Las dos versiones están alineadas bloque a bloque, en el orden del texto: titular, lo esencial y después párrafo a párrafo. Cuando la traducción ha fusionado o dividido un párrafo, la casilla correspondiente queda vacía — nunca emparejamos dos pasajes a ojo.
On a leaderboard run by the community, the 27B Instant model of StartLux-Decision v1.1 is now first, with a Full score of 69.12 as of October 16. The ranking is measured on Decision Index 0.3.2 on Hugging Face, which is maintained by volunteers and has no link to TypeSafe. The top model took first place in all three parts of the test: 72.88 on public benchmarks, 64.82 on private tests of the same skills, and 61.41 on private tasks from new domains. The runner-up, vLLM-SR d3, reached 66.26.
En una clasificación elaborada por la comunidad, el modelo 27B Instant de StartLux-Decision v1.1 ocupa ahora el primer puesto, con una puntuación Full de 69,12 al 16 de octubre. La medición se realiza con Decision Index 0.3.2 en Hugging Face, un proyecto mantenido por voluntarios y sin vínculo con TypeSafe. El modelo líder ganó en las tres partes de la prueba: 72,88 en benchmarks públicos, 64,82 en pruebas privadas de las mismas habilidades y 61,41 en tareas privadas de dominios nuevos. El segundo, vLLM-SR d3, alcanzó 66,26.
The task these models are built for is narrow and practical. Give a model a state, which can be a block of text, a JSON file or an image, along with a set of typed questions. It returns a probability for every answer: a choice from a list, a yes or no, or a level on a scale. The Instant models produce that answer in a single forward pass through the network. The AutoThink variants work the same way when they are confident, but when the top probability drops below a gate, set by default at 0.6, they write a short reasoning trace and then read the answer again. On the public subset of Decision Index 0.3, StartLux reports 73.37 for the 27B AutoThink model with the gate raised to 0.9, a figure the company ran itself.
La tarea para la que están diseñados estos modelos es concreta y práctica. Se le da a un modelo un estado, que puede ser un bloque de texto, un archivo JSON o una imagen, junto con un conjunto de preguntas tipificadas. El modelo devuelve una probabilidad para cada respuesta: una opción de una lista, un sí o un no, o un nivel en una escala. Los modelos Instant producen esa respuesta en una única pasada hacia delante por la red. Las variantes AutoThink funcionan igual cuando están seguras, pero cuando la probabilidad más alta cae por debajo de un umbral, fijado por defecto en 0,6, escriben una breve traza de razonamiento y luego vuelven a leer la respuesta. En el subconjunto público de Decision Index 0.3, StartLux informa de 73,37 para el modelo AutoThink de 27B con el umbral elevado a 0,9, una cifra que la propia empresa obtuvo.
The lineup spans eight open models, in Instant and AutoThink versions, available in GGUF and MLX formats and running on vLLM and MLX. The authors describe a three-stage training pipeline and a reinforcement learning method called RLCD-squared, which rewards models for putting honest probabilities on their answers and lightly penalizes long reasoning. They say it cut average reasoning length by up to about 65% while keeping accuracy largely intact. StartLux also introduced DecisionPivot, its own benchmark built from pairs of cases that differ in one detail that should change the answer, across policies, ledgers, schedules, permissions and tool calls. On that test, the 27B AutoThink model reaches 86.9% pair accuracy. Those figures come from the company, not from independent labs.
La oferta abarca ocho modelos abiertos, en versiones Instant y AutoThink, disponibles en formatos GGUF y MLX y ejecutables con vLLM y MLX. Los autores describen un proceso de entrenamiento en tres etapas y un método de aprendizaje por refuerzo llamado RLCD-squared, que recompensa a los modelos por asignar probabilidades honestas a sus respuestas y penaliza ligeramente los razonamientos largos. Afirman que así redujeron la longitud media del razonamiento hasta un 65 % aproximadamente, manteniendo en gran medida la precisión. StartLux también presentó DecisionPivot, su propio benchmark, construido a partir de pares de casos que difieren en un único detalle que debería cambiar la respuesta, en ámbitos como políticas, registros contables, calendarios, permisos y llamadas a herramientas. En esa prueba, el modelo AutoThink de 27B alcanza un 86,9 % de acierto por pares. Estas cifras proceden de la empresa, no de laboratorios independientes.
For a developer building an agent that must choose a next step, the gain is in cost and control: a model that answers in one pass most of the time, and reasons only when it hesitates, can be cheaper to run than one that always writes out its thinking. The demos on the project site show this kind of step-by-step decision-making in chess, Super Mario Bros., StarCraft II and a shopping task performed on a computer, with one typed request per step. The licence is the immediate limit: the weights are open for research and personal use, but commercial teams must wait for a different agreement. What remains open is whether the leaderboard lead holds up on tests the authors have not designed, and whether the gap in reasoning length survives outside their own benchmarks.
Para un desarrollador que construye un agente que debe elegir el siguiente paso, la ventaja está en el coste y el control: un modelo que responde en una sola pasada la mayor parte del tiempo y solo razona cuando duda puede resultar más barato de ejecutar que uno que siempre escribe su razonamiento. Las demostraciones del sitio del proyecto muestran este tipo de toma de decisiones paso a paso en ajedrez, Super Mario Bros., StarCraft II y una tarea de compra realizada en un ordenador, con una petición tipificada por paso. La licencia es el límite inmediato: los pesos están abiertos para la investigación y el uso personal, pero los equipos comerciales deben esperar a un acuerdo distinto. Lo que queda por confirmar es si el liderazgo en la clasificación se mantiene en pruebas que los autores no han diseñado, y si la diferencia en la longitud del razonamiento sobrevive fuera de sus propios benchmarks.