StartLux新版本10天后再升级，断层第一稳居SOTA

前一阵，整个硅谷都在为Jev疯狂。Jev一出世，几乎统治了决策模型领域，各大厂商纷纷追赶。上月末DevDay上，OpenAI连夜推出Decisions API仓促防御；一周后，微软正式发布Microsoft-Decision-1，在Microsoft Foundry与OpenRouter上线。国庆前，StartLux横空出世，发布当时真正超越Jev的决策模型。距离上个版本推出仅10天，全新的StartLux-Decision版本到来。

StartLux依然稳居SOTA宝座。此次升级是从底层架构、训练方法到评测体系的全面碾压，最重要的是原创的RLCD²（Reinforcement Learning for Calibrated Deliberative Decisions），让推理真正花在刀刃上。

StartLux-Decision提供双模型矩阵：Instant极速版提供0.8B、2B、4B、9B、27B五种规格；AutoThink自适应推理版提供4B、9B、27B三种规格。在Decision Index 0.3公开测试集上，从0.8B到27B，Instant模型与同规模第三方模型相比得分领先7.4到16.9分，连4B小模型在许多指标上都能超越友商27B模型。4B Instant拿下67.88分，4B AutoThink达68.21分，超过Jev、Cloudflare Clef（61.71）和Perplexity Decider（62.25）。27B AutoThink斩获73.37分，远超Jev hosted版57.96分。需注意，DI 0.3成绩目前是公开评测部分，非完整私有榜单。

团队推出两个版本，是因为真实业务场景在算力成本、延迟和准确率之间存在不可能三角。例如商品价格476.80瑞典克朗，规则要求加运费严格低于500.84 SEK：运费24.03时总价500.83符合条件，运费24.05时总价500.85必须排除，仅差0.02决定就应完全相反。初代StartLux-Decision v1、Perplexity Decider及Clef等纯单次判断模型在此类测试中全军覆没，这是Jev路线的死穴。

Instant模型在全部注意力层引入双向注意力机制，不生成新Token即可让提示词前期表征融合后续问题和候选项信息。受控实验显示五个尺寸中四个受益（最高提升2.4分，2B微降0.2分）。AutoThink引入置信度引导的自适应推理机制，简单题秒答，难题自动开启沉思模式，生成最多4096个Token推理轨迹。StartLux原创提出RLCD²并系统公开算法设计、奖励函数、训练方法及实验结果。此前Jev最早提出RLCD方向但未完整公开训练细节，StartLux将决策导向强化学习扩展到具有显式推理能力的模型并开源核心方法论。RLCD²不仅衡量最终答案是否正确，还衡量思考后整个决策概率分布是否改善，同时惩罚冗长无效推理。三个关键设计：使用冻结模型比较思考前后决策概率质量变化；通过Proper Scoring Rules优化概率质量；通过软长度惩罚控制推理成本。

实验数据：9B AutoThink推理正常终止率从45.9%提升至93.9%，提高48个百分点；平均推理长度从2494 Token降至868 Token，减少约65%；DecisionPivot成对准确率从53.3%提升至59.9%。

团队还展示了连续动态视觉场景演示（针对已录制素材每秒抽帧分析，非实时部署系统）。火箭发射分析中完成41次请求、369项判断、60项触发思考，非思考请求中位延迟86ms；洪灾救援分析中完成75次请求、675项判断、188项触发思考，非思考请求中位延迟131ms。

团队新提出严苛评测基准DecisionPivot，包含13个任务家族、7800道核心测试题，多数采用成对对照形式，甚至三四个样本组成对照组，只有同组全部答对才得分。在0.9置信度门槛下，AutoThink模型同等尺寸比Instant成对准确率暴增11.5到18.4个百分点。StartLux-Decision-27B-AutoThink达到86.9%成对准确率，创所有系统最高记录。对比：TypeSafe Jev单题正确率63.9%，成对正确率暴跌至31.0%；AutoTrust JEV-27B单题70.3%，成对44.2%；Cloudflare Clef 27B单题60.0%，成对仅24.9%；Perplexity Decider单题83.4%，成对70.1%；StartLux 27B Instant单题准确率86.4%。