DeepSeek之后，StartLux再来：开源首个决策模型推理引擎，推理快至5.3倍

智东西
作者 王涵
编辑 漠影

近期，大模型行业掀起一股开源自研推理引擎的浪潮。

10月20日，DeepSeek正式开源生产环境实际使用的推理框架DeepInfer。几乎同时，10月22日，国内AI创业团队StartLux原点星辉也对外开源了其自研推理引擎Prism。

同样是自研推理系统，DeepSeek的DeepInfer服务于自家通用大模型的云端大规模业务；而Prism则聚焦“决策模型”，据公开资料，其也是首款专门面向决策模型打造并对外开源的推理引擎。

决策模型是近段时间快速走红的大模型新赛道。不同于主打对话、内容创作的生成式大模型，决策模型不需要输出大段文本，在读取材料之后，直接输出判断结果，给出是/否、选项选择、风险等级打分这类概率化结论。

自今年9月Jev模型爆火之后，决策模型迅速成为行业焦点，微软、AWS、Cloudflare等企业也相继入局布局。

在国内决策模型赛道，成立尚不足五个月的StartLux原点星辉已经跑出了不错的成绩。10月16日，该团队推出新一代决策模型StartLux‑Decision-v1.1，以69.1分登上Hugging Face的Decision Index 0.3.2榜单首位，在173个公开可复现模型中排名第一。

截至目前，StartLux决策模型累计下载量超18万，决策模型API已累计响应来自全球超300万次决策请求。

Github 推理引擎：

https://github.com/StartLuxLabs/StartLux-Prism

Github 决策模型：

https://github.com/StartLuxLabs/StartLux-Decision

Github 决策模型榜：

https://github.com/StartLuxLabs/DecisionPivot

Huggingface 决策模型：

https://huggingface.co/papers/2610.17309

Huggingface 决策模型榜：

https://huggingface.co/papers/2610.28522

不过，即便模型能力实现突破，落地环节仍存在现实瓶颈。

在此之前，StartLux-Decision-v1.1运行在基于vLLM 0.31的通用推理框架之上。然而，vLLM这类主流框架原生面向聊天、续写文本这类逐token生成场景设计，并不适配决策模型，模型的实际能力很难充分释放。

Prism就是StartLux给出的解法：按决策模型的需求重写推理引擎。

实测其在单张H200显卡上，Prism处理单个短问题比原方案快2.8倍，同一份材料连问三个问题，最快可提速5.3倍。

这套专为决策模型重构的推理引擎，到底做了哪些关键改动？各项性能数据的实测结果如何？为何越来越多AI企业选择自研推理框架，而非直接使用社区通用方案？本文将围绕以上问题展开解读。

一、StartLux用四大创新，破解推理效率难题

想要看懂Prism的优化思路，首先要厘清决策模型的运行逻辑。

例如有一位客户投诉：“订单被扣了两次钱，App里却还显示未付款。”接到这个投诉，系统需要同时判断：工单交给哪个部门、今天是否必须回复、问题有多严重。决策模型需要读完材料，分别给每道题的备选答案打分，返回各选项的概率。

反观vLLM、SGLang等通用推理框架，其设计初衷服务于文本生成任务。如果用它们跑决策模型，每一道问题都要被拆解成独立请求，分别完成网络请求、分词、调度，并且重复执行庞大输出层的计算。

Prism的全部优化，都围绕一个核心目标：完成一次决策，只执行必不可少的计算。

优化一：收敛输出计算范围

以27B参数量的 StartLux‑Decision 模型为例，它的输出层包含12.7亿权重，通用引擎需要对24.8万个候选词做完整打分，但决策任务只用到A‑Z共26个字母作为输出选项。

Prism将输出层计算范围压缩至原先的0.01%，模型依旧完整完成材料理解，只是在输出判断结果阶段，跳过大量无关候选词的计算。

优化二：“森林式”计算

业务场景中经常出现同一份材料对应多项判断需求。比如一份客户工单，需要同时判定归属处理团队、是否需要当日回复、故障严重等级。传统框架每解答一道题目，就要重新完整处理一遍工单材料。

Prism创新性地将批量任务构建成“森林式”计算结构：通用指令作为树根，共用的参考材料作为树干，各个独立问题作为分支树枝。

树根、树干对应的计算只执行一次，不同问题仅处理自身新增部分。针对同一份材料的多轮追问同样可以复用已有计算结果。

优化三：采用整数运算

在和大语言模型互动的时候，我们常常会遇到一个问题：同一个问题，大模型每次给出的答案都不尽相同，有时候甚至完全相反。

这一点在决策模型上是十分致命的，因为决策模型输出的概率值会直接指导业务系统执行后续动作。

Prism通过整数运算，解决结果漂移问题：相关矩阵运算全部使用int8精度，在int32精度下完成累加。因为整数加法不受计算顺序影响，计算结果不会受批大小、调度顺序干扰。

优化四：混排调度

StartLux‑Decision-v1.1支持AutoThink自动思考模式，模型把握充足时直接输出答案，把握不足则先生成最长4096 token的推理思考过程。

但这也带来了调度层面的难题：如果简短请求和长思考请求进入同一个任务队列，简单任务就会被长耗时请求阻塞。

Prism为此设计了一套混合调度机制：思考类任务的提示词并入直接输出批次完成预处理，后续解码步骤预编译为CUDA图，最多支持64条思考任务与直接输出任务分时占用显卡资源。新接入的简单请求最多等待1‑2个解码步骤就可以插队执行。

二、推理最高快5.3倍，231 题均速仅41毫秒

这样优化后，性能有着怎样的提升呢？StartLux对此进行了一系列对比测试。

（注：以下数据来自StartLux在不同模型版本及测试条件下的实测结果。其中，5.3倍加速测试使用StartLux-Decision-v1.1-27B AutoThink模型；231题跨引擎性能对比及吞吐量测试使用StartLux-Decision-v1-27B模型。具体测试配置与结果均已在GitHub公开。）

第一题：单请求延迟

测试结果显示，单道短问题场景下，Prism耗时19毫秒，原方案为53.1毫秒，提速2.8倍。针对同一份材料连续处理三道问题，Prism仅需17.4毫秒，原方案则要92.9毫秒，提速幅度达到5.3倍。

如果在三道问题基础上开启思考模式，Prism耗时785毫秒，原方案为1296毫秒，提速1.7倍。面对单条约8192 token的长问题，二者的性能差距收窄至1.2倍。

在更加直观的视频理解测试中，StartLux-Prime的速度比vllm快3.38倍，且输出的概率基本一致。

第二题：跨引擎延迟

研究团队选取JevBench测试集共231道题目，将Prism与vLLM、SGLang、llama.cpp等主流开源推理框架做横向对标。

结果显示，Prism单题平均延迟41毫秒，在所有参测框架中排名第一。紧随其后的decider编译版为66.8毫秒，SGLang为75.6毫秒，vLLM达到112.7毫秒，llama.cpp耗时最长，单题平均589毫秒。在同为8位精度的同等条件下，Prism的延迟比次快的框架低约40%。

这里有两点测试前提需要说明：decider和JevK5两款引擎无法直接搭载StartLux原生模型，测试使用了结构一致的替代模型，仅对比速度不考核准确率；另有部分框架不支持8位量化，只能以更高精度运行。

第三题：吞吐量

高并发吞吐测试中，64路并发跑满显卡时，Prism相对竞品的优势收窄到17%到22%。这一阶段瓶颈出在硬件算力层面，双方都已经将H200的性能拉满，软件优化很难再带来明显提升。

但决策类业务最常见的并非极限满载场景，而是高频出现的小型请求。在这种日常典型负载下，Prism每秒可以处理100道请求，表现最优的竞品为每秒38道，Prism领先2.6倍。

换言之，Prism的性能优势恰好落在企业真实高频使用的业务区间，这也是专用推理引擎最核心的价值。

第四题：多卡部署灵活适配

多卡部署层面，Prism支持数据并行与张量并行两种模式，也可以组合使用，适配不同的业务需求。

以27B版本模型为例，四张H200采用数据并行模式，各自独立接收请求，合计每秒可处理121个请求，约为单卡吞吐的3.92倍。如果四张卡采用张量并行模式合力计算同一道题，单题延迟可以从41毫秒降到29毫秒。

两组双卡混合部署则可以兼顾吞吐与延迟，实现每秒86道请求、单题36毫秒的表现。无论采用哪种部署方式，输出结果都与单卡运行时逐位一致。

第五题：精度与部署门槛

提速之外，模型的推理精度并未出现折损。

在覆盖七个评测集、共12351个决策样本的带思考测试中，Prism int8版本的平均准确率为92.94%，原引擎FP8版本为92.83%，未做量化的BF16原版为92.97%。Prism量化版本与满血原版的准确率差距仅0.03个百分点，甚至略优于原有引擎的量化版本。

部署门槛也比预想中更低。该模型有16.55GB的压缩版本，单块32GB显存的RTX 5090消费级显卡就可以运行，输出效果对标专业级显卡H200。在这个压缩版本上，Prism比主流开源框架llama.cpp快3.9 倍。

三、推理系统拉开身位，模型企业开始自研推理引擎

短短两天之内，DeepSeek与StartLux先后开源自研推理引擎，折射出大模型行业的共同转向：模型能力的比拼之外，推理工程的重要性正在快速抬升。

无论是通用大模型还是垂直领域的决策模型，一旦嵌入业务核心流程，每一次调用的延迟、每万次请求的算力开销都会直接体现在业务成本中。同款模型的落地成本、响应速度、运行稳定性，开始成为决定其商业化空间的关键因素。

而通用推理框架需要适配不同结构的模型、覆盖千差万别的应用场景，必然要在专用性上做出妥协，只有模型厂商自身最清楚自家模型的接口特性与优化空间。

StartLux走的正是这条自研路径，同时又在决策模型这个细分赛道走出了自己的开放风格。

和很多厂商仅开源模型权重或推理代码不同，StartLux的每一次产品发布，都同步输出底层方法论与配套工具链，把自身的实践经验转化为行业可以复用的公共资产。

此前发布 StartLux-Decision 决策模型时，团队就同步公开了RLCD²强化学习训练算法，系统性解决了决策模型“何时启动思考、何时终止思考”的训练难题，填补了决策模型训练方法论的空白。同时推出的DecisionPivot评测基准，也补上了行业对决策模型细节识别能力的评测标准缺口，为全行业提供了统一的对比参照。

本次Prism推理引擎的开源，同样延续了这一思路。团队不仅放出了完整的引擎代码，更公开了针对决策模型推理的全套优化逻辑，相当于把决策模型推理工程的核心设计思路完整开放给行业。

DeepSeek与StartLux这类开源AI厂商，把推理工程从单家厂商的内部能力，变成行业可复用、可验证的公共基础设施。

对于尚处发展初期的决策模型赛道而言，这种“模型+方法+工具”的开放模式，直接降低了全行业的试错成本，让更多团队不用从零开始搭建训练、评测、部署的完整链路，可以聚焦于上层的场景创新与效果优化。

结语：决策模型的竞争，推理层将是胜负手

想要把决策模型真正用在风控、内容审核、业务工单路由等真实业务当中，仅有高性能模型远远不够。

Prism的本质，是针对决策模型重新核算整套推理计算逻辑。当大模型的输出从长篇文本，转变为一组概率判断，过去文本生成时代推理引擎的各类默认假设，都有重新审视、重新优化的空间。

未来决策模型赛道的竞争，也会朝着这个方向演进：模型架构的差距会不断缩小，但推理工程层面的壁垒会变得更显著，而后者无法依靠堆更大参数量的模型简单补齐。

这其实让决策模型和整个模型领域的竞争核心变得更突出，也让外界更加期待，谁能跑得更远，做的最深。