Nace.AI 已开源 Drex 1.5，这是一个面向智能体和后端工作流的 9B 决策模型。Drex 1.5 决策模型不生成文本。它读取一个状态和带类型的问题，然后为每个选项返回一个概率。Nace 报告其在公开的 Decision Index 0.3.1 上得分为 58.08，是 10B 参数以下最高分。权重已在 Hugging Face 上发布，托管版本已在 OpenRouter 上线。

TL;DR

规模：8.95B 参数（稠密），bf16 权重约 18 GB。上下文默认 16,384 tokens，最高可达 131,072。

运行环境：在 1 块 CUDA GPU 上以 bf16 运行（在 24 GB A10G 上测试）。Q8_0 GGUF（约 9.5 GB）可在 Apple silicon 和 CPU 上运行。

性能：在 Decision Index 0.3.1（公开）上为 58.08，处于该榜单与 Jev 1.13.0（57.96）的并列区间内。

最佳：在 32K 至 128K token 文档上准确率为 93.4%。

最差：在 ACOS 方面情感上每评论 F1 为 7.4%，而 Jev 为 29.5%。

总结：

最佳：开源权重在 1 块 GPU 上即可匹敌闭源模型。

最差：在广泛知识和细粒度情感上表现较弱。

什么是 Drex 1.5？

Drex 1.5 是 Nace.AI 的决策模型，可在 1 次前向传播中对一组固定选项打分。你发送一个状态（文本或 JSON）和具名问题。它支持 3 种问题类型：choice、noul（是/否）和 ordinal score。不采样任何 token，因此 temperature 和 top_p 不适用。该模型只能用你提供的选项作答。

它服务于 POST /v1/systemone API。这与 TypeSafe 的 Jev 使用的请求格式相同，Jev 是开创这一品类的闭源模型。Nace 表示，现有的 Jev 客户端在更改几个环境变量后即可使用。

Drex 1.5 如何工作？

主干是 MiMo-V2.6-Distill-Qwen-9B，一个蒸馏的 Qwen 3.5 9B 模型。它有 32 层，采用混合注意力：每个全注意力层对应 3 个线性注意力层。一个单独的指针头（head.pt）根据主干的隐藏状态为每个选项打分。

每个问题对状态加该问题运行 1 次前向传播。在 llama.cpp 中，状态只编码一次并在各问题间共享。Nace 的 Drex 页面称，该模型是在索引基准测试的官方训练划分上训练的。它仅在留出划分上进行了评估。

Drex 1.5 在基准测试上表现如何？

在公开的 Decision Index 0.3.1（37 项基准测试，经机会校正）上，模型卡报告：

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 和 Nimble 都落在榜单 0.9 分的并列区间内。Drex 在 37 项基准测试中的 20 项上领先 Jev。Drex 的分数来自 Nace 自己对官方套件的运行。其分领域得分在 Tools（75.0）最强，在 Knowledge and Reasoning（44.6）最弱。Nace 的发布图表使用的是较旧的 Decision Index 0.2.1，其中 Drex 得分为 58.28，Jev 为 57.91。

在 JevBench（231 个公开条目）上，Drex 得分为 86.2%，Jev 为 87.0%。两者在困难条目上均达到 73.9%。在 8 款 OpenSpiel 游戏的一对一对决中，Drex 对 Jev 取得 122 胜、47 平、87 负（56.8%）。

长文档是明显的强项：

8K 到 32K tokens：89.5% 准确率，中位数 0.65 s

32K 到 128K tokens：93.4% 准确率，中位数 2.0 s

将相同请求截断到 8K tokens 后，准确率降至 76.5% 和 78%。

开发者如何运行 Drex 1.5？

有 4 种部署路径，均提供相同的 API：

Python（Kev runtime）：在 CUDA GPU 上运行 inference.py 和 serve.py。

llama.cpp：Nace 分支，支持 bf16 或 Q8_0 的 GGUF，可在 CUDA、Metal 或 CPU 上运行。

Ollama：Nace 分支，增加了一项决策能力。

托管：OpenRouter 列出每 1M 输入 tokens 收费 $0.04、输出 $0，由 DeepInfra 提供服务。Nace 也运行自己的 Console API。

Nace 在 AWS g5.2xlarge（A10G 24 GB）上测试了 bf16 和 Q8_0，得到完全相同的答案。Q8_0 GGUF 在 Apple M5 Pro 上的 Metal 和 CPU 上也同样匹配。

一个 Drex 智能体技能可将该模型接入 Claude Code、Codex、Cursor、OpenCode、Hermes Agent、Gemini CLI 和 GitHub Copilot。Nace 的发布帖还为云用户提供 $25 注册奖励。

Drex 1.5 与其他决策模型相比如何？

FeatureDrex 1.5Jev 1.13.0Bespoke Nimble 9B v3DeveloperNace.AITypeSafe AIBespoke LabsParameters8.95B未披露基于 Qwen3.5-9B 的 LoRAWeightsOpenClosed（仅 API）Open（适配器）LicenseNace.AI Open RAIL-MProprietaryCC BY-NC 4.0Context默认 16,384，最高 131,072每请求 64K，32K 状态加最长问题未披露Decision Index 0.3.1（公开）58.0857.9657.19Decision Index 0.2.158.2857.9156.88JevBench（231 项）86.2%87.0%未披露Local hardware1 块 CUDA GPU（bf16），Apple silicon 或 CPU（Q8_0）不适用Qwen3.5-9B 基础模型加适配器API price（每 1M 输入 / 输出）$0.04 / $0（OpenRouter）$0.042 / $0未披露

Decision Index 0.3.1 各行数据来自 Drex 1.5 模型卡，其中引用了 Jev 和 Nimble 的公开排行榜。Nimble 的 0.2.1 分数来自其自己的模型卡。

有哪些局限性？

Drex 1.5 是一个决策层，不是通用模型。它无法生成文本、代码或解释。知识密集型测试是它的弱项：GPQA Diamond 上为 45.4%，而 Jev 为 78.6%；MMLU-Pro 上为 58.7%，而 Jev 为 82.7%。

在索引基准测试的训练集上训练，有助于它处理熟悉的决策类型。在新领域上的结果可能不同。通过 Ollama 和 llama.cpp 进行本地部署需要 Nace 的 fork，而非主线构建。权重使用带使用限制的 RAIL-M 许可证，因此商业使用前请检查条款。

关键要点

Drex 1.5 是一个 9B 开源决策模型，可在 1 次推理中为选项打分。

它在 Decision Index 0.3.1 上得分为 58.08，与闭源的 Jev 1.13.0 持平。

长文档准确率在 32K 至 128K token 时达到 93.4%。

它可在 1 块 GPU 上运行，或在 Mac 上作为 9.5 GB 的 Q8_0 GGUF 运行。

弱项：GPQA Diamond（45.4%）和 ACOS 情感分析（7.4%）。

在 Hugging Face 上查看模型权重、GitHub 仓库和 Drex 产品页面。所有功劳归于该项目的研究者。另外，欢迎在 Twitter 上关注我们，别忘了加入我们 150k+ 的 ML SubReddit 并订阅我们的 Newsletter。等等！你在 Telegram 上吗？现在你也可以在 Telegram 上加入我们了。

文章《Nace AI Open-Sources Drex 1.5: A 9B Decision Model That Scores Options, Not Text》首发于 MarkTechPost。