Nace AI відкриває код Drex 1.5: 9-мільярдна модель ухвалення рішень, що оцінює варіанти, а не текст

Nace.AI відкрила вихідний код Drex 1.5 — моделі рішень із 9B параметрів для агентів і бекенд-процесів. Модель рішень Drex 1.5 не пише текст. Вона читає стан і типізовані запитання, а потім повертає ймовірність для кожного варіанта. Nace повідомляє результат 58.08 у загальнодоступному Decision Index 0.3.1 — це найвищий показник серед моделей із менш ніж 10B параметрів. Ваги доступні на Hugging Face, а розміщена версія працює на OpenRouter.

Коротко

Розмір: 8.95B параметрів (щільна модель), ваги bf16 займають близько 18 ГБ. Контекст за замовчуванням — 16,384 токенів, максимум — 131,072.
Працює на: 1 CUDA GPU у bf16 (протестовано на A10G із 24 ГБ). Q8_0 GGUF (близько 9.5 ГБ) працює на Apple silicon і CPU.
Продуктивність: 58.08 у Decision Index 0.3.1 (загальнодоступний), у межах діапазону нічиєї таблиці — Jev 1.13.0 (57.96).
Найкращий результат: 93.4% точності на документах обсягом від 32K до 128K токенів.
Найгірший результат: 7.4% F1 для окремого огляду в аналізі тональності аспектів ACOS, проти 29.5% у Jev.
Підсумок:
- Найкраще: відкриті ваги, які відповідають закритій моделі на 1 GPU.
- Найгірше: слабкі результати у широких знаннях і детальному аналізі тональності.

Що таке Drex 1.5?

Drex 1.5 — це модель рішень від Nace.AI, яка оцінює фіксований набір варіантів за 1 прямий прохід. Ви надсилаєте state (текст або JSON) і названі запитання. Вона підтримує 3 типи запитань: choice, noul (так/ні) та порядкову оцінку score. Токени не генеруються, тому temperature і top_p не застосовуються. Модель може відповідати лише варіантами, які ви надали.

Вона обслуговує API POST /v1/systemone. Це той самий формат запитів, який використовує Jev від TypeSafe — закрита модель, із якої почалася ця категорія. Nace стверджує, що наявні клієнти Jev працюють після зміни кількох змінних середовища.

Як працює Drex 1.5?

Основою є MiMo-V2.6-Distill-Qwen-9B — дистильована модель Qwen 3.5 9B. Вона має 32 шари з гібридною увагою: 3 шари лінійної уваги на кожен шар повної уваги. Окрема голова вказівників (head.pt) оцінює кожен варіант на основі прихованих станів основної моделі.

Кожне запитання виконує 1 прохід над станом і цим запитанням. У llama.cpp стан кодується один раз і спільно використовується для всіх запитань. На сторінці Drex Nace зазначає, що модель навчалася на офіційних навчальних вибірках бенчмарків індексу. Оцінювання проводилося лише на відкладених вибірках.

Як Drex 1.5 показує себе в бенчмарках?

У загальнодоступному Decision Index 0.3.1 (37 бенчмарків, скоригований на рівень випадковості) картка моделі містить такі результати:

Drex 1.5: 58.08
Jev 1.13.0: 57.96
Bespoke Nimble 9B v3: 57.19
Cloudflare clef-flash: 56.15

Drex 1.5, Jev і Nimble перебувають у межах 0.9-бального діапазону нічиєї таблиці. Drex випереджає Jev у 20 із 37 бенчмарків. Результат Drex отримано під час власного запуску Nace офіційного набору інструментів. Найсильніші показники за напрямами — у Tools (75.0), а найслабші — у Knowledge і Reasoning (44.6). На графіку запуску Nace використовується старіший Decision Index 0.2.1, де Drex набрав 58.28 проти 57.91 у Jev.

У JevBench (231 загальнодоступне завдання) Drex набирає 86.2% проти 87.0% у Jev. На складних завданнях обидві моделі досягають 73.9%. У прямому порівнянні у 8 іграх OpenSpiel Drex здобув 122 перемоги, 47 нічиїх і 87 поразок проти Jev (56.8%).

Довгі документи є очевидною сильною стороною:

Від 8K до 32K токенів: 89.5% точності, медіана 0.65 с
Від 32K до 128K токенів: 93.4% точності, медіана 2.0 с

Усікання тих самих запитів до 8K токенів знижує точність до 76.5% і 78%.

Як розробники можуть запускати Drex 1.5?

Існує 4 способи розгортання, усі вони використовують один і той самий API:

Python (середовище виконання Kev): inference.py і serve.py на CUDA GPU.
llama.cpp: форк Nace із GGUF у bf16 або Q8_0, на CUDA, Metal або CPU.
Ollama: форк Nace, який додає можливість decision.
Хостинг: OpenRouter вказує ціну $0.04 за 1 млн вхідних токенів і $0 за вихідні; обслуговування здійснює DeepInfra. Nace також підтримує власний Console API.

Nace протестувала bf16 і Q8_0 на AWS g5.2xlarge (A10G, 24 ГБ) і отримала ідентичні відповіді. Q8_0 GGUF також показав збіг на Apple M5 Pro і в режимі Metal, і на CPU.

Навичка агента Drex підключає модель до Claude Code, Codex, Cursor, OpenCode, Hermes Agent, Gemini CLI і GitHub Copilot. У своєму дописі про запуск Nace також пропонує бонус $25 за реєстрацію для користувачів хмарних сервісів.

Як Drex 1.5 порівнюється з іншими моделями рішень?

Характеристика	Drex 1.5	Jev 1.13.0	Bespoke Nimble 9B v3
Розробник	Nace.AI	TypeSafe AI	Bespoke Labs
Параметри	8.95B	Не розкрито	LoRA на Qwen3.5-9B
Ваги	Відкриті	Закриті (лише API)	Відкриті (адаптер)
Ліцензія	Nace.AI Open RAIL-M	Пропрієтарна	CC BY-NC 4.0
Контекст	16,384 за замовчуванням, до 131,072	64K на запит, стан 32K плюс найдовше запитання	Не розкрито
Decision Index 0.3.1 (загальнодоступний)	58.08	57.96	57.19
Decision Index 0.2.1	58.28	57.91	56.88
JevBench (231 завдання)	86.2%	87.0%	Не розкрито
Локальне обладнання	1 CUDA GPU (bf16), Apple silicon або CPU (Q8_0)	Не застосовується	Базова Qwen3.5-9B плюс адаптер
Ціна API (вхідні / вихідні за 1 млн)	$0.04 / $0 (OpenRouter)	$0.042 / $0	Не розкрито

Рядки Decision Index 0.3.1 взято з картки моделі Drex, у якій наведено посилання на загальнодоступну таблицю лідерів для Jev і Nimble. Результат Nimble у 0.2.1 взято з його власної картки моделі.

Які є обмеження?

Drex 1.5 — це рівень прийняття рішень, а не універсальна модель. Вона не може генерувати текст, код або пояснення. Її слабке місце — тести, що потребують значних знань: 45.4% у GPQA Diamond проти 78.6% у Jev і 58.7% у MMLU-Pro проти 82.7%.

Навчання на навчальних вибірках бенчмарків індексу допомагає моделі у знайомих типах рішень. Результати в нових предметних галузях можуть відрізнятися. Для локального розгортання через Ollama і llama.cpp потрібні форки Nace, а не основні збірки. Ваги використовують ліцензію RAIL-M з обмеженнями використання, тому перед комерційним застосуванням перевірте умови.

Ключові висновки

Drex 1.5 — це відкрита модель рішень із 9B параметрів, яка оцінює варіанти за 1 прохід.
Вона набирає 58.08 у Decision Index 0.3.1, зрівнявшись із закритою Jev 1.13.0.
Точність на довгих документах досягає 93.4% для 32K–128K токенів.
Вона працює на 1 GPU або як Q8_0 GGUF розміром 9.5 ГБ на Mac.
Слабкі місця: GPQA Diamond (45.4%) і тональність ACOS (7.4%).

Перегляньте ваги моделі на Hugging Face, репозиторій GitHub і сторінку продукту Drex. Уся заслуга належить досліднику цього проєкту. Також підписуйтеся на нас у Twitter і не забудьте приєднатися до нашого субреддіту 150k+ ML та підписатися на нашу розсилку. Стривайте! Ви є в Telegram? тепер ви також можете приєднатися до нас у Telegram.

Перекладено автоматично з англійської. Оригінал статті — за посиланням нижче.