📰 陈大年复出，入局大模型
StartLux-V1.0-27B-Preview在国产本地模型领域实现了重要突破。文章聚焦其在信通院MCP测试中的综合第二名，显示出27B数量级的小模型通过后训练（Auto Research）和任务级能力提升，能在不依赖云端的情况下实现接近万亿级云端模型的Agent能力。创始人陈大年以本地化、高性价比和可验证性为核心，强调“少即是多”的路径，提出本地模型的商业化前景可能优于云端依赖，尤其在长时任务、多步执行和真实环境交互方面更具优势。StartLux以Qwen3.6-27B为基座，通过后训练强化任务理解、工具调用与结果验证，并引入AI训练AI的迭代优化，确保在金融分析和自动化浏览等场景具备实操性与可追溯性。报道同时指出大模型路线的分流趋势：一方面追求参数扩张与云端算力，另一方面推崇以Harness为代表的Agentic评估与本地化部署的可控性。团队将目标落在企业与个人用户的快速落地，未来将继续扩展自有基模训练与本地智能解决方案的推广。
🏷️ #本地模型 #后训练 #Agent能力 #AI训练AI #本地部署
🔗 原文链接
📰 陈大年复出，入局大模型
StartLux-V1.0-27B-Preview在国产本地模型领域实现了重要突破。文章聚焦其在信通院MCP测试中的综合第二名，显示出27B数量级的小模型通过后训练（Auto Research）和任务级能力提升，能在不依赖云端的情况下实现接近万亿级云端模型的Agent能力。创始人陈大年以本地化、高性价比和可验证性为核心，强调“少即是多”的路径，提出本地模型的商业化前景可能优于云端依赖，尤其在长时任务、多步执行和真实环境交互方面更具优势。StartLux以Qwen3.6-27B为基座，通过后训练强化任务理解、工具调用与结果验证，并引入AI训练AI的迭代优化，确保在金融分析和自动化浏览等场景具备实操性与可追溯性。报道同时指出大模型路线的分流趋势：一方面追求参数扩张与云端算力，另一方面推崇以Harness为代表的Agentic评估与本地化部署的可控性。团队将目标落在企业与个人用户的快速落地，未来将继续扩展自有基模训练与本地智能解决方案的推广。
🏷️ #本地模型 #后训练 #Agent能力 #AI训练AI #本地部署
🔗 原文链接
