← Todas las noticias

Nace AI libera los pesos de Drex Max v1: un modelo de decisión de 27B que corre en un Mac de 24 GB, aunque la ruta local solo acepta texto

Según MarkTechPost, en un artículo del 1 de noviembre de 2026 (con una nota al final que indica que está patrocinado por Nace AI), Nace AI publica bajo la licencia Nace.AI Open RAIL-M los pesos de Drex Max v1, un modelo denso de decisión de 27B, con checkpoints bf16, GGUF Q8_0 y Q4 affine, y declara una puntuación de 67,52 en Decision Index 0.4.

Publicado Actualizado

Qué ha cambiado

Según un reportaje de MarkTechPost del 1 de noviembre de 2026, cuyo final indica que el artículo está patrocinado por Nace AI, Nace AI ha publicado Drex Max v1 como pesos abiertos bajo la licencia Nace.AI Open RAIL-M. El reportaje lo describe como un modelo de decisión denso de 27B de parámetros: no genera texto, sino que recibe un estado (texto, JSON o imagen) y una pregunta con opciones nombradas, y devuelve probabilidades para cada opción en un solo pase hacia delante; hay tres tipos de pregunta —elegir una entre opciones nombradas, sí/no y puntuación ordinal—, con hasta 255 opciones por pregunta. La model card describe una arquitectura de 64 capas troncales, de las cuales 48 son atención lineal Gated DeltaNet de izquierda a derecha y las otras 16 son atención completa no causal colocada cada cuatro capas, de modo que cada token puede atender a toda la secuencia; el archivo de configuración lista el tipo de modelo qwen3_5 y una ventana de 262.144 posiciones, con 16.384 por defecto. La publicación incluye pesos bf16, GGUF Q8_0 (27,25 GB), checkpoints Q4 affine (14,45 GB) y bifurcaciones (forks) de llama.cpp y Ollama; el reportaje afirma que los cinco runtimes ofrecen de forma uniforme la interfaz POST /v1/systemone. Tanto los benchmarks como la comparación de cuantización los declara Nace AI: Decision Index 0.4 obtiene 67,52, por encima de Drex v2.0 (61,25) y Jev 1.13.0 (57,96), que la propia empresa lista, y el Artificial Analysis Decision Index es 64; en un M5 Pro de 48 GB, la diferencia de probabilidad por ítem entre Q8_0 y bf16 en H100 es inferior a 0,02, y la diferencia entre Q4 affine y Q8_0 es inferior a 0,0329, sin inversiones de elección. El reportaje también menciona que hay una versión gestionada en OpenRouter, con un precio de 0,03 dólares por cada mil decisiones en el momento del lanzamiento; el precio actual debe consultarse en la página de precios del proveedor.

Impacto para desarrolladores

El primer cambio para los desarrolladores está en la forma de la interfaz: no es una API de chat a la que se le cambien los prompts por opciones. Quien llama debe dar primero el conjunto de opciones y el tipo de pregunta, y recibe un conjunto de probabilidades; los umbrales, la abstención y las estrategias de degradación tiene que definirlos el propio negocio, algo muy distinto de parsear después una salida de texto libre. El segundo cambio está en la estratificación del despliegue: los requisitos de memoria que da el reportaje son Q4 affine para Mac de más de 24 GB, GGUF Q8_0 con 48 GB y, en el lado NVIDIA, unos 49 GB para bf16 o unos 26 GB para 8 bits, lo que significa que el mismo modelo puede desplegarse en tres formatos —portátil, una sola tarjeta y servidor con GPU—, pero con precisión y rendimiento distintos. El tercero es un hueco de capacidad en la ruta local: ninguna de las cuatro rutas —llama.cpp, Ollama, Kapitsa y MLX— admite imágenes; solo Python con GPU NVIDIA lo hace, así que el triaje de tickets con capturas de pantalla no puede trasladarse entero a un Mac. El cuarto es la naturaleza de la licencia: poder descargar los pesos no equivale a una licencia de código abierto reconocida por la OSI; Open RAIL-M incluye restricciones de uso y hay que revisar los términos antes de un uso comercial. El quinto es la diferencia en el contexto largo: la ventana figura como 262.144, pero por defecto es 16.384, y el reportaje sugiere usar 2048 de contexto con Kapitsa en un Mac de 48 GB; la ventana anunciada no es la configuración que realmente vas a ejecutar. Cabe insistir en que todas las cifras de rendimiento y desviación por cuantización provienen de la propia empresa y que el artículo de origen es contenido patrocinado, sin reproducción independiente.

Integración y evaluación

Lo siguiente son recomendaciones y análisis condicionales basados en el reportaje, no hechos verificados. Primero, si tu carga de enrutamiento o triaje es solo texto, puedes probar primero Q4 affine en un Mac con memoria unificada de más de 24 GB: el reportaje afirma que ese checkpoint ocupa 14,45 GB y que no hay inversiones de elección, lo que da una base para un despliegue gradual offline, siempre que la carga no incluya imágenes y aceptes la latencia de la inferencia en una sola máquina; el criterio de evaluación es comparar en tus propios tickets históricos etiquetados la tasa de coincidencia top-1 entre Q4 y bf16 o la versión gestionada, y la tasa de inversión cerca del umbral, y solo derivar tráfico si la coincidencia alcanza el umbral fijado. Segundo, si la entrada incluye capturas o documentos escaneados, el reportaje dice que las imágenes pasan por una torre visual nativa y son visibles para todas las preguntas dentro de la petición, pero ninguna de las cuatro rutas locales admite imágenes, así que las opciones son mantener la llamada en GPU o en el lado gestionado, o convertir antes las imágenes a texto y seguir en local; el criterio es medir con tu propio conjunto de capturas la precisión de elección y la tasa de no respuesta de la ruta visual frente a la ruta OCR más texto, y no quedarse con el índice visual público de 73,92. Tercero, sobre entradas largas, conviene fijar explícitamente la longitud de contexto y volver a medir en la longitud objetivo: según el reportaje, las peticiones sin respuesta cuentan como error en el conjunto de resultados, de modo que las no respuestas asociadas al contexto largo elevan directamente la tasa de error; las métricas deberían incluir la proporción de no respuestas y la curva de degradación de la precisión a distintas longitudes de contexto. Cuarto, el diseño de 255 salidas de lectura más una respuesta a varias preguntas en un solo pase hace posible combinar varias comprobaciones de políticas en una misma petición, siempre que los conjuntos de opciones de las preguntas combinadas no entren en conflicto y la longitud total siga dentro de la ventana; el criterio es comparar la latencia por petición, la diferencia de probabilidad por pregunta y la tasa de no respuesta con contexto largo entre la combinación y la separación.

Límites y cuestiones pendientes

La versión Drex Max v1 no está actualmente en el catálogo de modelos de KimiSeek; la API gestionada y la disponibilidad de la consola en la nube que menciona el reportaje se refieren a Nace AI, y si este sitio lo integra y a qué precio debe comprobarse en el catálogo y la página de precios. Todas las cifras de benchmarks, rankings y desviaciones por cuantización del reportaje las declara Nace AI, el artículo de origen está patrocinado por el fabricante y no se conoce reproducción independiente. La comparación de cuantización se hizo solo en un M5 Pro de 48 GB; cifras como una desviación de probabilidad de 0,0329 no pueden extrapolarse directamente a otras combinaciones de hardware y cuantización. La licencia es Nace.AI Open RAIL-M: que los pesos estén abiertos no implica una licencia de código abierto OSI, y las restricciones de uso deben revisarse por cuenta propia. El tipo de modelo qwen3_5 que aparece en la configuración solo refleja un campo estructural; el reportaje no explica el origen de los datos de entrenamiento ni la relación con un modelo base. Además, el reportaje no detalla el comportamiento concreto de la interfaz local cuando no hay opciones adecuadas, y solo señala que las no respuestas cuentan como error en el conjunto de resultados.

Tres minutos hasta la primera llamada

Crea una cuenta y una clave de API. El coste de las llamadas se descuenta de tu saldo. 30 % de descuento en tu primera recarga. Recarga ¥500, paga ¥350, recibe ¥500 de saldo. Recarga ¥1000, paga ¥850, recibe ¥1000 de saldo La recarga mínima sigue siendo de ¥10, adecuada para pruebas.

Fuentes y proceso editorial

Nace AI 开源 Drex Max v1:可在 Apple Silicon 本地运行的 27B 决策模型

La IA ayudó con el análisis y la traducción de las fuentes citadas, seguidos de controles automáticos. Las recomendaciones no son resultados de pruebas. Consulta el catálogo actual para precios y disponibilidad.