企業不應只問：「哪個模型參數最多？」更實際的問題是：「哪個模型可以在可接受的成本及風險下，穩定完成這項工作？」

由參數競賽走向工作流程競賽

StartLux-V1.0-27B-Preview 沒有令大小模型之爭一夜之間結束，但它令參數與實際效益之間的取捨更加難以忽視。當私隱、成本、延遲及私有部署是首要考慮時，一個能穩定操作工具、完成流程的 27B 模型，可能比一個規模大得多但部署複雜的模型更適合企業。

下一階段的 AI 採購，未必是選出一個包辦所有工作的「宇宙第一」模型，而是按工作性質配對模型規模及部署方式。StartLux 的 39.25 分之所以值得留意，不是因為它令參數數量失去意義，而是因為它展示了：部分 Agent 能力，原來可以集中在一個足以考慮本地運行的模型之中。