Les deux versions sont alignées bloc par bloc, dans l’ordre du texte : titre, l’essentiel, puis paragraphe par paragraphe. Quand la traduction a fusionné ou scindé un paragraphe, la case correspondante reste vide — on ne rapproche jamais deux passages au jugé.
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.
Sur un classement tenu par la communauté, le modèle 27B Instant de StartLux-Decision v1.1 occupe désormais la première place, avec un score Full de 69,12 au 16 octobre. Ce classement repose sur le Decision Index 0.3.2 hébergé sur Hugging Face, qui est maintenu par des bénévoles et n'a aucun lien avec TypeSafe. Le modèle en tête a remporté les trois volets du test : 72,88 sur les benchmarks publics, 64,82 sur des tests privés portant sur les mêmes compétences et 61,41 sur des tâches privées issues de nouveaux domaines. Le deuxième, vLLM-SR d3, atteint 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 tâche pour laquelle ces modèles sont conçus est étroite et concrète. On donne à un modèle un état, qui peut être un bloc de texte, un fichier JSON ou une image, accompagné d'un ensemble de questions typées. Il renvoie une probabilité pour chaque réponse : un choix dans une liste, un oui ou un non, ou un niveau sur une échelle. Les modèles Instant produisent cette réponse en une seule passe avant dans le réseau. Les variantes AutoThink fonctionnent de la même manière lorsqu'elles sont sûres d'elles, mais lorsque la probabilité maximale descend sous un seuil fixé par défaut à 0,6, elles rédigent une courte trace de raisonnement puis relisent la réponse. Sur le sous-ensemble public du Decision Index 0.3, StartLux annonce 73,37 pour le modèle 27B AutoThink avec le seuil relevé à 0,9, un chiffre que l'entreprise a elle-même mesuré.
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 gamme comprend huit modèles ouverts, en versions Instant et AutoThink, disponibles aux formats GGUF et MLX et fonctionnant avec vLLM et MLX. Les auteurs décrivent un pipeline d'entraînement en trois étapes et une méthode d'apprentissage par renforcement appelée RLCD-squared, qui récompense les modèles pour attribuer des probabilités honnêtes à leurs réponses et pénalise légèrement les raisonnements longs. Ils affirment qu'elle a réduit la longueur moyenne du raisonnement de jusqu'à environ 65 % tout en maintenant une précision largement inchangée. StartLux a aussi présenté DecisionPivot, son propre benchmark constitué de paires de cas qui ne diffèrent que par un détail censé modifier la réponse, couvrant les politiques, les registres comptables, les calendriers, les permissions et les appels d'outils. Sur ce test, le modèle 27B AutoThink atteint 86,9 % de précision par paires. Ces chiffres proviennent de l'entreprise, et non de laboratoires indépendants.
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.
Pour un développeur qui construit un agent devant choisir sa prochaine étape, le gain se situe au niveau du coût et du contrôle : un modèle qui répond en une seule passe la plupart du temps, et ne raisonne que lorsqu'il hésite, peut être moins coûteux à faire tourner qu'un modèle qui rédige toujours son raisonnement. Les démonstrations publiées sur le site du projet illustrent ce type de prise de décision pas à pas aux échecs, dans Super Mario Bros., StarCraft II et une tâche d'achat sur ordinateur, avec une requête typée à chaque étape. La licence constitue la limite immédiate : les poids sont ouverts à la recherche et à l'usage personnel, mais les équipes commerciales doivent attendre un accord d'un autre type. Reste à savoir si la première place au classement résiste à des tests que les auteurs n'ont pas conçus, et si l'écart de longueur de raisonnement se maintient en dehors de leurs propres benchmarks.