Nace.AI, 결정 모델 Drex 1.5 공개: 단일 전방 패스로 선택지 확률 산출, 128K 장문서 93.4%
MarkTechPost가 2026년 10월 9일 보도한 바에 따르면, Nace.AI는 8.95B dense 결정 모델 Drex 1.5를 공개했습니다. 이 모델은 상태와 타입이 지정된 질문을 읽고 선택지에 대한 확률을 반환하며 텍스트를 생성하지 않습니다. 보도에 따르면 Decision Index 0.3.1에서 58.08을 기록했고, 단일 GPU bf16 또는 약 9.5GB 양자화 버전으로 로컬 실행을 지원합니다.
주요 변화
MarkTechPost가 2026년 10월 9일 보도한 바에 따르면, Nace.AI는 에이전트와 백엔드 워크플로를 겨냥한 8.95B dense 결정 모델 Drex 1.5를 공개했습니다. 이 모델은 텍스트를 생성하지 않습니다. 사용자가 상태(텍스트 또는 JSON)와 이름이 지정된 질문을 전달하면, 모델이 단일 전방 추론에서 각 선택지에 대한 확률을 반환하며 choice, noul(예/아니오), ordinal score의 세 가지 질문 유형을 지원합니다. 토큰을 샘플링하지 않으므로 temperature와 top_p는 적용되지 않습니다. 출처에 따르면 백본은 MiMo-V2.6-Distill-Qwen-9B이고 32개 층, 혼합 어텐션(전체 어텐션 층마다 선형 어텐션 층 3개) 구조이며, 별도의 포인터 헤드 head.pt가 은닉 상태를 점수화합니다. 인터페이스는 POST /v1/systemone이고 TypeSafe의 폐쇄형 모델 Jev와 요청 형식이 동일해, 기존 Jev 클라이언트에서 환경 변수 몇 개만 바꾸면 이전할 수 있다고 출처는 밝혔습니다. 컨텍스트는 기본 16384 tokens, 최대 131072이며, 가중치는 Hugging Face에 공개되었고 호스팅 버전은 OpenRouter에 올라와 있으며 DeepInfra가 연산을 제공한다고 합니다.
개발자에게 미치는 영향
개발자에게 가장 직접적인 변화는 결정 작업이 ‘채팅 모델이 구조화된 텍스트를 출력하게 하고 파싱하는 방식’에서 ‘한 번의 전방 패스로 선택지 확률을 얻는 방식’으로 바뀐다는 점입니다. 파싱과 재시도 로직이 사라지고 결정 지연이 더 예측 가능해집니다. 보도에 따르면 장문서는 Drex 1.5의 강점으로, 32K~128K tokens에서 정확도 93.4%, 중위 지연 2.0초를 기록했습니다. 같은 요청을 8K tokens로 잘랐을 때는 정확도가 76.5%와 78%로 떨어져, 장문맥 결정에서 단문맥과 뚜렷한 차이가 있음을 보여줍니다. 이는 RAG 이후의 판정이나 다중 후보 정렬 워크플로에 큰 영향을 줍니다. 반면 보도는 이 모델이 결정 계층이지 범용 모델이 아니라고 지적합니다. 텍스트, 코드, 설명을 생성하지 못하며 지식 집약 작업이 약점입니다. GPQA Diamond 45.4% 대 Jev 78.6%, MMLU-Pro 58.7% 대 Jev 82.7%이고, ACOS 감성 분석은 단일 리뷰 F1이 7.4%에 그친 반면 Jev는 29.5%입니다. 학습에 인덱스 벤치마크 공식 훈련셋을 사용해 흔한 결정 유형에서 우위를 보이지만, 출처는 새 영역에서는 결과가 다를 수 있다고도 경고합니다. 배포 측면에서 로컬 경로는 업스트림 메인라인 빌드가 아니라 Nace의 llama.cpp 및 Ollama 포크가 필요합니다. 가중치는 Open RAIL-M 라이선스를 따르며, 상업적 사용 전에 조건을 확인해야 한다고 출처는 명확히 밝힙니다. 이는 ‘개방형 가중치’와 ‘오픈소스 라이선스’를 구분해야 하는 지점으로, 가중치가 있다고 해서 라이선스가 관대한 것은 아닙니다.
연동 및 평가 제안
다음은 출처 보도에 기반한 권고와 조건 분석이며, 검증된 사실이 아닙니다. 첫 번째 결정: 기존 Jev 호출 지점을 Drex 1.5로 전환할지. 보도에 따르면 두 모델의 요청 형식이 같고 변경 비용은 주로 환경 변수에 있으므로, 워크로드가 선택지 점수화, 예/아니오 판정, 서수 정렬 위주이고 팀이 결정 트래픽을 폐쇄형 API에서 옮기려 할 때는 섀도 트래픽 비교를 먼저 하는 편이 안전합니다. 측정 가능한 수용 기준은 같은 과거 요청을 두 경로에 동시에 보내 선택지 일치율과 ‘최고 선택지 확률이 임계값 미만’인 비율을 집계해, 일치율이 높고 저신뢰 표본 비중이 크게 늘지 않으면 점진적으로 확대하는 것입니다. 워크로드가 설명 생성이나 외부 노출 추론 과정을 요구하는 답변을 포함하면 전환하지 말아야 합니다. 이 모델은 보도에 따르면 텍스트를 생성하지 않기 때문입니다. 두 번째 결정: 장문서 시나리오에서 먼저 자르지 않고 128K 등급을 바로 쓸지. 보도는 32K~128K에서 정확도 93.4%, 중위 지연 2.0초를 보였고 8K로 자르면 정확도가 76.5%와 78%로 떨어졌습니다. 따라서 입력이 실제 장문서이고 지연 예산이 초 단위 오버헤드를 감당할 수 있다면 긴 문맥을 유지하는 것이 더 이득일 수 있습니다. 평가 시에는 길이 구간(8K 이내, 8K~32K, 32K~128K)별로 정확도와 P95 지연을 측정하고, 긴 구간 지연이 예산을 넘으면 자르는 방안을 고려하되 정확도 하락을 감수해야 합니다. 세 번째 배포 결정: 로컬 실행이냐 호스팅이냐. 보도에 따르면 bf16 약 18GB는 24GB A10G 한 장에서 실행 가능하고, Q8_0 GGUF 약 9.5GB는 Apple 칩과 CPU에서 돌릴 수 있으며 두 양자화 경로의 답이 일치한다고 합니다. 따라서 데이터가 내부망을 떠날 수 없거나 오프라인 추론이 필요하면 로컬 배포가 가능합니다. 전제는 Nace 포크 빌드를 사용하고 Open RAIL-M 조건을 받아들이는 것입니다. 평가 기준은 로컬과 호스팅이 같은 평가셋에서 답 일치성을 보이는지, 단일 GPU 처리량이 초당 요청 수요를 충족하는지입니다. 가격은 변동되므로 호스팅 비용은 OpenRouter와 Nace Console의 현재 가격 페이지를 기준으로 확인하세요.
제한과 확인할 사항
분명히 할 점은 Drex 1.5가 현재 KimiSeek의 모델 목록에 없으며, 보도된 API 가용성은 공급업체 자체 호스팅 서비스를 가리키는 것으로 이 사이트의 카탈로그와 무관합니다. 출처의 벤치마크 점수(Decision Index 0.3.1의 58.08, JevBench 86.2%, OpenSpiel 122승 47무 87패, 장문서 93.4% 등)는 모두 Nace나 리더보드 측이 산출한 보고 결과로, 대부분 제조사가 공식 평가 스위트를 자체 실행한 것이며 이 사이트는 독립 재현하지 않았습니다. 보도는 또한 모델 학습에 인덱스 벤치마크 공식 훈련셋을 사용했으므로 새 결정 영역에서의 성능은 리더보드 점수와 차이가 날 수 있다고 알립니다. ACOS 감성 분석과 지식형 테스트의 약점도 보도에서 제시되었습니다. 또한 Ollama와 llama.cpp 경로는 Nace의 포크 버전에 의존하므로 업스트림 메인라인이 동기화 지원한다고 보장할 수 없습니다. 가중치는 공개되었지만 라이선스는 사용 제한이 있는 RAIL-M이므로 상업적 사용은 조건을 직접 확인해야 합니다. 보도에 언급된 25달러 등록 보상과 호스팅 가격은 발표 시점 정보로 이미 바뀌었을 수 있으니 현재 가격 페이지를 확인하세요.