作者：苏打

出品：明亮公司

在云端为绝对主力的模型市场中，本地模型正悄悄凿开一条“裂缝”。

近日，StartLux（原点星辉）将团队自建的Auto Research方法用于决策模型研发，用时3天完成StartLux-Decision的研发与验证，并一次推出0.8B、2B、4B、9B、27B五档版本。几天后，系列又上线了第六个版本35B-A3B，回答耗时只有27B的一半。

独立Decision Index 0.2.1评测中，27B版本得分63.88，38项基准中有31项高于Jev 1.13；在上海人工智能实验室（上海AI实验室）发布Intern-Decision时采用的七项评测中，27B平均准确率达到91.82%，同样高于Jev的88.74%。

这是Auto Research研发管线在StartLux内部的一次成功试炼。

今年8月份，StartLux成立仅三个月便迅速推出第一个模型StartLux-V1.0-27B-Preview，成为国内首个以“AI训练AI”（Auto Research）方式完成后训练的本地Agent模型。

在中国信通院人工智能研究所组织开展的MCP-Universe基准测试中，该模型以27B参数量取得综合性能排名第二的成绩，仅次于1.6万亿参数的DeepSeek-V4-Pro，总体指标差距仅1.30个百分点。

近日，「明亮公司」独家对话语生科学首席科学家、StartLux CTO郭权玮，就Auto Research管线优势、如何判断to B与to C的前景，以及本地与云端模型的变化趋势进行深度探讨。

公开资料显示，StartLux（上海原点星辉科学技术有限公司）成立于2026年5月29日，专注全本地智能解决方案，由一支横跨技术研发、产品与商业化的创始团队发起。

其中，创始人兼CEO陈大年曾创办盛大网络、连尚网络，现任语生科学董事长；联合创始人兼CTO郭权玮现任语生科学首席科学家，长期从事人工智能模型、隐私计算与前沿AI技术研究；联合创始人罗永祥曾任摩根士丹利亚洲董事总经理，拥有长期资本市场与企业管理经验。

郭权玮认为，未来，本地模型敲开的这条“缝隙”必将持续扩大。Muse已经打开AI to C应用的想象入口，本地应用的未来空间会更加广阔。

与云端主要出售Token的模式不同，我们出售‘任务’。云端的优势是脑容量较高，可以执行复杂任务，但我们认为，未来90%-95%的任务都会在本地。因为绝大多数人不需要太过高深和精尖的工具。”

与to B市场相比，StartLux更倾向于“让每个人拥有真正属于自己的智能”。

郭权玮透露，公司首款C端产品将于近期推出，目前团队正在做的事情，是“为未来2-3年做准备”。“伴随硬件的快速迭代，个人设备性能的大幅提升，电脑将成为最强终端，甚至可能超过手机。”

郭权玮（来源：受访人提供）

以下为「明亮公司」与郭权玮的对话（经整理）：

27B目前是本地模型的「甜蜜点」

Q：在8月份推出的第一个模型中，为什么你们会选择27B这个尺寸？

郭权玮：由于智能体这件事现在变得非常重要，所以我们的模型究竟能否满足智能体的使用，是一个非常关键的命题。

到今年7月份时，我们用几乎所有模型都做过测试，发现27B上下刚好够智能体使用，同时硬件配置又不需要太强，是一个相对的“甜蜜点”。如果模型小于27B，智能体的各项性能都会有损伤，比如9B、4B的小模型智力就远不如27B；如果太大，比如200B、300B，本地的硬件又不太能够支撑。

因为我们的一个基础判断是，未来的智能体不会局限于企业端，而会存在每个人的设备上。个人电脑的内存大多在16G到128G，27B这个尺寸在当下适配起来刚好比较甜蜜。

Q：这个尺寸的模型目标设备大致有哪些？

郭权玮：目前我们聚焦在个人终端，主要包括笔记本和台式机，现阶段会主打配置相对较高的版本，比如64G或128G的MAC。

但硬件迭代非常快，英伟达RTX系列笔记本已大量出货，未来个人的笔记本升级也将变得非常便捷。从这个角度看，现在的高配在未来将只是标配。所以我们一开始就主打个人设备，因为这件事情在不远的将来就会变成主流。

Q：你们的产品会以什么形式呈现在设备端？

郭权玮：对用户而言，它会以电脑上的智能应用呈现，下载安装就能使用。但本质上，我们提供的是一套完整的本地智能解决方案，包括本地模型、推理引擎、Agent和记忆系统，所有能力在本地协同运行。

Q：会通过哪些方式进行分发和触达？

郭权玮：届时用户可以直接通过 StartLux 官网下载安装。我们也会与硬件厂商合作，探索设备预装等分发方式。

Q：目前有已经落地的场景吗？

郭权玮：我们正在针对个人终端进行使用检测，同时针对企业端也在模拟，预计近期会推出一个to C产品，前期免费。

以Auto-Research为核心，跻身大厂竞争圈

Q：在Agent的改进方面，比如长任务、上下文积累等你们有哪些突破？

郭权玮：有很多。比如，上下文压缩本身是一个比较困难的任务，原因是我们的模型比较小，所以能支撑的上下文天然不会很大，那么怎样把一个上下文透过很好的网络结构进行整合，是一个比较重要的问题。

目前传统的方式是向下压缩，比如透过一些方式把100万字归纳成10万字、1万字，然后再进行压缩，但真正比较好的方式应该是结构性压缩。目前，我们通过综合图神经网络等能力开发出一些算法，已经实现了结构化的上下文压缩。

同时，作为本地智能解决方案，我们的整个框架开发是耦合的，用户的模型和智能体开发可以紧密同步，这一点非常方便。而且其中的记忆模块可以拔插，这是我们区别于其他模型的利基部分。

另外，未来伴随Agent使用的深入，个人隐私和安全问题将会显著升级，这会大大推动解决方案向本地走。当市场教育到达某个水平后，会产生一个猛暴性的奇异点。可以看到，Muse、Cue的出现已经开始将Agent带向个人智能助手。

Q：目前你们主要基于千问基模做后训练，那么自身的核心资产主要有哪些？

郭权玮：Auto-Research是我们最核心的资产，可以即时覆盖所有模型，所有评测和后训练均自动完成，也是公司推进RSI（递归式自我改进）的一条路径。

简单讲，就是所有的后训练全自动。任何模型只要一开源，我们瞬间就可以将其接到管线中进行全面评测，用数据说话。比如接入10个模型，我们大约评测1-2天。其中特别好的会被继续接入全自动管线中进行全自动的后训练，只要一周时间，这些模型便能在我们希望的方向变得更强。

同时，Auto Research是实现RSI的核心元件。先让AI参与研究和模型改进，之后进一步要求被改进后的AI提升“改进自身”的能力。近期公布的StartLux-Decision也是这条研发路线上的另一项具体成果。

StartLux提出的RSI五级标准（来源：StartLux）

Q：这个体系做起来有壁垒吗？

郭权玮：其他人当然也可以做，但要真正做好，必须有顶尖的研究团队。目前整个领域还处在早期，大厂投入的资源远超我们，但资源优势不等于技术上的绝对领先。

StartLux-27B和StartLux-Decision的结果已经证明，我们完全有能力和顶尖企业正面竞争。我们不怕竞争，最终还是要靠实际成果说话。

Q：未来你们的核心方向是否会沿着这个资产路径继续深化？

郭权玮：目前很多AI系统主要依赖外部记忆和知识库来实现个性化，模型本身并不会随着使用持续更新。尤其当模型运行在云端时，个人数据和长期上下文很难真正形成完整的学习闭环。

我们希望进一步把Auto Research的能力带到个人电脑上，让模型能够在本地持续学习和更新，相当于把一支顶尖科研团队集成到电脑里。未来每个人都可以拥有真正属于自己的模型，1亿人就是1亿个不断进化的模型，它能产生多大的价值，是非常值得期待的。

Q：“集成顶尖专家团队至电脑”具体是如何实现的？

郭权玮：核心是把Auto Research这套科研体系逐步微缩到个人电脑里。目前在我们的体系中，约90%的研究任务已经可以由AI自主处理。下一步是把这个比例进一步提高到98%、99%，同时解决精度、稳定性和算力问题，让原本需要一整套科研基础设施才能完成的工作，逐步能够在个人电脑上运行。

目前企业级环境已经具备一定的实现条件，但要把完整体系放进个人电脑，仍然有不少技术难题需要突破。不过随着模型架构、推理技术和硬件不断进步，我们相信未来两三年有机会实现。相当于每个人都拥有一支为自己服务的顶尖AI科研团队。

我们现在做的事情，就是在为这个阶段做准备。未来无论模型如何升级、更换，用户长期积累的记忆、关系和使用经验都能够保留下来，让智能真正随着用户一起成长。

本地智能方案更易推动to C应用

Q：你们希望这些模型更多在办公还是生活场景使用？

郭权玮：最近刚推出的Muse和Cue，功能已经覆盖处理邮件、整理日记、设定目标甚至帮你打电话，意味着这个形态的产品已经跟大家想象得不一样。我们总是会区分办公和生活，但工作本身就是生活的一部分。

所以，我们会更倾向于覆盖所有生活场景问题，其中当然也包括工作。比如你可以用它做Excel、PPT、PDF，整理EMAIL，同时也可以顺手定个机票、查一下菜谱、问一些服装意见等。

纯办公场景的摆动幅度很小，比如顶尖程序员开发代码，顶尖科学家要设计一些高级公式等等，但那些可能只占5%，甚至1%，而剩余95%以上的需求都会落到生活本身。所以Muse和Cue一出来就火爆，因为这是所有人的基本需求，而现在这个需求被看见了。

Q：所以你们更倾向于做一个to C向的产品吗？

郭权玮：To C和to B我们都会做，目前优先to C的原因是想让更多用户能感受产品。预计明年会陆续接入企业。

其实两种产品的底层推理引擎是一样的，模型也类似，如果以世界模型为例，我们要做的就是让它学会个人的世界模型和企业的世界模型，然后分别投向C端和B端，并不复杂。

Q：这个产品是不是和Muse有点相似？

郭权玮：Muse本质还是云端产品，你可以把它看作我们产品的一种形态。但云端产品往下走总会遇到隐私问题，很多是用户不想开放给模型的。

我们经常讲，互联网时代的一个好处，是人类可以隐藏自己，在网上扮演别人。但AI时代，人类需要把自己公开出来，变得透明，以便Agent进行操作，这是不能被接受的，加密的数据也无法保证安全。

而这恰恰是我们的优势。作为本地智能解决方案，我们主打“不跟用户有任何瓜葛”。系统只要给出去，后面的所有数据和操作都不会再沾边，当然如果不好用我们可以改版。

从根本上直接隔离，无论对C端还是B端都是最好的解决方案。而且我们是一个非常纯正的第三方，比较干净独立，这一点上大厂反而没有优势，它们的产业太庞大了，总会和用户有这样那样的牵连。

未来超90%的任务将发生在本地

Q：商业化方面公司有何规划？

郭权玮：To C端目前是不收费的，我们希望AI是平权的。待真正有值得C端付费的内容出来再收费也不迟。

云端模式主要是卖Token，但我们是卖任务。所以B端收费模式比较清晰，比如通过AI PC的模式收授权费，包括后续更新模型、数据等，目前我们已经与部分PC厂商有合作。软件或者综合配套方案也可以单独拿出来，买或租都可以。

甚至我们的后训练框架也可以出售。通常一个企业会有多个模型的需求，这个框架可以很好地解决企业多部门使用不同模型的问题，同样也可以提供买或租两种方案。这个需求目前看是比较强的。

Q：所以就C端而言，你们其实并不需要用户的数据形成飞轮。

郭权玮：是的。我们优化模型的方式和云端是有本质区别的，他们要训练的是一个模型，我要训练的是几亿个模型。而且优化模型不是一定要靠用户数据，也可以靠模拟。

Q：你觉得未来云端和本地会形成何种关系？

郭权玮：云端的优势是脑容量比较高，可以去复杂的数学推导，给顶尖程序员和科学家顶尖使用，比如做黎曼猜想之类。

除此之外，我认为90%-95%的都会在本地，因为绝大多数人其实不需要做那么高深和精尖的研究。

Q：如果想要模型能够发挥更大作用，可能还需要解决接口的问题。

郭权玮：这部分企业确实很难单独解决，因为这不是技术问题，可能需要产业甚至政策层面的推动才可以。另外还有一种可能，就是使用量变得庞大后，也可以反向推动开口的松动。

我们认为这个问题最终还是需要一个非常干净的第三方，比如像我们这种独立的企业来做。大厂和大厂之间不太可能谈拢，因为中间的利益牵扯太多。

Q：有没有想象过未来可能会和云端模型发生竞争？如果发生可能会在哪个层面？

郭权玮：竞争可能不会发生，因为1年后可能八成应用都在本地了。云端一定会存在，但如前所述，主要用来解决一些高难度的问题。

Q：未来是否会进入更多其他设备？

郭权玮：一台强劲的电脑仍旧是核心，其他设备完全可以通过联网实现接入。手机也不需要更好的，能够联网调用电脑里的内容即可。甚至电脑也不需要特别好的，只要一台主机或新增一个外接设备即可。

好产品与强技术，分别对应不同目标

Q：未来是否会进入手机端？因为目前设备端手机的使用频率还是最高的。

郭权玮：我们的想法是，不要做更小的模型。你的电脑就是终端，需要的东西用手机或者手表调用即可。而且电脑的智能密度肯定会迅速增加，十年前1万元的手机和现在1万元的手机智能密度已经天差地别，未来电脑也会类似，一台万元级的电脑未来的智能密度肯定会非常强大。

Q：你们更倾向于做一个优秀的模型方还是更智能的操作系统/Agent？

郭权玮：这背后其实是两个部分，产品和技术。有人会误认为只要产品做得好，技术不必太顶级，因为一个是工程化能力，一个是科研能力。

但实际上，技术的功用是吸引人才，并不是卖产品。或者说，产品用来赚钱，而技术用来赚人才。

Q：为什么这样讲？

郭权玮：举个例子，一个模型的速度提升5%，甚至推理快了20%，用户端的感受其实并不明显。

但如果出现一个技术飞跃，那将是爆炸性的影响，尽管技术飞跃并不是经常发生。而如果没有人才，我们就不可能进入下个时代，所以我们需要为了那个节点去储备人才。

技术不是给用户看的，技术是给技术人才看的。我们可以做最顶尖的产品，但同时也要储备人才。一方面，我们要用顶尖的技术能力获得全世界人才的认可，成为他们希望加入的顶尖团队。

另一方面，如果你想让用户使用世界一流的技术，就必须确保人才是最顶尖的。折叠屏这项技术苹果公司早已有之，但迟迟没有推出，因为他们要确保用户能使用最一线的技术和优质的体验，并卖得出高价。

所以这两项要分开看，打磨好的产品需要人才，而吸引人才需要团队本身有非常强的技术能力。一边控制好技术，一边做好产品，这才是一个正常公司该有的结构