Startlux-Decision – StartLux Labs 开源的决策模型家族

Startlux-Decision是StartLux Labs于2026年9月开源的决策模型家族，主要用于智能体执行任务时的高频判断环节，一次性提供 0.8B 至 27B 五档参数版本与 35B-A3B 混合专家版本，单次前向推理即返回各选项概率。

Startlux-Decision 的核心能力

智能体执行任务时，大量判断并不需要写出一段文字，而是在若干预设选项里挑一个。每一步等待累积起来会直接影响整体效率，这类高频判断正是决策模型要解决的部分。理解这类组件在智能体里的位置，可以先了解 AI 智能体 的任务执行方式。

类型化决策输出

模型支持选择题、是非题与评分题三种问题类型，每个问题返回各选项的概率分布。模型把选项渲染为字母标记，答案从单次前向传播后对应字母位置的数值直接读出，不生成答案文本。

多模态状态输入

状态可以是文本、JSON 或图片，证据与图片都能作为请求的一部分参与判断。这条能力让模型可以直接读取界面截图或凭证图片作为决策依据，而不必先经过一次转写。

超长上下文与分块读取

全系列模型原生支持 262,144 token 的提示长度，长状态按块读取一次，请求中的每个问题再从各自的表示分支计算，避免重复编码带来的额外开销。

置信度可直接使用

每个问题返回的概率可以直接当作置信度使用，适合需要风险量化的自动化流程。与先生成文本再解析的方案相比，这种方式省去了格式校验环节，也更便于在流程里设定阈值。

多档参数与全平台部署

家族覆盖 0.8B 到 27B 的稠密版本以及 35B-A3B 混合专家版本，并提供 GGUF 量化权重用于本地推理，在 Apple Silicon 上还可以使用对应的后端。官方说明 35B-A3B 每个 token 仅激活约 3B 参数，延迟约为 27B 稠密模型的一半。

Startlux-Decision 与同类决策系统的对比

下表从产品性质、评测表现与部署方式等维度，对比两个常被放在一起评估的决策模型。

上表 Startlux-Decision 一列取自其官方项目说明，Jev 一列取自其公开资料。两者走的是同一条技术路线：不生成答案文本，而是直接对候选选项打分。差别在于开放程度与部署形态——Startlux-Decision 一次性开放了从小到大的多档权重，并附带量化版本用于本地推理；Jev 以闭源托管服务的形式提供，接入需要申请。需要在本机或内网完成判断的场景，前者的可选空间更大；希望免去运维的团队，后者更省事。

如果想了解这类决策模型通常嵌入在什么样的执行环境里，可以参考 Manus（通用型自主执行智能体，与 Startlux-Decision 同属智能体执行链路上的组件，区别在于前者负责整条任务的推进、后者只承担其中每一步的判断）。

Manus

由中国团队Monica推出的全球首款通用AI Agent（自主智能体）产品

Startlux-Decision 的应用场景与适用人群

把高频判断从文本生成里拆出来之后，常见用途包括：

• 智能客服分单：输入工单文本或图片，单次请求判断处理团队、是否加急与严重程度，各选项的概率可以直接作为置信度使用。
• 电脑操作自动化：驱动浏览器逐步选择控件并判断任务是否完成，官方演示了自动完成网页下单购物的完整流程。
• 游戏 AI 决策：单次前向输出走子、建造与射击等动作的概率，官方在棋类与即时策略类场景中做过验证。
• 金融风控与合规：覆盖合同条款核查、金融实体识别与钓鱼邮件甄别，输出的概率可以接入既有的风控流程。
• 企业检索与分类：以较低延迟完成意图识别、查询分类与检索结果的事实核查，适合请求量较大的业务场景。

适用人群：搭建智能体流程的应用开发团队，以及需要在本地或内网完成判断推理的工程人员。权重采用 CC BY-NC 4.0 许可，商业使用前需要核对许可条款，确认识别到的约束是否与产品形态相符。

Startlux-Decision 的使用方法

从下载权重到发起请求，可按以下步骤操作：

1. 下载权重：用 hf download startlux-models/StartLux-Decision-v1-4B --local-dir StartLux-Decision-v1-4B 从 Hugging Face 获取。
2. 安装依赖：进入模型目录执行 pip install -r requirements.txt。
3. 验证内核：运行 python -m startlux_decision.check StartLux-Decision-v1-4B，需要看到快速内核已激活的输出。
4. 启动服务：执行 python -m startlux_decision.server --model StartLux-Decision-v1-4B --port 8090 启动本地推理服务。
5. 发送请求：向本地服务的会话接口发送 JSON，包含状态与问题列表，问题可以是选择、是非或评分类型。
6. 读取结果：响应返回每个问题各选项的概率分布，可直接作为决策置信度使用。
7. 量化部署（可选）：下载对应的 GGUF 仓库后先启动本地推理服务端，再运行配套脚本在 llama.cpp 之前提供决策服务。官方项目地址见 Startlux-Decision 官方仓库。

建议先按官方说明验证运行环境是否满足要求，再进入实际业务；接入生产流程前应结合自身任务做一轮评测，确认概率输出与真实准确率的关系，并据此设定阈值，而不是直接采用官方公布的基准分数。

Startlux-Decision 的价格与开源情况

Startlux-Decision 的权重以 CC BY-NC 4.0 许可在 Hugging Face 与 ModelScope 上开放下载，并提供支持本地部署的量化模型；该许可对商业使用有明确限制，商用前需要与官方确认授权方式。

模型本身不收取调用费用，成本来自本地推理所需的算力。官方说明家族覆盖从小到大的多个档位，实际选型时可以在延迟与准确率之间取平衡，先用小尺寸版本验证流程，再按效果决定是否换用更大的版本。

Startlux-Decision 的常见问题