过去两年以来，全球AI行业竞争日益激烈，他们不断把模型做大：更多参数、更大算力、更长上下文，以及不断刷新的Benchmark成绩。但进入2026年，随着基础模型能力持续提升，全球AI竞争正在出现新的变量——如何让模型以更高的训练效率、更低的边际成本持续变强，以及如何让AI本身参与AI的研发过程。
中国AI企业也正在进入这场变化之中以惊人的优势获得了认可。最近在工信部中国信息通信研究院可信AI大模型基准测试MCP专项测试中，上海AI公司StartLux最近推出的StartLux-V1.0-27B-Preview综合排名第二，超过DeepSeek-V4-Flash-0731，与1.6万亿参数的DeepSeek-V4-Pro差距约1个百分点，并在位置导航、浏览器自动化、金融分析等Agent任务中取得第一或并列第一的成绩。该公司第一代本地智能解决方案也预计将于年内推出。
StartLux-V1.0-27B-Preview提供了一个颇具代表性的样本：它没有继续沿着单纯扩大参数规模的路径竞争，而是选择从本地部署、后训练效率和Agent真实任务能力切入，并进一步尝试让AI参与模型自身的研发。
Auto Research：70%实验研发交给AI
StartLux-V1.0-27B-Preview定位为面向真实任务执行的本地 Agent 模型，“本地”解决它在哪里运行，“Agent”解决它能不能工作。值得注意的是，市场其实不缺能下载到电脑里的模型，缺的是能真正替用户工作的本地 AI。StartLux团队表示，公司真正的壁垒，是让模型和它工作的整套系统一起进化。
这就不得不提到StartLux的训练方法。StartLux-V1.0-27B-Preview以Qwen3.6-27B为基座进行后训练，把模型能力进一步集中到真实任务上，并在训练过程中引入了AI训练AI（AI for AI：Auto Research）的方法。这是内地首个采用该方法进行后训练的本地Agent模型。
StartLux团队认为Auto ResearchAI是指AI看完上一轮实验结果以后，能不能自己判断下一步值得试什么。如果只是批量生成Synthetic Data，或者自动搜一组超参数，它只能叫自动化，而不是Research。真正的 Auto Research 应该能形成“假设—实验—验证—新假设”的闭环。Auto Research与知识蒸馏完全不同，蒸馏更像老师给答案、学生模仿；Auto Research 里，强模型更像研究员，会设计实验、出题、看结果、找失败原因，再决定下一轮怎么训练。
例如金融分析，早期模型拿到一个看似合理的数据就容易直接算，但环境反馈会暴露日期、交易日或原始数据不一致的问题。Auto Research 会从这类失败轨迹里归纳问题，再补充“回查原始数据—确认目标条件—再计算”的任务和轨迹。它不是AI凭空发明一个新算法，而是AI自己从失败里决定下一轮该补什么。AI当然也会跑偏，所以只要出现某一类Eval涨了但泛化变差，或者明显在钻评分机制的漏洞，StartLux就会人为干预。
据团队透露，在StartLux现有的研发体系中，大约70%的实验研发工作由AI完成，包含提出实验假设、生成或筛选数据、启动训练和Eval、分析失败轨迹，再根据结果决定下一轮试什么。人类研究员主要负责最关键的那件事：决定研究方向和关键取舍。
对于企业和个人而言，本地Agent模型可能带来两种根本性的改变：成本与数据主权。当一个能力接近旗舰的Agent能够在个人电脑上长期运行，企业不再需要为每一次推理向云端付费、为每一次任务上传核心数据。对于高频调用、数据敏感、需要长时间执行的工作流——例如金融分析、代码仓库管理、私密文档处理、长期研究任务——本地Agent意味着数据不出域、Token不受限、任务可以连续运行数小时，而非在云端逐次计费。StartLux 联合创始人罗永祥认为本地AI真正值得关注的不是“省下一次调用的钱”，而是当AI从偶尔使用的工具变成持续工作的基础设施后，成本结构本身会发生变化。他表示：“过去企业使用AI，更像是在购买算力和调用次数；但当Agent开始长时间参与真实工作流，成本就不再只是一次调用多少钱，而是每天、每月、每年持续运行的总成本。本地部署的意义，是把一部分持续性的AI使用成本，从按调用付费，变成一次部署、长期运行。”
在罗永祥看来，这种变化最终也会体现为企业的成本结构。“如果过去模型能力的竞争，本质上是算力、数据和人才的投入竞争，那么下一阶段比拼的可能是谁能用同样的人和算力，完成更多有效实验。Auto Research的价值不只是让实验跑得更快，而是把研发资源从重复性的执行工作中释放出。”
StartLux，中国AI的RSI先行者
Auto Research指向的正是RSI（Recursive Self-Improvement，递归式自我改进）这个当前全球AI研发的前沿——AI更深地参与自身研发与改进，并最终让更强的AI参与创造下一代更强的AI。
近期，RSI正汇聚全球顶级AI机构的核心注意力。过去一年，OpenAI、Anthropic等头部实验室都开始把AI从代码助手进一步带入模型研发本身：从编写训练代码、生成数据，到运行实验、分析Eval，再到探索由AI提出研究假设、决定下一轮实验。OpenAI近期披露，其内部已经开始形成类似“自动化研究实习生”的AI工作体系：截至2026年8月，其研究组织中，每1个人类研究日对应约3.1个AI Agent工作日，AI Agent已经能够承担代码编写、实验运行、结果分析等越来越长的研究任务。Anthropic也披露，Claude已经能够编写其公司超过80%的生产代码，并进一步探索让AI参与下一代AI系统的研发。让AI深度参与AI的研发与改进，已成为国际前沿的明确共识。StartLux则将同一路径落地在27B本地模型上，成为全球范围内将RSI理念率先融入本地Agent后训练体系的具体实践者。
据了解，罗永祥曾任摩根士丹利亚洲董事总经理，在资本市场深耕接近30年。他过去的工作是判断什么值得投资；这一次，他从30年资本圈的老手，投入到RSI创业的新路上。在他看来，AI正在进入一个新的阶段：一端是模型从云端走向本地，另一端则是AI开始参与AI自身的研发，尤其是RSI，正在打开一个更具想象力的方向——让AI更深地参与自身研发与改进，并最终让更强的AI参与创造下一代更强的AI。这也是他决定投身AI创业的重要原因之一。
按照规划，StartLux将通过新模型架构、训练算法和受控的本地参数更新机制，让模型逐步具备在本地持续自我更新的能力。目前的StartLux-V1.0-27B-Preview可在消费级个人电脑上运行，团队正推进模型的备案。第一代本地智能解决方案也预计将于年内推出。
频道推荐
