過去兩年，全球AI競爭的顯著特徵是更多參數、更大算力、更長上下文，以及不斷刷新的Benchmark成績。

　但進入2026年，隨着基礎模型能力持續提升，另一場競爭正在浮現：如何用更高的訓練效率、更低的邊際成本，讓模型持續變強，以及如何讓AI本身參與AI研發。

　AI公司StartLux近期推出的StartLux-V1.0-27B-Preview，提供了一個觀察樣本：它沒有繼續單純擴大參數規模，而是從本地部署、後訓練效率和Agent真實任務能力切入，並進一步嘗試讓AI參與模型自身的研發。這種嘗試或許比單純刷新一次模型參數規模更值得關注。

　27B本地模型，競爭已經超過參數

　在工信部中國信息通信研究院可信AI大模型基準測試MCP專項測試中，StartLux-V1.0-27B-Preview綜合排名第二，與1.6萬億參數的DeepSeek-V4-Pro差距約1個百分點，並在位置導航、瀏覽器自動化、金融分析等Agent任務中取得第一或並列第一。

　與傳統聊天模型不同，StartLux-V1.0-27B-Preview更強調「做事」：能調用工具、執行任務，並在真實工作流中持續運行。

　這也是StartLux強調「本地Agent」的原因——「本地」解決AI在哪裡運行，「Agent」解決AI能不能真正工作。

　對於金融、製造、科研等數據敏感行業，本地部署既能減少內部數據頻繁上傳雲端，也能降低高頻、長期調用成本，讓AI從一次性雲端工具變成能長期運行在業務環境中的生產力。

　深圳最新人工智能行動計劃提出發展大模型一體機和端側AI，並推動人工智能在金融等領域落地；香港也在加快金融AI應用，通過GenA.I. Sandbox++探索風險管理、反欺詐、客戶服務等場景，同時強化AI應用中的安全和風險治理。

　可見，AI產業競爭正在出現新落點：模型能力之外，模型在哪裡運行、數據如何被使用，以及AI能否真正進入企業工作流，正在成為同樣重要的問題。

　70%實驗研發交給AI

　StartLux-V1.0-27B-Preview以Qwen3.6-27B為基座進行後訓練，並在訓練過程中引入了AI訓練AI（AI for AI：Auto Research）的方法。這是內地首個採用該方法進行後訓練的本地Agent模型。

　StartLux團隊認為Auto Research是指AI看完上一輪實驗結果以後，能不能自己判斷下一步值得試什麼。如果只是批量生成Synthetic Data，或者自動搜一組超參數，它只能叫自動化，而不是Research。例如金融分析，早期模型拿到一個看似合理的數據就容易直接算，但環境反饋會暴露日期、交易日或原始數據不一致的問題。Auto Research 會從這類失敗軌跡里歸納問題，再補充「回查原始數據—確認目標條件—再計算」的任務和軌跡。它不是 AI 憑空發明一個新算法，而是 AI 自己從失敗里決定下一輪該補什麼。

　在 StartLux 現有的研發體系中，約 70% 的實驗研發工作由 AI 完成，包含提出實驗假設、生成或篩選數據、啟動訓練和 Eval、分析失敗軌跡，再根據結果決定下一輪試什麼。人類研究員主要負責最關鍵的那件事：決定研究方向和關鍵取捨。

　StartLux聯合創始人羅永祥看來：「Auto Research的價值不只是讓實驗跑得更快，而是把研發資源從重複性的執行工作中釋放出來。」

　RSI實踐打開想象力空間

　Auto Research背後指向的是更前沿的RSI（Recursive Self-Improvement，遞歸式自我改進）：讓AI更深地參與自身研發，並最終讓更強的AI參與創造下一代更強的AI。

　這一方向正成為全球AI研發的新變量。OpenAI、Anthropic等機構都在探索讓AI從代碼助手進一步進入數據生成、實驗運行、Eval和研究分析等環節。

　StartLux選擇的路徑，則是把這一思路放進27B本地Agent模型的後訓練體系中，成為全球範圍內將RSI理念率先融入本地Agent後訓練體系的具體實踐者。

　StartLux聯合創始人羅永祥曾任摩根士丹利亞洲董事總經理，在資本市場深耕近30年。從判斷「什麼值得投資」，到進入AI創業，他認為AI正在同時發生兩個變化：模型正在從雲端走向本地，AI也開始參與AI自身的研發。尤其是RSI，正在打開更具想象力的方向。

　按照規劃，StartLux將通過新模型架構、訓練算法和受控的本地參數更新機制，讓模型逐步具備在本地持續自我更新的能力。目前，StartLux-V1.0-27B-Preview可在消費級個人電腦上運行，團隊正推進模型的備案，並計劃於年內推出第一代本地智能解決方案。(記者 原野)