你用的 AI 助手每走一步，都要先在心里"默念"一整段话，才决定下一步点哪里。上海一家成立才几个月的公司，把这个"默念"的环节单独拆出来做成了模型——不写一个字，只做选择。9 月 30 日，它把这个模型开源了。
AI 干活，卡在"想太多"上
智能体执行任务时，真正费时间的往往不是"想"，是"说"。每走一步，系统先让大模型生成一段自然语言分析，再用程序把这堆话解析成"点哪个按钮""走哪条流程""任务完了没"。答案明明只是几个固定选项，却要陪着模型写一段小作文。
今年 9 月，前 OpenAI 研究员迪奥戈·阿尔梅达（Diogo Almeida）创办的 TypeSafe AI 推出 Jev，主打"不生成文本、只输出结构化判断"，把这个方向一下带火了。
这次发布的是什么
9 月 30 日，上海原点星辉（StartLux）宣布开源决策模型系列 StartLux-Decision，一次放出 0.8B、2B、4B、9B、27B 五档参数，权重和代码都上了 GitHub 和 Hugging Face，另配 Q8_0、Q4_K_M、BF16 三种量化版本。
工作方式很直接：给它一个状态加一组问题——几选一、是或否、还是打个等级——它直接回选项和概率，一次前向计算走完，不生成任何文字。一条请求能同时答好几个问题，比如"订单被重复扣费但仍显示未支付"这条客服消息，可以一口气判断该交给哪个团队、今天要不要处理、严重程度几级。
有个细节挺聪明：接口直接沿用 TypeSafe 的 /v1/systemone 格式，为 Jev 写的客户端可以原样复用。对开发者而言，换模型的迁移成本几乎为零——这是明着来抢生态。
StartLux-Decision 官方主页图：每个选项都给概率
38 项基准里，31 项高于 Jev
先摆数字。在 Decision Index 0.2.1 评测中，StartLux-Decision-27B 得 63.88 分，高于 Jev 1.13 的 57.91；指数包含的 38 项基准里，31 项它更高。9B 版本得 58.63，也超过了 Jev 1.13。
Decision Index 0.2.1 完整榜单对比
另一套来自上海人工智能实验室（Intern-Decision 用过的那七项）：27B 平均准确率 91.82%，高于 Jev 的 88.74%；231 道公开 JevBench 里，27B 答对 208 题，Jev 答对 199 题。拆开看领域分，语言理解 74.5 对 62.0，工具与自动化 82.2 对 75.1——差距主要在"理解条件、选下一步"这类能力上。
速度是更直接的卖点。单张 H200、短请求条件下，4B 一次回答三个问题平均 26 毫秒，0.8B 只要 12.2 毫秒。团队还做了组对比：同一个 4B，不开 CUDA Graph 是 90.3 毫秒，开了压到 26 毫秒。对一个要跑几十个判断节点的 Agent，这些毫秒会一层层累起来。
但有几句话得说清楚。这套成绩是 StartLux 团队自己用公开评测工具跑的，对照 9 月 28 日的榜单快照，不是官方上榜结果；Jev 1.13 没公开参数量，27B 跟它并不是同尺寸比较；知识与推理领域 Jev 仍领先（51.4 对 44.3），API-Bank 上 StartLux 也没赢。
所以我的看法是：总分领先不等于全面领先。真要用，拿自己业务里最常出现的那几类判断去测，比盯一个总榜有用。
官方公布的对比表：31 比 7
3 天做完一个模型，"研究"这件事在换人
这次最扎眼的数字不是 63.88，是"3 天"。从确定方向到完成首轮研发验证，团队说只用了三天。
撑住这个速度的是一套叫 Auto Research 的研发管线：让 AI 参与数据构造、训练、评测和失败分析，形成"假设—实验—验证—新假设"的循环。团队此前介绍，约 70% 的核心研究决策环节有 AI 参与（纯机械性的配置、启动、跑评测，自动化率超过 95%），人类研究员主要负责研究方向和关键取舍。
说白了，这次不是"人把模型调出来"，更像"一台会做研究的机器把模型调出来"。StartLux 把递归式自我改进（RSI）分了五级，自己定位在第三级 Auto Research——AI 能看着上一轮的失败提出新假设、决定下一步往哪试。