← Todas las noticias

StartLux-Decision decide por sí mismo si razonar, pero filtrar las probabilidades puede distorsionarlas

Según informó Synced el 4 de noviembre de 2026, StartLux, junto con la Universidad de Hong Kong y la Universidad del Sur de Ciencia y Tecnología, propuso StartLux-Decision: los dos conjuntos de pesos, Instant y AutoThink, comparten la lectura de probabilidad de opciones; AutoThink solo genera razonamiento cuando la probabilidad de la opción más alta es inferior a 0,9; el artículo también presenta el entrenamiento RLCD² y la evaluación DecisionPivot, y adjunta repositorio de código y direcciones de pesos en Hugging Face.

Publicado Actualizado

Qué ha cambiado

Este no es un modelo de chat. StartLux-Decision formula la petición como “estado de entrada + pregunta + opciones candidatas”, toma de los logits de la última capa del modelo las posiciones correspondientes a letras como A, B o C y, mediante escalado de temperatura y softmax, obtiene la probabilidad de cada opción, sin añadir una cabeza de clasificación adicional; Instant hace solo un pase forward y AutoThink lee una vez antes y otra después del razonamiento. La dirección de atención de ambos es distinta: Instant elimina la máscara causal en las capas de Full Attention, lo que permite interacción bidireccional entre tokens del prompt, mientras que las capas de Linear Attention conservan el cálculo causal; AutoThink conserva atención causal para soportar la generación de trayectorias de razonamiento. El artículo aclara explícitamente que ambos no son el mismo conjunto de pesos publicado y no pueden sustituirse entre sí. Según la configuración de evaluación predeterminada del artículo, AutoThink calcula primero la distribución inicial p₀: si la probabilidad de la opción más alta alcanza 0,9, devuelve directamente; si es inferior a 0,9, genera una trayectoria de razonamiento, lee p₁ al final de la trayectoria y la salida final se inclina hacia la distribución posterior al razonamiento con un peso de aproximadamente 75%. El entrenamiento tiene tres etapas: ajuste fino supervisado de todos los parámetros, entrenamiento de adaptadores y finalización de la diferenciación de la dirección de atención, y después supervisión de razonamiento y aprendizaje por refuerzo RLCD² para AutoThink. La recompensa de RLCD² se compone del incremento de puntuación de probabilidad otorgado por un modelo evaluador congelado y una penalización por longitud excesiva, con un presupuesto flexible de longitud de 3072 tokens y un límite de generación de 4096 tokens. La evaluación complementaria DecisionPivot incluye 13 tipos de tareas generadas programáticamente, 600 preguntas por tipo, 7800 en total; la mayoría forma pares de control que solo cambian un detalle suficiente para cambiar la respuesta, y la métrica central es la precisión emparejada de responder correctamente ambas preguntas del par. El artículo reporta que AutoThink de 4B, 9B y 27B obtiene 59,9%, 59,9% y 86,9%, respectivamente, frente a 41,5%, 47,5% y 75,4% de Instant. En la misma tabla, Decision 3.0 d3 obtiene 71,3%, Perplexity Decider v1.1 obtiene 70,1% y GLM-5.3 con la configuración de baja intensidad de razonamiento habilitada obtiene 82,2%. Todas estas son cifras y configuraciones de ejecución reportadas por los propios autores del artículo.

Impacto para desarrolladores

El efecto sobre la forma de integrarlo es más directo que las puntuaciones. Primero, la salida son probabilidades, no texto: Instant no hace generación autorregresiva, así que no sirve como modelo de chat o resumen; si el entorno de despliegue no puede obtener los logits o las probabilidades por opción, la interfaz central de este modelo no se puede usar. Segundo, la latencia se vuelve bimodal: en el artículo, bajo condiciones de una sola H200, BF16, prompt de 256 tokens y una sola petición, la mediana de latencia de una lectura de Instant es de 24—52 milisegundos, pero cuando AutoThink activa el razonamiento, el extremo a extremo aún suma la generación de la trayectoria y una segunda lectura, y la p50 oculta la cola larga. Tercero, la semántica de la probabilidad depende de la estrategia posterior: el artículo, usando 9B como verificador, encontró que respuestas a las que se asignó 80%—90% de confianza en una predicción individual tenían una tasa de acierto real del 92%; al elegir la puntuación más alta entre 32 candidatos, ese mismo intervalo de confianza bajó a 78%, porque la operación de selección cambia la distribución condicional de las predicciones devueltas. Cuarto, el despliegue local tiene un umbral de memoria: la versión BF16 de 27B supera la memoria disponible en una M5 Pro con 64GB de memoria unificada, y necesita cuantización de 8 bits o 4 bits para ejecutarse. Quinto, la ganancia por tarea es desigual: las mejoras de 4B y 9B se concentran en tareas que requieren cálculo ítem por ítem, como filtrado, verificación de estados objetivo y conflictos de horarios; en explicación de políticas, cambios de cláusulas y manejo de dependencias, los modelos fuertes de predicción única siguen siendo superiores.

Integración y evaluación

Lo siguiente es un análisis condicional basado en lo reportado en el artículo, no son recomendaciones del artículo. Criterio uno: elegir Instant o AutoThink y dónde fijar el umbral. El cambio reportado en el que se puede basar la decisión es el control por confianza de AutoThink: en DecisionPivot, el 27B responde directamente alrededor del 39% de las preguntas, con una precisión por pregunta de aproximadamente 96%, y el otro ~61% entra en razonamiento, donde la precisión sube de aproximadamente 57% a aproximadamente 93%. Si tu carga son juicios con pocas opciones y contexto ya completo, como enrutamiento de peticiones o evaluación de resultados de recuperación, el valor de Instant es ahorrarse la generación; si las reglas suelen tener cláusulas de excepción o límites de umbral, conviene elegir AutoThink y explorar el umbral por tu cuenta. La condición previa es que el lado del despliegue pueda leer probabilidades por opción. Criterio comprobable: medir la precisión emparejada en tus propios pares de control, contar la proporción de peticiones que entran en razonamiento y la latencia p95, y recorrer el umbral de 0 a 1 para encontrar el tramo en el que la precisión deja de subir mientras los tokens siguen aumentando. Criterio dos: qué presupuesto de longitud de razonamiento fijar. El cambio reportado en el que se puede basar la decisión es la penalización de longitud de RLCD²: la precisión emparejada del 4B cae de 60,4% a 52,9% cuando la penalización empieza a aplicarse desde 512 tokens, y vuelve a 59,9% al relajarla a 3072 tokens; eliminar por completo la penalización da 61,7%, pero en esa evaluación cerca de un tercio de los razonamientos no logra terminar por sí solo dentro del límite de generación. La opción es alinear el presupuesto flexible con el extremo superior de tu propia distribución de longitudes de razonamiento, no copiar 3072. La condición previa es poder registrar la longitud de la trayectoria y si termina por sí sola. Criterio comprobable: la proporción de terminaciones autónomas y el consumo de tokens por pregunta, no solo la precisión; si la proporción de terminaciones autónomas es claramente baja, revisa primero si estás aplastando también preguntas que de verdad necesitan cálculo largo. Criterio tres: si hay que rehacer la calibración de probabilidades según la estrategia. El cambio reportado en el que se puede basar la decisión es la calibración consciente de la estrategia: en 184 configuraciones que cubren best-of-N, control de razonamiento, cascada y filtrar primero y razonar después, la brecha con signo entre confianza y precisión se redujo de −11,7 a +20,5 puntos porcentuales a −2,7 a +2,1 puntos porcentuales. La opción es ajustar la calibración después del filtrado o enrutamiento real, usando la predicción que efectivamente se devuelve, en lugar de calibrar un candidato individual y reutilizar esa calibración. La condición previa es tener datos de calibración etiquetados y poder registrar el número de candidatos, la puntuación media de los candidatos o la confianza que activó el enrutamiento. Criterio comprobable: comparar dentro de intervalos fijos de confianza la confianza predicha con la tasa de acierto real, y contar la proporción de aprobaciones erróneas en el umbral de ejecución automática que hayas fijado; si cambia la estrategia, hay que volver a medir tanto la asignación de calibración como el umbral de aceptación.

Límites y cuestiones pendientes

Instant y AutoThink de StartLux-Decision (de 0,8B a 27B) no están actualmente en el catálogo de modelos de KimiSeek; el reporte tampoco menciona una API alojada, y la disponibilidad del código y los pesos se rige por el repositorio de GitHub y la página de Hugging Face del proyecto, canales del proyecto y no ofrecidos por este sitio. La fuente no especifica bajo qué licencia se publican los pesos: que los pesos se puedan descargar no equivale a una licencia de código abierto; el alcance permitido de uso comercial, redistribución y modificación depende de la tarjeta del modelo y del archivo de licencia, y no puede inferirse de que “los pesos ya se hayan publicado”. Los propios números también tienen límites. La parte pública de DI 0.3 solo corresponde al 20% de la puntuación del ranking completo; el artículo explica que se usó para la receta de datos y la selección de modelos de este estudio, no es un conjunto de prueba independiente; la puntuación de AutoThink en ese ranking no puede considerarse como si hubiera entrado en un ranking de predicción única que excluye trayectorias de razonamiento. En 2986 muestras reservadas, los intervalos de cambio de precisión final de decisión de las tres escalas incluyen cero; lo que este contraste respalda mejor es una mejora en la terminación del razonamiento y en la eficiencia de generación, no un aumento general de la precisión. El artículo también advierte por sí mismo: 48,0% es el resultado de AutoThink con el razonamiento desactivado y no debe mezclarse con el 75,4% de Instant; tras transferir la asignación de calibración a conjuntos de datos no vistos todavía queda hasta aproximadamente 6,1 puntos porcentuales de exceso de confianza residual; un umbral fijo de 0,9 no equivale a una asignación de cómputo óptima por pregunta; los números de latencia de una sola H200 con una sola petición no pueden extrapolarse a servicio concurrente; la evidencia de transferencia entre familias de tareas sigue siendo limitada.

Tres minutos hasta la primera llamada

Crea una cuenta y una clave de API. El coste de las llamadas se descuenta de tu saldo. 30 % de descuento en tu primera recarga. Recarga ¥500, paga ¥350, recibe ¥500 de saldo. Recarga ¥1000, paga ¥850, recibe ¥1000 de saldo La recarga mínima sigue siendo de ¥10, adecuada para pruebas.

Fuentes y proceso editorial

决策模型何时需要思考?StartLux-Decision 的按需推理与概率校准

La IA ayudó con el análisis y la traducción de las fuentes citadas, seguidos de controles automáticos. Las recomendaciones no son resultados de pruebas. Consulta el catálogo actual para precios y disponibilidad.