StartLux, onder leiding van ondernemer Chen Danyan, heeft de StartLux-V1.0-27B-Preview geïntroduceerd. Dit lokale taalmodel van 27 miljard parameters presteert uitzonderlijk goed; in de CAICT MCP-test behaalde het de tweede plaats, vlak achter het veel grotere DeepSeek-V4-Pro.
De kern van de aanpak van StartLux is de focus op Agentic AI. In plaats van puur te focussen op het aantal parameters, richt het bedrijf zich op de capaciteit van het model om daadwerkelijk taken uit te voeren in echte omgevingen, zoals financiële analyses en browser-automatisering. Het model is gebaseerd op Qwen3.6-27B en is geoptimaliseerd via een innovatieve "AI-trained AI" (Auto Research) methode.
Chen Danyan voorspelt dat lokale modellen binnen drie jaar een dominant marktaandeel zullen bezetten omdat ze efficiënter zijn, privacy bieden en de kostenstructuur van cloud-tokens elimineren. Het uiteindelijke doel van StartLux is het aanbieden van lokale intelligente oplossingen die door eindgebruikers met één klik geïnstalleerd kunnen worden.
Chen Danian keert terug en stapt in de race voor grote taalmodellen
Een nieuw bedrijf, wiens eerste model slechts 27 miljard parameters heeft, behaalde de tweede plaats in de gespecialiseerde CAICT MCP-test. De enige partij die hoger scoorde is het geheime wapen van Liang Wenfeng, dat bijna een jaar lang verborgen was gehouden: DeepSeek-V4-Pro, met een parameteraantal van 1,6 biljoen. Het verschil tussen de twee is slechts 1,3 procentpunt.
Dit 'dark horse' is de StartLux-V1.0-27B-Preview, afkomstig van StartLux (voorheen Yuandian Xinghui). De oprichter en CEO is een bekend gezicht: Chen Danyan. Hij staat bekend als de "peetvader" van programmeurs in het internettijdperk. Zijn prestaties zijn breed gedocumenteerd: hij is medeoprichter van Shanda Network en hoofd van Lian Shang Network, en was een van de eerste programmeurs in China die het concept van "shareware" introduceerde.
Na tien jaar pensioen maakt hij nu een comeback, ditmaal met een weddenschap op lokale modellen. Dit hangt samen met Chen's recente publieke optreden tijdens de reünie van het 18-jarig bestaan van het Shanda Innovation Institute. Daar formuleerde hij "acht niet-consensusvisies voor het AI-tijdperk", waarvan vier centraal staan rond lokale modellen.
Volgens Chen zullen lokale modellen de cloudmarkt volledig vernietigen, binnen drie jaar inhalen op Claude en 80% van de markt bezetten. De competitie die puur gebaseerd is op het aantal parameters zou volgens hem verouderd raken. StartLux is de belichaming van dit idee. Het bedrijf volgt niet de algemene industrietrend, maar richt zich op de commercialisering van "kleine en mooie" lokale modellen. Hiermee is het in feite het eerste echt lokale modelbedrijf ter wereld.
De StartLux-V1.0-27B-Preview is het eerste marktgeoriënteerde resultaat. Het model is niet afhankelijk van de cloud en kan direct draaien op consumenten-pc's. Dit betekent dat een lokaal model, dat bijna 60 keer kleiner is dan de cloud-varianten, Agent-capaciteiten bezit die kunnen wedijveren met flagship-modellen op triljoenniveau.
Kleine modellen, grote resultaten: 27B presteert beter dan 1.6T
De resultaten komen voort uit de benchmarktest voor betrouwbare AI-modellen van het China Academy of Information and Communications Technology (CAICT), specifiek het MCP-item. Deze test richt zich op zes soorten taken in echte applicatiescenario's:
- Locatienavigatie
- Webzoekopdrachten
- Browserautomatisering
- Financiële analyse
- Beheer van coderepositories
- 3D-ontwerp
Daarnaast is er een uitgebreide evaluatie die kijkt naar de samenwerking tussen verschillende tools, de uitvoering van complexe taken en interactie in echte omgevingen. Kortom: de MCP-Universe test beoordeelt modellen niet op hun antwoorden, maar op het vermogen om daadwerkelijk taken uit te voeren. Dit is het meest fundamentele aspect bij het beoordelen van de kwaliteit van een AI-Agent.
De resultaten tonen aan dat de StartLux-V1.0-27B-Preview een総合score van 39,25% behaalde en daarmee tweede werd. Modellen zoals DeepSeek-V4-Flash-0731 (meer dan 284 miljard parameters) en Step-3.7-Flash (198 miljard) bleven net achter bij DeepSeek-V4-Pro, maar StartLux zat slechts 1,3 procentpunt op de eerste plaats. Met dezelfde schaal van 27B parameters overtreft StartLux bovendien Qwen 3.6 met 5,34 procentpunt.
StartLux blonk uit in specifieke vakgebieden en behaalde de eerste plaats in locatienavigatie, financiële analyse en browserautomatisering.
Case studies: StartLux versus Claude Sonnet 4.6
Om de data te concretiseren, kunnen twee praktijkvoorbeelden worden aangehaald waarin StartLux werd vergeleken met Claude Sonnet 4.6.
1. Financiële analyse (Microsoft-aandelen) De vraag betrof een investering in Microsoft-aandelen over een periode van twee jaar.
- Claude's antwoord: $47.254, 89,02%.
- StartLux' antwoord: $47.499,09, 90,00%.
Hoewel het verschil klein lijkt, is dit in de financiële sector cruciaal. Analyse van het redeneerproces wees uit dat Claude Sonnet 4.6 8 januari 2025 onterecht identificeerde als een niet-handelsdag en daarom de slotkoers van de vorige dag gebruikte. StartLux controleerde de originele data en verifieerde de markttrends rond de doeldatum om de exacte slotkoers vast te stellen. De conclusie van StartLux bleek correct, volledig verifieerbaar en traceerbaar.
2. Browser-zoekopdracht (Vliegtickets) Beide modellen kregen de opdracht om in een browser te zoeken naar vliegtickets van Singapore (SIN) naar Beijing (PEK), met specifieke filters (directe vluchten, economy, aankomst op PEK en niet op PKX).
- Claude Sonnet 4.6: Kon de browser niet openen en gaf een stappenplan terug aan de gebruiker om het zelf te doen. In een alternatieve navigatiepoging had Claude veel screenshots nodig, worstelde met pop-ups en filtermenu's, en triggerde per ongeluk een tijdfilter. Na meer dan 200 seconden kwam Claude uit op een prijs van $556.
- StartLux-V1.0-27B-Preview: Voltooide de zoekopdracht in ongeveer 95 seconden en vond een ticket van Air China voor $299. Het proces was veel beknopter (12 stappen tegenover 21 stappen van Sonnet).
Dit illustreert dat bij Agent-taken de schaal van parameters niet langer de enige beslissende factor is; post-training speelt een cruciale rol.
Focus op capaciteiten, niet op prijsverlaging
De StartLux-V1.0-27B-Preview is niet vanaf nul getraind, maar is gebaseerd op Qwen3.6-27B. De superieure score is te danken aan de specifieke taakdata en geautomatiseerde post-training methoden.
StartLux traint een capabelere Agent door data te gebruiken die zich richt op:
- Taakbegrip
- Toolselectie
- Parameterconstructie
- Uitvoering in meerdere stappen
- Statuscontrole
- Resultaatverificatie
Het model leert niet alleen tekst te genereren, maar ook wanneer welke tool moet worden aangeroepen, hoe aanpassingen moeten worden gemaakt bij foutmeldingen van een tool, en wanneer een taak als voltooid kan worden beschouwd.
Het team heeft een nieuwe, multidimensionale en schaalbare optimalisatietechnologie ontwikkeld. Deze maakt gebruik van de AI-trained AI (Auto Research) methode, waarbij het model autonoom taken uitvoert in een echte toolomgeving en zijn strategie continu aanpast op basis van feedback uit die omgeving. StartLux-V1.0-27B-Preview is het eerste lokale Agent-model in China dat post-training via deze Auto Research-methode heeft voltooid.
De verschuiving in AI-ontwikkeling
Dit betekent niet dat de Scaling Law (het idee dat meer data en parameters altijd leiden tot betere resultaten) ongeldig is, maar het laat zien dat er alternatieven zijn. Chen Danyan noemt de Scaling Law een "passerende fee": essentieel om AI te laten opstijgen, maar niet noodzakelijkerwijs de enige route voor de toekomst.
Er is momenteel een divergentie in de technische koers van grote modellen:
- De overtuiging dat "meer rekenkracht leidt tot wonderen", waarbij parameters groeien van miljarden naar biljoenen en de kosten exponentieel stijgen.
- De visie dat "minder meer is", waarbij de focus ligt op de kwaliteit van de actie (Agentic assessment), zoals gepropageerd door systemen als Harness.
Voor StartLux is de keuze voor lokale modellen ook strategisch. Wanneer een model op een pc draait, verschuift de kostenstructuur van variabele cloud-tokenkosten naar beheersbare lokale rekenkracht en elektriciteitsverbruik. Bovendien kan een lokaal model de lange context van een gebruiker beter begrijpen, wat leidt tot meer gepersonaliseerde resultaten.
Het team achter StartLux
StartLux combineert ondernemersgeest met wetenschappelijke expertise.
- Chen Danyan (Oprichter & CEO): Een seriële ondernemer en een van de eerste generatie Chinese programmeurs. Hij is medeoprichter van Shanda Network en het Shanda Innovation Institute, en was betrokken bij de incubatie van "WiFi Master Key". Hij kent de Chinese markt en gebruikers zeer goed.
- Guo Quanwei (Co-founder & CTO): Doctor in Computer Science and Engineering (National Yang Ming Chiao Tung University). Zijn expertise ligt bij lokaal geïmplementeerde grote modellen, Agentic AI, AI for Science, AI for Finance en privacy-preserving machine learning. Hij was eerder Chief Algorithm Scientist bij Huanliang Technology.
- Luo Yongxiang (Co-founder): Voormalig Managing Director van Morgan Stanley Asia, verantwoordelijk voor marketing en investeringen.
Visie voor de toekomst
StartLux streeft ernaar om lokale intelligente oplossingen aan te bieden die met één klik kunnen worden geïnstalleerd, vergelijkbaar met de installatie van Microsoft Office. Gebruikers zouden geen kennis hoeven te hebben van kwantisering, GPU-geheugenconfiguraties of inferentiekaders.
Het team is van plan om dit jaar de eerste generatie lokale intelligente oplossingen voor zowel zakelijke als particuliere gebruikers te lanceren.
De opkomst van StartLux laat zien dat, na de golf van cloud-gebaseerde bedrijven zoals DeepSeek en Kimi, nu ook lokale modellen de gaten in de markt beginnen te vullen. Het markeert een verschuiving in het paradigma van AI-modellen, waarbij de fakkel wordt doorgegeven aan een nieuwe generatie die focust op efficiëntie en lokale implementatie.
Officiële website: https://startlux.com/
Chen Danian keert terug en stapt in de race voor grote taalmodellen
Een nieuw bedrijf, wiens eerste model slechts 27 miljard parameters heeft, behaalde de tweede plaats in de gespecialiseerde CAICT MCP-test. De enige partij die hoger scoorde is het geheime wapen van Liang Wenfeng, dat bijna een jaar lang verborgen was gehouden: DeepSeek-V4-Pro, met een parameteraantal van 1,6 biljoen. Het verschil tussen de twee is slechts 1,3 procentpunt.
Dit 'dark horse' is de StartLux-V1.0-27B-Preview, afkomstig van StartLux (voorheen Yuandian Xinghui). De oprichter en CEO is een bekend gezicht: Chen Danyan. Hij staat bekend als de "peetvader" van programmeurs in het internettijdperk. Zijn prestaties zijn breed gedocumenteerd: hij is medeoprichter van Shanda Network en hoofd van Lian Shang Network, en was een van de eerste programmeurs in China die het concept van "shareware" introduceerde.
Na tien jaar pensioen maakt hij nu een comeback, ditmaal met een weddenschap op lokale modellen. Dit hangt samen met Chen's recente publieke optreden tijdens de reünie van het 18-jarig bestaan van het Shanda Innovation Institute. Daar formuleerde hij "acht niet-consensusvisies voor het AI-tijdperk", waarvan vier centraal staan rond lokale modellen.
Volgens Chen zullen lokale modellen de cloudmarkt volledig vernietigen, binnen drie jaar inhalen op Claude en 80% van de markt bezetten. De competitie die puur gebaseerd is op het aantal parameters zou volgens hem verouderd raken. StartLux is de belichaming van dit idee. Het bedrijf volgt niet de algemene industrietrend, maar richt zich op de commercialisering van "kleine en mooie" lokale modellen. Hiermee is het in feite het eerste echt lokale modelbedrijf ter wereld.
De StartLux-V1.0-27B-Preview is het eerste marktgeoriënteerde resultaat. Het model is niet afhankelijk van de cloud en kan direct draaien op consumenten-pc's. Dit betekent dat een lokaal model, dat bijna 60 keer kleiner is dan de cloud-varianten, Agent-capaciteiten bezit die kunnen wedijveren met flagship-modellen op triljoenniveau.
Kleine modellen, grote resultaten: 27B presteert beter dan 1.6T
De resultaten komen voort uit de benchmarktest voor betrouwbare AI-modellen van het China Academy of Information and Communications Technology (CAICT), specifiek het MCP-item. Deze test richt zich op zes soorten taken in echte applicatiescenario's:
- Locatienavigatie
- Webzoekopdrachten
- Browserautomatisering
- Financiële analyse
- Beheer van coderepositories
- 3D-ontwerp
Daarnaast is er een uitgebreide evaluatie die kijkt naar de samenwerking tussen verschillende tools, de uitvoering van complexe taken en interactie in echte omgevingen. Kortom: de MCP-Universe test beoordeelt modellen niet op hun antwoorden, maar op het vermogen om daadwerkelijk taken uit te voeren. Dit is het meest fundamentele aspect bij het beoordelen van de kwaliteit van een AI-Agent.
De resultaten tonen aan dat de StartLux-V1.0-27B-Preview een総合score van 39,25% behaalde en daarmee tweede werd. Modellen zoals DeepSeek-V4-Flash-0731 (meer dan 284 miljard parameters) en Step-3.7-Flash (198 miljard) bleven net achter bij DeepSeek-V4-Pro, maar StartLux zat slechts 1,3 procentpunt op de eerste plaats. Met dezelfde schaal van 27B parameters overtreft StartLux bovendien Qwen 3.6 met 5,34 procentpunt.
StartLux blonk uit in specifieke vakgebieden en behaalde de eerste plaats in locatienavigatie, financiële analyse en browserautomatisering.
Case studies: StartLux versus Claude Sonnet 4.6
Om de data te concretiseren, kunnen twee praktijkvoorbeelden worden aangehaald waarin StartLux werd vergeleken met Claude Sonnet 4.6.
1. Financiële analyse (Microsoft-aandelen) De vraag betrof een investering in Microsoft-aandelen over een periode van twee jaar.
- Claude's antwoord: $47.254, 89,02%.
- StartLux' antwoord: $47.499,09, 90,00%.
Hoewel het verschil klein lijkt, is dit in de financiële sector cruciaal. Analyse van het redeneerproces wees uit dat Claude Sonnet 4.6 8 januari 2025 onterecht identificeerde als een niet-handelsdag en daarom de slotkoers van de vorige dag gebruikte. StartLux controleerde de originele data en verifieerde de markttrends rond de doeldatum om de exacte slotkoers vast te stellen. De conclusie van StartLux bleek correct, volledig verifieerbaar en traceerbaar.
2. Browser-zoekopdracht (Vliegtickets) Beide modellen kregen de opdracht om in een browser te zoeken naar vliegtickets van Singapore (SIN) naar Beijing (PEK), met specifieke filters (directe vluchten, economy, aankomst op PEK en niet op PKX).
- Claude Sonnet 4.6: Kon de browser niet openen en gaf een stappenplan terug aan de gebruiker om het zelf te doen. In een alternatieve navigatiepoging had Claude veel screenshots nodig, worstelde met pop-ups en filtermenu's, en triggerde per ongeluk een tijdfilter. Na meer dan 200 seconden kwam Claude uit op een prijs van $556.
- StartLux-V1.0-27B-Preview: Voltooide de zoekopdracht in ongeveer 95 seconden en vond een ticket van Air China voor $299. Het proces was veel beknopter (12 stappen tegenover 21 stappen van Sonnet).
Dit illustreert dat bij Agent-taken de schaal van parameters niet langer de enige beslissende factor is; post-training speelt een cruciale rol.
Focus op capaciteiten, niet op prijsverlaging
De StartLux-V1.0-27B-Preview is niet vanaf nul getraind, maar is gebaseerd op Qwen3.6-27B. De superieure score is te danken aan de specifieke taakdata en geautomatiseerde post-training methoden.
StartLux traint een capabelere Agent door data te gebruiken die zich richt op:
- Taakbegrip
- Toolselectie
- Parameterconstructie
- Uitvoering in meerdere stappen
- Statuscontrole
- Resultaatverificatie
Het model leert niet alleen tekst te genereren, maar ook wanneer welke tool moet worden aangeroepen, hoe aanpassingen moeten worden gemaakt bij foutmeldingen van een tool, en wanneer een taak als voltooid kan worden beschouwd.
Het team heeft een nieuwe, multidimensionale en schaalbare optimalisatietechnologie ontwikkeld. Deze maakt gebruik van de AI-trained AI (Auto Research) methode, waarbij het model autonoom taken uitvoert in een echte toolomgeving en zijn strategie continu aanpast op basis van feedback uit die omgeving. StartLux-V1.0-27B-Preview is het eerste lokale Agent-model in China dat post-training via deze Auto Research-methode heeft voltooid.
De verschuiving in AI-ontwikkeling
Dit betekent niet dat de Scaling Law (het idee dat meer data en parameters altijd leiden tot betere resultaten) ongeldig is, maar het laat zien dat er alternatieven zijn. Chen Danyan noemt de Scaling Law een "passerende fee": essentieel om AI te laten opstijgen, maar niet noodzakelijkerwijs de enige route voor de toekomst.
Er is momenteel een divergentie in de technische koers van grote modellen:
- De overtuiging dat "meer rekenkracht leidt tot wonderen", waarbij parameters groeien van miljarden naar biljoenen en de kosten exponentieel stijgen.
- De visie dat "minder meer is", waarbij de focus ligt op de kwaliteit van de actie (Agentic assessment), zoals gepropageerd door systemen als Harness.
Voor StartLux is de keuze voor lokale modellen ook strategisch. Wanneer een model op een pc draait, verschuift de kostenstructuur van variabele cloud-tokenkosten naar beheersbare lokale rekenkracht en elektriciteitsverbruik. Bovendien kan een lokaal model de lange context van een gebruiker beter begrijpen, wat leidt tot meer gepersonaliseerde resultaten.
Het team achter StartLux
StartLux combineert ondernemersgeest met wetenschappelijke expertise.
- Chen Danyan (Oprichter & CEO): Een seriële ondernemer en een van de eerste generatie Chinese programmeurs. Hij is medeoprichter van Shanda Network en het Shanda Innovation Institute, en was betrokken bij de incubatie van "WiFi Master Key". Hij kent de Chinese markt en gebruikers zeer goed.
- Guo Quanwei (Co-founder & CTO): Doctor in Computer Science and Engineering (National Yang Ming Chiao Tung University). Zijn expertise ligt bij lokaal geïmplementeerde grote modellen, Agentic AI, AI for Science, AI for Finance en privacy-preserving machine learning. Hij was eerder Chief Algorithm Scientist bij Huanliang Technology.
- Luo Yongxiang (Co-founder): Voormalig Managing Director van Morgan Stanley Asia, verantwoordelijk voor marketing en investeringen.
Visie voor de toekomst
StartLux streeft ernaar om lokale intelligente oplossingen aan te bieden die met één klik kunnen worden geïnstalleerd, vergelijkbaar met de installatie van Microsoft Office. Gebruikers zouden geen kennis hoeven te hebben van kwantisering, GPU-geheugenconfiguraties of inferentiekaders.
Het team is van plan om dit jaar de eerste generatie lokale intelligente oplossingen voor zowel zakelijke als particuliere gebruikers te lanceren.
De opkomst van StartLux laat zien dat, na de golf van cloud-gebaseerde bedrijven zoals DeepSeek en Kimi, nu ook lokale modellen de gaten in de markt beginnen te vullen. Het markeert een verschuiving in het paradigma van AI-modellen, waarbij de fakkel wordt doorgegeven aan een nieuwe generatie die focust op efficiëntie en lokale implementatie.
Officiële website: https://startlux.com/
Groetjes,