StartLux-Decision 新版发布：从「直觉快答」到「该想才想」的决策分叉

2026年10月17日

距离上一版才 10 天，StartLux 又把 Decision 系列更新了一轮。这事最近在决策模型圈子里热度很高，前一阵硅谷还在为 Jev 疯狂，上月末 OpenAI 连夜在 DevDay 上推 Decisions API 防御，微软一周后把 Microsoft-Decision-1 挂上 Foundry 和 OpenRouter，国庆前 StartLux 就放出了超越 Jev 的版本，现在紧接着又来了这次升级。节奏相当快，赶得很紧。

这次最值得看的，不是又刷了个分，而是它把决策模型拆成了两条路线：Instant（极速版）和 AutoThink（自适应推理版）。Instant 提供 0.8B、2B、4B、9B、27B 五档，AutoThink 目前有 4B、9B、27B 三档。拆开的原因，是材料里那个很具体的例子：商品价格 476.80 瑞典克朗，规则要求加运费后严格低于 500.84 SEK，运费 24.03 时总价 500.83 刚好符合，运费变成 24.05 就得排掉——只差 0.02，决定完全相反。这种「牵一发而动全身」的判定，正是纯单次判断模型的死穴，初代 v1、Perplexity Decider 和 Clef 这类单次模型在这里全灭。

Instant 走的是单次前向传播，靠双向注意力机制让提示词前期的表征融合后续的候选信息，不生成新 Token 就给出答案，主打快。论文的受控实验显示，五个尺寸里有四个受益，最高提了 2.4 分，2B 尺寸微降 0.2。AutoThink 则引入「置信度引导」的自适应推理，简单题直接秒答，遇到没把握的会开启沉思模式，最多生成 4096 个 Token 的推理轨迹再作答，核心是这版的原创方法 RLCD²（Reinforcement Learning for Calibrated Deliberative Decisions）。

RLCD² 比传统「选对就给奖励」做得更细：它用冻结的模型对比思考前后决策概率分布有没有变好，用 Proper Scoring Rules 优化概率质量而不是只盯最终选项对不对，再用软长度惩罚去压掉冗长无效的长链推理。说白了就是让模型既学会怎么想，也学会什么时候该停。9B AutoThink 的数据是推理正常终止率从 45.9% 提到 93.9%，平均推理长度从 2494 Token 缩到 868 Token，降了约 65%，同时 DecisionPivot 成对准确率从 53.3% 提到 59.9%。这个效率改善方向，比单纯刷一个最高分更值得做决策业务的团队关注，因为省的可都是真金白银的算力。

评测这边，新的 DecisionPivot 基准有 13 个任务家族、7800 道题，多数用成对对照甚至三四个样本一组，只有细微一处不同，且同组全部答对才算得分。0.9 置信度门槛下，AutoThink 比同尺寸 Instant 的成对准确率高出 11.5 到 18.4 个百分点，27B AutoThink 做到 86.9%。对照来看，Cloudflare Clef 27B 成对准确率只有 24.9%，AutoTrust JEV-27B 从单题 70.3% 掉到 44.2%，Perplexity Decider 算是钻石组里最稳的，勉强到 70.1%。这里有个提醒要说清楚：官方强调,公开的 Decision Index 0.3 成绩只是评测公开部分，不是完整私有榜单，所以别把它当全量结论。

授权上要注意一件事：推理代码是 Apache-2.0，模型权重是 CC BY-NC 4.0，商业用途得另拿授权。对想直接拿去跑业务的生产团队来说，这一步得先盘清楚，别看到开源就以为能随便商用。全系列权重带着 vLLM、llama.cpp、MLX 支持以及量化版本，都放出来了。

我的观感是，这次升级真正的看点不在「又超了谁」，而在于把「该想才想、想清就停」这套机制连同奖励设计和推理预算一起公开了，给了别人一套可复现、可对照的方法。不过成对类基准的训练-测试同源风险，以及 CC BY-NC 对商用的限制，这两点官方目前都没细说，留给有心人去扒。