StartLux-Decision v1.1 登顶社区版 Decision Index：69.12 分，173 个模型第一
StartLux-Decision v1.1 27B 登顶社区维护的 Decision Index：173 个模型第一，69.12 分，权重限非商用。
StartLux-Decision v1.1 27B 是一个 27B 参数、开放权重的决策模型：给它一段状态（文本、JSON，最多 8 张图）和若干带选项的问题，它在一次前向里返回每个选项的概率，不生成文字。10 月 16 日，Hugging Face 上一个社区维护的 Jev Decision Index Space 更新了 0.3.2 版数据，把它排在 173 个模型之首，Full score 69.12；第二名 vLLM-SR d3（27B）是 66.26，相差 2.86 分。
要点
- 三项分项全部第一：公开集 72.88、同技能私有测试 64.82、新领域私有测试 61.41，分别比各自第二名高 3.39、0.52、0.90 分。
- 69.12 是 173 行里唯一超过 69 的分数；Jev 1.14 作为参考行是 61.53，有 12 个模型排在它前面，Jev 1.13 是 60.11。
- 这份榜单挂在 Hugging Face 的 Space 上，README 写明「Unofficial and community-maintained; not affiliated with TypeSafe AI」；模型权重是 CC BY-NC 4.0，商用要找 StartLux Labs 单独授权。
背景
决策模型这条线是 Jev 在 9 月开的头：只做选择、不聊天，输出直接给程序读。两周内 OpenAI 和 Amazon 先后推出同类模型，亚马逊的 Strands Decider 2B 也在同一份榜上，得分 21.34，排第 135——它只有 2B，这个对比说明的是尺寸差距，不是路线差距。10 月 3 日我们写过决策模型成为独立品类，那篇讲的是品类形成与 TypeSafe 的估值，没有覆盖这张榜。
Jev Decision Index 走的是另一条路：一个维护者在 Hugging Face 上收公开复现，用同一套题跑所有模型。StartLux 在 10 月 14 日发布 v1.1，10 月 16 日被收进榜单，10 月 17 日 03:07Z 才在 README 的 release notes 里补上一句「ranks first of 174 entries」。
榜单怎么算
Jev Decision Index 0.3.2 的数据文件生成于 2026-10-16T16:39:08Z，Suite 里记着 42 个基准、37 个公开基准、110,201 条请求，其中 109,759 条计分。Full score 的公式是 0.20 × 公开 + 0.50 × 同技能私有 + 0.30 × 新领域私有，私有部分用未调优的通用模型映射回公开尺度。页头一处写「173 open reproductions」，另一处写「174 models」：多出的那行是 Jev 1.14 参考行，不在 173 条 models 数组里，两个数字都不算错。
| 指标 | StartLux v1.1 27B | vLLM-SR d3 (27B) | Jev 1.14 |
|---|---|---|---|
| Full score | 69.12（第 1） | 66.26（第 2） | 61.53（第 13） |
| 公开 | 72.88（第 1） | 65.45（第 5） | 60.70（第 20） |
| 同技能私有 | 64.82（第 1） | 62.83 | 59.28 |
| 新领域私有 | 61.41（第 1） | 60.51 | 55.60 |
私有部分由榜单方在单张 RTX PRO 6000 上、用作者提供的 serving 跑。StartLux 这一行与提交行的一致率是 99.85%（831 行），门槛 98.5%。榜单备注写「Submitted public 0.3 run adopted (kit rescore 72.88, equal to the claim)」：采用提交的公开集结果，复算值与提交值一致；模型卡自报的公开集成绩是 72.83。
173 行里，82 个是全量微调，37 个 LoRA，28 个 LoRA 加分类头，23 个是纯推理技巧，2 个属于「头部或适配器」一类，1 个托管 API。超过 Jev 1.14 那 61.53 分的有 12 个模型。
公开集也是开发集
这一行的折扣写在两处。论文 4.1 节自己写：「The public subset of DI also served as the development benchmark」，作者比较了第二阶段的数据配方、prompt 注意力变体和组成 Instant checkpoint 的种子平均，所以「these scores reflect model selection and are not independent test results」。模型卡的说法一致：72.83 是他们用公开 kit 自跑公开子集的结果，「not leaderboard submissions」。
榜单备注还多一句：公开 0.3 的分数影响了配方与种子平均的选择；按作者披露，训练数据覆盖 38 个索引基准中的 33 个，用的是官方训练集或同分布生成器。榜单当前 panel 是 37 个公开基准、42 个 Jev 基准，这里的「38」是作者口径，不是榜单项数。
拆开三项看，领先幅度并不均匀：公开集高第二名 3.39 分，新领域高 0.90 分，同技能私有只高 0.52 分，Perplexity Decider v1.2 的 64.30 就跟在后面。同技能测试考的是训练里见过的技能、没公开的题目，这一段差距最小，正好是「公开分进了开发流程」时预期会出现的样子。
各家怎么说
36氪同日也有一条快讯，抓取时被安全检测挡住，标题和正文都没读到，这里不引用它的表述。钛媒体同日的长文由「钛度号」作者 ITValue 供稿，文末注明了来源；它把事件写成「Huggingface 发榜」，这个说法要打折扣——榜单是 Space 维护者 multimodalart 在 commit b7e7ea6770 里直接提交的，时间 10 月 16 日 16:36Z，与 Hugging Face 官方无关。
同一篇长文给了两组对比，都需要注明口径。它说 27B AutoThink 的 73.37 比「Jev（hosted）57.96」高约 27%：57.96 是 Jev 1.13 的公开集分数，73.37 也是公开集分数，这是公开集对公开集；按 Full score，Jev 1.13 是 60.11，Jev 1.14 是 61.53。它还说起初代 27B 在 DI 0.2.1 拿 63.88、38 项里领先 31 项，但 Space 存档的 0.2.1 数据（生成于 9 月 28 日）里没有 StartLux 这一行，榜首是 Surogate Rune 26B-A4B v3 的 57.44，这个数字无法用榜单复核。
第三方榜单给的是另一幅图。Artificial Analysis 10 月 13 日另起了一个 Decision Index v1.0，Jev 1.13 以 58 分领跑决策模型，GLiDE 与 Microsoft-Decision-1 都是 54，那篇发布说明里没有 StartLux。Hacker News 上也没有这轮登顶的讨论，10 月 2 日那条「Decision Index 0.2.1」只有 4 分、0 条评论。Jev 创始人 Diogo Almeida 此前对量子位说过，公开 benchmark「极其容易被操纵」；TypeSafe 没有公开自家 benchmark，这个立场现在被别人的榜反过来检验。
许可与落地
StartLux-Decision v1.1 27B 的权重是 CC BY-NC 4.0：研究与非商业用途免费，商用需要 StartLux Labs 的单独授权；只有推理包是 Apache-2.0。这条写在模型卡 License 一节，排名和许可要分开看，开放权重在这里不等于可以直接商用。
按模型卡，BF16 在单张 H200、单请求下的中位延迟为：256 token 52 ms，1,024 token 98 ms，4,096 token 358 ms，8,192 token 737 ms。已知限制有两条：一次读取最多覆盖 26 个选项，更长的选项表要走分组；none_probability 是告警分，不是校准过的概率。
上手三步：git clone 仓库，pip install -e '.[vllm]' 装推理包，再用 startlux-decide serve --model <本地权重目录> --launch-vllm 起服务。请求打到 /v1/systemone，格式与 System One 兼容；think_mode 设成 auto 或 always 会返回 422，Instant 版本只做单次读取。
编辑判断
这条新闻对两类人有直接用处。一类是做路由、分诊、审核这类「从固定选项里选一个」的团队：69.12 的 Full score 里 80% 来自第三方拿不到的私有测试，这个结构和公开集分数相比更能说明泛化。另一类是正在比较决策模型的采购方：同一份榜上，Jev 1.14 的 61.53 已经被 12 个模型超过，价格和许可的分量会上升。
折扣也要一起带走。公开集参与了配方与种子的选择，同技能分项只领先 0.52 分，两项都指向「真实优势比 2.86 分小」。CC BY-NC 4.0 把商用挡在门外，想落地的团队要么谈授权，要么继续用 Apache-2.0 的推理包配别的权重。至于「Hugging Face 榜首」，准确说法是「Hugging Face 上一个社区维护的 Space 的榜首」，这两句话的可信度不一样。
还没有答案的是这份榜本身的稳定性：它由 Space 维护者按 PR 收条目，模型行随版本重排，10 月 16 日当天就改过一次模型名。今天的第 1 名，下周可能连对比基准都换了。