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）人工智能研究所的可信 AI 大模型基準測試——MCP 專項測試中交出亮眼成績：以 270 億參數取得綜合排名第二，得分 39.25，僅落後 1.6 萬億參數的 DeepSeek-V4-Pro 1.30 分。103

這並不表示 27B 模型已全面超越萬億參數系統。更準確的解讀是：當評測重點放在工具調用、多步執行與真實環境互動時，一款針對 Agent 工作流程優化的小型模型，可以在特定任務上逼近甚至超過參數規模大得多的模型。

MCP 測試測的是什麼？

MCP 是 Model Context Protocol（模型上下文協議）的縮寫，常用於讓模型與外部工具、資料來源及工作環境互動。與只考察知識問答或單輪推理的語言模型排行榜不同，MCP 類測試更關注模型能否理解目標、規劃步驟、選擇正確工具，並把任務真正完成。

此次評測涵蓋位置導航、網頁搜尋、瀏覽器自動化、金融分析、程式碼儲存庫管理及 3D 設計 6 類專項任務，另加一項綜合評估，共 7 項檢驗項目。測試聚焦多工具協同、複雜任務執行，以及與真實環境互動的能力；相關報道指出，平均成績取自 3 輪完整測試。107

這種評測設計對企業尤其重要。對需要部署 AI Agent 的公司而言，模型能否穩定完成查詢、瀏覽、分析或操作流程，往往比單獨回答幾道推理題的分數更接近實際採購價值。

27B 如何與更大型模型比較？

目前公開的綜合排名如下：

• StartLux-V1.0-27B-Preview：270 億參數，綜合得分 39.25
• DeepSeek-V4-Pro：1.6 萬億參數，排名第一；領先 StartLux 1.30 分
• DeepSeek-V4-Flash-0731：2,840 億參數，得分 38.24，排名落後 StartLux
• Step-3.7-Flash：1,980 億參數，排名亦低於 StartLux

在同等參數規模的比較中，StartLux 據報較 Qwen-3.6-27B 高出 5.34 分。公開的參測名單包括 Qwen-3.6-27B 及 AgentCPM-Explore，但現有資料未提供這兩款模型可靠的綜合分數，因此不宜據此推算完整排名。2310

分項來看，StartLux 在位置導航拿下第一；在瀏覽器自動化及金融分析方面，則據報與 DeepSeek-V4-Pro 並列第一，或單獨領先。467

這是參數效率的訊號，不是「參數無用」

StartLux 的成績最值得注意之處，在於它把「模型有多大」與「模型能否把事情做好」區分開來。

大型模型仍可能在更廣泛的能力、艱難任務及前沿推理上保有優勢，參數規模也沒有因此失去意義。這次信通院測試所支持的，是另一個較窄但更具實務價值的結論：當評測獎勵可靠執行時，後訓練、工具使用能力與任務專門化，可能大幅縮小小型模型與大型模型之間的差距。

StartLux 將模型描述為可本地部署的 Agent 模型，並推廣「AI 訓練 AI」的 Auto Research 方法。這些是公司的技術解釋；基準測試能驗證觀察到的表現，卻無法單獨證明究竟是哪一項訓練方法造成結果。因此，較審慎的結論是：針對工具調用、規劃及工作流程完成度進行優化，可能讓小型模型在部分企業任務中具備接近大型模型的實用性。

本地部署可能帶來什麼改變？

在具備合適硬體並採用量化版本的前提下，27B 模型通常比 1.6T 參數模型更有機會部署在企業私有基礎設施，甚至適用於配置充足的工作站或消費級 PC。對高頻、重複性的 Agent 工作而言，這可能帶來幾項優勢：

• 資料控制：敏感提示詞、文件及工具回傳結果可留在企業內部環境，減少送往外部 API 的需要。
• 成本控制：大量推理有機會降低部分按請求計費的 API 支出；但硬體、電力、維運及工程成本仍必須納入總持有成本。
• 延遲與可用性：本地部署可降低對網路連線及外部服務商容量的依賴。
• 客製化：企業可針對特定流程調整工具、權限政策及評估機制。

不過，這些都是部署上的可能性，而非自動成立的保證。本地 AI 也代表企業必須自行負責硬體採購、模型更新、存取控制、稽核日誌、監控及資安。一款模型較容易運行，不等於它就較容易治理。

StartLux 並非孤例：小型 Agent 模型正成為新方向

業界正出現更多以效率而非參數總量為核心的模型。NVIDIA 表示，Nemotron 3.5 Lightning 是一款開放的 30B 混合專家（MoE）模型，推理時僅啟用 3B 參數，主要面向長時間運行及高吞吐量的 Agent。NVIDIA 的模型支援紀錄亦列出 Gemma 4 的 12B 與 31B 版本。2526

此外，次級資料與模型目錄將 Meta 的 Muse Glimmer 歸入本地 Agent 類別；但目前可取得的證據，未能獨立核實 Meta 原始發布文件的完整內容。2733

即使不對任何單一模型過度下結論，整體趨勢已相當清楚：開發者正同時優化啟用參數量、吞吐量、量化效率、工具可靠度及本地運行能力。市場競爭的焦點，正由單純堆高總參數，轉向如何以較低成本穩定完成工作。

中國企業下一步應該怎樣評估？

StartLux 的測試成績，可能促使中國企業採用更分層的 AI 採購策略：

1. 以小型本地或私有模型處理敏感、高頻、流程固定的工作。
2. 以前沿雲端模型應對範圍廣泛、頻率較低或難度特別高的任務，在這些場景中，最高能力可能比部署簡易更重要。
3. 評估完整工作流程，不只比較單一問答分數，還要測量工具調用準確率、錯誤恢復能力、任務完成率、中文及領域表現、延遲與營運成本。
4. 在上線前完成治理評估，涵蓋權限管理、資料保存、可觀測性、模型更新及人工升級處理機制。

換句話說，企業真正應該問的，不是「哪款模型參數最多」，而是：「哪款模型能以可接受的成本與風險，可靠地完成這項工作？」

參數競賽正在變成工作流程競賽

StartLux-V1.0-27B-Preview 並未終結大小模型之間的競爭，也沒有證明參數規模已不重要。但它讓一項企業取捨變得更難忽視：如果模型能在真實工具流程中穩定完成任務，那麼在重視資料私隱、成本可預測性、延遲及私有部署的場景，一款 27B 本地模型可能比更大的雲端模型更值得採用。

AI 採購的下一階段，或許不再是為所有工作尋找一個「通用冠軍」，而是按任務匹配模型大小與部署方式。從這個角度看，StartLux 的 39.25 分之所以重要，不是因為它讓參數數量失去意義，而是因為它顯示：相當程度的 Agent 能力，已可集中在一款足以考慮本地運行的模型之中。

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）人工智能研究所的可信 AI 大模型基準測試——MCP 專項測試中交出亮眼成績：以 270 億參數取得綜合排名第二，得分 39.25，僅落後 1.6 萬億參數的 DeepSeek-V4-Pro 1.30 分。103

這並不表示 27B 模型已全面超越萬億參數系統。更準確的解讀是：當評測重點放在工具調用、多步執行與真實環境互動時，一款針對 Agent 工作流程優化的小型模型，可以在特定任務上逼近甚至超過參數規模大得多的模型。

MCP 測試測的是什麼？

MCP 是 Model Context Protocol（模型上下文協議）的縮寫，常用於讓模型與外部工具、資料來源及工作環境互動。與只考察知識問答或單輪推理的語言模型排行榜不同，MCP 類測試更關注模型能否理解目標、規劃步驟、選擇正確工具，並把任務真正完成。

此次評測涵蓋位置導航、網頁搜尋、瀏覽器自動化、金融分析、程式碼儲存庫管理及 3D 設計 6 類專項任務，另加一項綜合評估，共 7 項檢驗項目。測試聚焦多工具協同、複雜任務執行，以及與真實環境互動的能力；相關報道指出，平均成績取自 3 輪完整測試。107

這種評測設計對企業尤其重要。對需要部署 AI Agent 的公司而言，模型能否穩定完成查詢、瀏覽、分析或操作流程，往往比單獨回答幾道推理題的分數更接近實際採購價值。

27B 如何與更大型模型比較？

目前公開的綜合排名如下：

• StartLux-V1.0-27B-Preview：270 億參數，綜合得分 39.25
• DeepSeek-V4-Pro：1.6 萬億參數，排名第一；領先 StartLux 1.30 分
• DeepSeek-V4-Flash-0731：2,840 億參數，得分 38.24，排名落後 StartLux
• Step-3.7-Flash：1,980 億參數，排名亦低於 StartLux

在同等參數規模的比較中，StartLux 據報較 Qwen-3.6-27B 高出 5.34 分。公開的參測名單包括 Qwen-3.6-27B 及 AgentCPM-Explore，但現有資料未提供這兩款模型可靠的綜合分數，因此不宜據此推算完整排名。2310

分項來看，StartLux 在位置導航拿下第一；在瀏覽器自動化及金融分析方面，則據報與 DeepSeek-V4-Pro 並列第一，或單獨領先。467

這是參數效率的訊號，不是「參數無用」

StartLux 的成績最值得注意之處，在於它把「模型有多大」與「模型能否把事情做好」區分開來。

大型模型仍可能在更廣泛的能力、艱難任務及前沿推理上保有優勢，參數規模也沒有因此失去意義。這次信通院測試所支持的，是另一個較窄但更具實務價值的結論：當評測獎勵可靠執行時，後訓練、工具使用能力與任務專門化，可能大幅縮小小型模型與大型模型之間的差距。

StartLux 將模型描述為可本地部署的 Agent 模型，並推廣「AI 訓練 AI」的 Auto Research 方法。這些是公司的技術解釋；基準測試能驗證觀察到的表現，卻無法單獨證明究竟是哪一項訓練方法造成結果。因此，較審慎的結論是：針對工具調用、規劃及工作流程完成度進行優化，可能讓小型模型在部分企業任務中具備接近大型模型的實用性。

本地部署可能帶來什麼改變？

在具備合適硬體並採用量化版本的前提下，27B 模型通常比 1.6T 參數模型更有機會部署在企業私有基礎設施，甚至適用於配置充足的工作站或消費級 PC。對高頻、重複性的 Agent 工作而言，這可能帶來幾項優勢：

• 資料控制：敏感提示詞、文件及工具回傳結果可留在企業內部環境，減少送往外部 API 的需要。
• 成本控制：大量推理有機會降低部分按請求計費的 API 支出；但硬體、電力、維運及工程成本仍必須納入總持有成本。
• 延遲與可用性：本地部署可降低對網路連線及外部服務商容量的依賴。
• 客製化：企業可針對特定流程調整工具、權限政策及評估機制。

不過，這些都是部署上的可能性，而非自動成立的保證。本地 AI 也代表企業必須自行負責硬體採購、模型更新、存取控制、稽核日誌、監控及資安。一款模型較容易運行，不等於它就較容易治理。

StartLux 並非孤例：小型 Agent 模型正成為新方向

業界正出現更多以效率而非參數總量為核心的模型。NVIDIA 表示，Nemotron 3.5 Lightning 是一款開放的 30B 混合專家（MoE）模型，推理時僅啟用 3B 參數，主要面向長時間運行及高吞吐量的 Agent。NVIDIA 的模型支援紀錄亦列出 Gemma 4 的 12B 與 31B 版本。2526

此外，次級資料與模型目錄將 Meta 的 Muse Glimmer 歸入本地 Agent 類別；但目前可取得的證據，未能獨立核實 Meta 原始發布文件的完整內容。2733

即使不對任何單一模型過度下結論，整體趨勢已相當清楚：開發者正同時優化啟用參數量、吞吐量、量化效率、工具可靠度及本地運行能力。市場競爭的焦點，正由單純堆高總參數，轉向如何以較低成本穩定完成工作。

中國企業下一步應該怎樣評估？

StartLux 的測試成績，可能促使中國企業採用更分層的 AI 採購策略：

1. 以小型本地或私有模型處理敏感、高頻、流程固定的工作。
2. 以前沿雲端模型應對範圍廣泛、頻率較低或難度特別高的任務，在這些場景中，最高能力可能比部署簡易更重要。
3. 評估完整工作流程，不只比較單一問答分數，還要測量工具調用準確率、錯誤恢復能力、任務完成率、中文及領域表現、延遲與營運成本。
4. 在上線前完成治理評估，涵蓋權限管理、資料保存、可觀測性、模型更新及人工升級處理機制。

換句話說，企業真正應該問的，不是「哪款模型參數最多」，而是：「哪款模型能以可接受的成本與風險，可靠地完成這項工作？」

參數競賽正在變成工作流程競賽

StartLux-V1.0-27B-Preview 並未終結大小模型之間的競爭，也沒有證明參數規模已不重要。但它讓一項企業取捨變得更難忽視：如果模型能在真實工具流程中穩定完成任務，那麼在重視資料私隱、成本可預測性、延遲及私有部署的場景，一款 27B 本地模型可能比更大的雲端模型更值得採用。

AI 採購的下一階段，或許不再是為所有工作尋找一個「通用冠軍」，而是按任務匹配模型大小與部署方式。從這個角度看，StartLux 的 39.25 分之所以重要，不是因為它讓參數數量失去意義，而是因為它顯示：相當程度的 Agent 能力，已可集中在一款足以考慮本地運行的模型之中。