近日，StartLux-Decision决策模型正式升级并开源，并同步公开配套技术论文。此次发布由Instant与AutoThink组成的双路线模型矩阵：Instant覆盖0.8B、2B、4B、9B、27B五种规模，面向高频任务快速判断；AutoThink覆盖4B、9B、27B，让模型真正做到“简单问题快速答，复杂问题想清楚再答”。

这套全新的决策机制，让团队又一次刷新了决策模型全球第一的纪录。在Decision Index 0.3公开评测中，StartLux-Decision-27B-AutoThink取得73.37分，击败Jev（hosted）的57.96分，相对领先约27%，位列公开榜单第一。一个月前，Jev还是决策模型赛道的标杆；如今，StartLux-Decision已经完成强势超越。

为了解决模型“该不该思考、何时停止思考”的难题，团队首创RLCD²强化学习训练方法，通过奖励真正改善决策的推理、惩罚超出预算的冗长生成，让模型把计算用在关键处。

此次发布还带来DecisionPivot测评基准，专门检验模型能否抓住足以改变结论的关键细节；同时提出策略感知校准，让模型给出的置信度在筛选、路由等真实流程中更贴近实际正确率。

从双路线模型矩阵到全球第一的公开评测成绩，从原创训练方法、全新测评基准到校准机制与动态多模态探索，新一代StartLux-Decision不只刷新了性能上限，也在重新定义决策模型应该如何思考、如何评测、如何走向真实场景。

公开决策评测：StartLux相比Jev大幅领先

团队从两个角度检验新模型：Decision Index（DI）衡量综合决策表现；此次推出的 DecisionPivot专门检查关键条件变化后，模型能否相应改变判断。前者看总体成绩，后者看决定答案的细节。

在DI 0.3公开部分，27B AutoThink得分73.37，Jev（托管版）为57.96，相差15.41分；无需生成推理的27B Instant也达到72.83。

领先并不限于最大模型：4B Instant得分67.88，超过vLLM Semantic Router团队的27B Decision 3.0 d3（65.44 分）。Instant各规模比同规模最强的参评决策模型高7.4–16.9分。

图1 DI 0.3 公开部分的同规模比较；Jev参数规模未公开，虚线仅作得分参照

在需要识别关键条件、完成计算的DecisionPivot核心评测中，27B AutoThink的成组准确率为86.9%，Jev为31.0%，领先55.9个百分点；27B Instant也达到 75.4%。

图2 DecisionPivot 成组准确率。GLM-5.3为低推理强度，DeepSeek-V4-Pro关闭推理

注：DI成绩仅覆盖公开子集，不代表完整官方榜单，Jev参考成绩取自公开榜单，该子集用于模型选择。DecisionPivot为StartLux自研测评集，未用于模型选择，成组准确率要求组内全部答对。本次AutoThink评测采用0.9思考门槛。

Instant 与 AutoThink：什么时候需要思考

实际任务的难度不同：大量常规判断需要快速完成，计算和规则例外则可能需要多步推理。为兼顾这两类需求，团队提供Instant和AutoThink：前者专注一次计算完成判断，后者先判断、只在不确定时继续思考，让计算投入随问题难度变化。

两类模型都接收状态、问题与候选选项，输出选项概率。Instant提供0.8B–27B五个规模，AutoThink提供4B、9B、27B三个规模，B表示十亿参数。

Instant在Full Attention层采用双向注意力，让题干结合问题和选项来理解；Linear Attention层仍保持因果计算。整个过程不生成推理文字。

AutoThink保留因果注意力。本次评测中，最高概率达到0.9就直接回答，否则由同一模型推理后再次读取概率。像审核员一样，条件明确就处理，遇到例外再核对条款。

论文的数据导出案例中，法律保全标记原则上要求转人工审核，但导出少于 100 条时例外；另一规则允许近30天导出少于2次、且本次少于500条时批准。导出3,332 条时，“人工审核”概率为0.959，模型直接作答。仅导出8条、近期没有导出时，初始仍倾向人工审核，但概率只有0.567，于是启动推理。

核对例外后，模型用159个推理 token，将“批准”概率从0.408提高到0.995。最终保留25%初始判断、75%推理后判断，融合概率约为0.848，以兼顾两次预测的质量。

图3 同一政策下的直接判断与推理修正；下方为7,800道核心题的单题统计

在复杂真实场景中持续判断

真实场景会不断变化，需要同时跟踪多个对象。以下演示对已录制素材每秒抽取一帧，围绕画面作出多项判断，只对置信度不足的判断进一步推理。

火箭发射演示中，模型跟踪尾焰、烟雾、发射塔、飞行阶段、镜头变化及潜在异常，每帧回答九个决策问题，展示连续视觉信息下的高频判断。

41次请求，369项判断，60项触发思考；非思考请求中位延迟86 ms

洪灾救援演示中，模型综合救援人员、幸存者、吊索与救援篮的状态，随画面更新救援进度、人员状态与任务优先级。

75次请求，675项判断，188项触发思考；非思考请求中位延迟131 ms

注：这些是录像分析演示，并非实际部署的实时航天监测或救援指挥系统。延迟仅统计非思考请求，不代表视频分析全流程。

RLCD² ：让思考产生有效收益

RLCD²是团队提出的强化学习训练方法，全称为Reinforcement Learning for Calibrated Deliberative Decisions，目标是让思考改善决策概率，同时控制推理成本。仅允许AutoThink生成文字还不够：模型可能反复推理，甚至无法正常结束。团队因此要训练它把额外计算用于有价值的推理。

Jev最早提出RLCD方向，但原始训练方法未完整公开，第三方已有OpenJev-RLCD实现。团队此次原创提出并首次详细公开的是RLCD²的算法、奖励函数、训练设计和实验分析。

训练分为三阶段。前两阶段建立决策能力：第一阶段全参数监督微调，0.8B–9B使用约270万条样本，27B约80万条；第二阶段使用约170万条决策样本训练并合并适配器。第三阶段为每个AutoThink模型提供约4,000–21,000条推理监督样本，改善生成与终止，再用RLCD²优化。

图4 三阶段训练与推理流程。Instant完成前两阶段，AutoThink继续接受推理监督与RLCD²训练

许多推理强化学习方法依据最终答案对错给予奖励。RLCD²则用冻结的评分模型，评价思考前后整组选项概率是否改善，并惩罚超出长度预算的推理。它鼓励证据充分时提高把握，证据不足时保留不确定性。

推理奖励 = 思考后的概率评分 − 思考前的概率评分 − 超出长度预算的惩罚。

评分采用严格恰当评分规则，鼓励如实表达概率。发布配置从3,072个token起计入长度代价，生成上限为4,096个token，为有效计算保留空间。

图5 RLCD² 训练前后。前四项为2,986条预留样本，最右项为DecisionPivot门控评测

9B的推理正常终止率从45.9%提高到93.9%，平均长度从2,494降至868个token，减少约65%，有效的减少了生成长度。同时，融合准确率从80.38%变为80.48%。

复杂真实场景：识别细节，综合多模态信息

经过训练，模型能否注意到足以改变行动的小差别，还需要专门检验。这正是团队推出DecisionPivot的原因。它围绕七类系统角色组织评测，核心包含13类程序生成任务、共7,800道题。对照案例通常只改变一个决定答案的细节，要求组内全部答对，再按任务类别取平均。

图6 DecisionPivot系统角色与评测轨道。参考轨道题量沿用技术参考稿，核心比较均为7,800道题

例如，商品价格476.80瑞典克朗，含运费总价须严格小于500.84。运费只差0.02，结论就必须改变，模型需要真正完成计算。

系统可靠性：兼顾推理成本与决策概率

从评测和录像演示走向实际系统，还要考虑每次判断的成本，以及概率能否支持恰当行动。因此，此次更新也分析推理门槛与计算收益，并提出面向实际使用流程的策略感知校准，让按需思考与概率输出更适合系统调用。

先看计算成本。固定同一个AutoThink模型，再改变推理门槛，可以观察额外计算的收益。27B在DecisionPivot上关闭推理时成组准确率为48.0%，门槛为0.9时达到86.9%，平均每题使用304个推理token，包含无需生成推理的题目。

图7 固定 AutoThink 模型后的推理收益与开销；各规模横轴范围不同

再看概率如何被使用。系统常按置信度筛选答案，但筛选会改变概率对应的实际正确率。论文中，9B对单条回答给出80%–90%置信度时，实际正确率为92%；先从 32个候选中选最高分，再看同一置信度区间，实际正确率为78%。

图8 策略感知校准。左图比较相同置信度区间内的实际准确率，右图为平均绝对差距

为此，团队提出策略感知校准：让带标签样本先走实际筛选或路由流程，再调整最终概率，使校准贴合系统的使用方式，无需重新训练底层模型。四类流程、184组设置中的置信度与准确率差距明显收窄。

StartLux专注全本地智能系统。团队希望让模型在需要时思考、有效推理后及时停止，并让输出概率支持恰当行动。实际部署仍需结合自己的任务检验准确率、推理开销与端到端延迟。

代码、模型及论文：

为助力决策模型赛道发展，团队依旧完整开源升级版StartLux-Decision模型，欢迎大家下载、测试与交流。同时，也欢迎优秀人才加入团队共同推动RSI发展。

• GitHub（推理引擎及评测）：
  https://github.com/StartLuxLabs/StartLux-Decision
  https://github.com/StartLuxLabs/DecisionPivot
• Modelscope 合集：
  https://modelscope.cn/organization/StartLuxAI?tab=model
• 论文链接：
  https://modelscope.cn/papers/2610.17309