盛大网络联合创始人陈大年复出创业，这次他押注的方向和主流AI公司完全相反——不做云端大模型，专攻本地部署的小参数模型。他创办的StartLux（原点星辉）刚发布首款产品，一个只有27B参数的模型，在权威测试中跑赢了多个参数规模远大于它的对手。

这个结果在AI圈引发了不少讨论。当几乎所有头部玩家都在比拼参数规模时，陈大年选择了一条非共识路线：把模型做小，让它在普通电脑上就能跑起来。

打开网易新闻 查看精彩图片

小参数模型在Agent测试中排名第二

StartLux-V1.0-27B-Preview基于Qwen3.6-27B打造，采用团队自研的Auto Research后训练方法。在信通院MCP专项测试中，这个27B的模型综合得分39.25%，排名第二，仅落后参数量高达1.6T的DeepSeek-V4-Pro约1.3个百分点。

更值得注意的是，它超越了284B的DeepSeek-V4-Flash和198B的Step-3.7-Flash——后两者的参数规模分别是它的10倍和7倍以上。在位置导航、金融分析、浏览器自动化三个单项上，这个27B模型拿到了第一。

实战对比同样有说服力。在金融分析任务中，模型能通过回查验证得出正确结果；在浏览器自动化任务中，它仅用12步就完成了操作，而Claude Sonnet 4.6用了21步。

后训练方法成为能力跃迁关键

参数规模不是Agent能力的唯一决定因素——这是StartLux想证明的核心观点。团队的做法是，以Qwen3.6-27B为基座，通过强化任务理解、工具选择、多步执行、状态检查等能力的训练数据，再辅以自研的Auto Research方法，让模型在真实工具环境中自主执行任务，并根据环境反馈持续调整策略。

这套方法让模型实现了从「回答问题」到「完成任务」的质变。陈大年对此有个直白的判断：Scaling Law是「过路神仙」，没有它AI起不来，但它只是从AI发展路径上路过，未来不一定属于它。

本地模型路线的商业逻辑

选择本地部署，背后是实打实的成本考量。模型可直接运行在消费级PC上，把持续累积的云端Token费用转化为可控的设备算力和电力消耗。同时，本地部署让模型能更深入理解用户的长上下文，实现更个性化的目标。

团队计划年内推出类似「安装Office」的一键部署本地智能解决方案，面向企业和个人用户。这个定位让StartLux成为全球首家专注本地模型商业化的公司。

陈大年的团队配置也体现了这条路线的主张。他本人是中国初代程序员、盛大网络联合创始人，懂产品与用户；CTO郭权玮是阳明交大博士，长期研究本地部署大模型、Agentic AI和隐私保护；联合创始人罗永祥负责市场投融资。三人在产品、技术和商业化上形成互补。

陈大年放出的目标相当激进：本地模型会完全摧毁云端市场，3年时间打平Claude，占据80%的市场。这个判断能否兑现，还需要时间验证。但至少从首款产品的测试成绩看，小参数模型在Agent任务上的潜力，确实被低估了。