AI决策模型爆发：中国团队以开源本地化切入「直觉层」赛道

事件概述

9月中旬，前OpenAI研究员Diogo Almeida创办的TypeSafe AI发布了名为Jev的「System One」模型。该模型专注于快速、直觉性的判断而非文本生成，旨在解决Agent任务中大量琐碎决策（如工单分发、权限放行）的效率与成本问题。Jev上线后市场反应强烈，Vercel数据显示其24小时内即被13%的付费用户采用。受此启发，两周内OpenAI推出Decisions API，Cloudflare开源Clef，亚马逊发布Strands Decider，国内上海人工智能实验室开源Intern-Decision，创业公司StartLux也发布了超越Jev评测成绩的StartLux-Decision，形成了一场围绕「AI直觉层」的快速群战。

核心信息

• 技术定位与价值：决策模型将「判断」从大模型的「生成」能力中剥离，提供单选、打分或结构化概率输出。这种模式比传统大模型更廉价、高频，被视为Agent运行的关键基础设施。Jev定价为每百万输入token 0.042美元，体现了极致的成本控制。
• 中国团队的策略选择：面对Jev闭源且仅支持云端调用的局限，中国团队几乎一致选择了「开源+本地部署」路线。上海人工智能实验室提供了0.8B至4B的多模态版本，推理速度宣称比Jev快2-3倍；StartLux则提供从0.8B到27B的五档规格及量化文件，直接瞄准对数据敏感或有跨境调用顾虑的开发者。
• 基座模型的全球化角色：本轮热潮中，中国开源基座成为通用底座。Cloudflare的Clef基于Qwen后训练，亚马逊的Strands Decider同样使用Qwen，APUS的方案也依托Qwen。这表明中国开源模型已演变为全球决策模型赛道的共享「躯干」。
• 本地化的必要性：对于主打本地AI系统的StartLux而言，决策模型是解决个人设备算力瓶颈的关键。云端可堆叠算力，但本地显存和功耗有限。StartLux展示的4B版本在Q4量化后仅需约2.71GB内存，且与原始权重决策一致率达98.3%，使得本地Agent能够高效运行高频判断任务。

值得关注

• 竞争壁垒薄弱：决策模型品类复制速度极快，从Jev立项到各大厂跟进仅用两周，行业预判其最终将面临价格战，单一模型本身难以构成长期护城河。
• 系统级挑战：真正的难点不在于单个决策模型的性能，而在于长任务稳定性、异常恢复、上下文管理及整体用户体验。StartLux CEO陈大年过往产品多为高频底层生意，此次押注本地智能系统，其核心价值可能在于将这些模型组装成稳定产品的能力，而非模型本身。
• 研发效率展示：StartLux声称利用Auto Research体系在3天内完成决策模型迭代，涵盖数据构造、训练、评测等环节，这种自动化研发流程的可复用性比单次榜单成绩更具观察价值。