Nace.AI 开源 Drex 1.5：9B 决策模型单次前向为选项打分，长文档 128K 达 93.4%
据 MarkTechPost 2026 年 10 月 9 日报道，Nace.AI 开源 8.95B dense 决策模型 Drex 1.5，读取状态与带类型问题后为选项返回概率，不做文本生成。报道称其 Decision Index 0.3.1 得 58.08，并支持单卡 bf16 或约 9.5 GB 量化版本本地运行。
发生了什么
据 MarkTechPost 2026 年 10 月 9 日报道，Nace.AI 已开源 Drex 1.5，一个面向智能体与后端工作流的 8.95B dense 决策模型。该模型不生成文本：用户传入状态（文本或 JSON）与命名问题，模型在一次前向推理中为每个选项返回概率，支持 choice、noul（是/否）与 ordinal score 三类问题；由于不采样 token，temperature 与 top_p 不适用。来源称其主干为 MiMo-V2.6-Distill-Qwen-9B，共 32 层、混合注意力（每个全注意力层配 3 个线性注意力层），另有独立指针头 head.pt 对隐藏状态打分。接口为 POST /v1/systemone，与 TypeSafe 的闭源模型 Jev 请求格式一致，来源称现有 Jev 客户端改动少量环境变量即可迁移。上下文默认 16384 tokens、最高 131072；权重已发布在 Hugging Face，托管版本在 OpenRouter 上线，并称由 DeepInfra 提供算力。
对开发者的影响
对开发者最直接的变化是：决策任务从“让聊天模型输出结构化文本再解析”变成“一次前向拿选项概率”，省去了解析与重试逻辑，也让决策延迟更可预测。据报道，长文档是 Drex 1.5 的强项：32K 至 128K tokens 准确率 93.4%、中位延迟 2.0 秒；同一批请求截断到 8K tokens 后准确率降至 76.5% 与 78%，说明它在长上下文决策上与短上下文表现存在明显差异，这一点对 RAG 后的裁决或多候选项排序类工作流影响很大。另一面，报道指出它是决策层而非通用模型：不能生成文本、代码或解释；知识密集任务是短板，GPQA Diamond 45.4% 对 Jev 78.6%，MMLU-Pro 58.7% 对 Jev 82.7%；ACOS 方面情感分析单条评论 F1 仅 7.4%，Jev 为 29.5%。训练使用了索引基准官方训练集使其在常见决策类型上占优，但来源也提示新领域结果可能不同。部署层面，本地路线需要 Nace 的 llama.cpp 与 Ollama 分支，而非上游主线构建；权重采用 Open RAIL-M 许可，来源明确提示商用前确认条款——这是“开放权重”与“开源许可”需要分开看待的地方，权重可得并不等于许可宽松。
接入与评估建议
以下为基于来源报道的建议与条件分析，不是已核实事实。第一项决策：是否把现有 Jev 调用点切到 Drex 1.5。报道称二者请求格式相同、改动成本主要在环境变量，因此当工作负载以选项打分、是/否判定、序数排序为主，且团队希望把决策流量从闭源 API 转出时，先做影子流量对比更稳妥；可测量的验收标准是把同一批历史请求同时打到两条路径，统计选项一致率与“最高选项概率低于阈值”的比例，若一致率高且低置信样本占比没有明显上升，再逐步放量；若工作负载包含解释生成或答案需要外显推理过程，则不应切入，因为该模型按报道不生成文本。第二项决策：长文档场景是否直接使用 128K 档而非先截断。报道显示 32K 至 128K 档准确率 93.4%、中位延迟 2.0 秒，而截断到 8K 后准确率降到 76.5% 与 78%，因此当输入确实是长文档且延迟预算能容纳秒级开销时，保留长上下文可能是收益更大的选择；评估时应按长度分桶（8K 以内、8K 至 32K、32K 至 128K）测量准确率与 P95 延迟，若长档延迟超出预算再考虑截断，但要接受准确率下降。第三项部署决策：本地跑还是走托管。报道称 bf16 约 18 GB 可在单张 24 GB A10G 上运行，Q8_0 GGUF 约 9.5 GB 可在 Apple 芯片与 CPU 上跑，且来源称两条量化路径答案一致，因此当数据不能出内网或需要离线推理时本地部署可行；前提是接受使用 Nace 分支构建、并接受 Open RAIL-M 的条款约束。评估标准是比对本地与托管在同一评测集上的答案一致性，以及单卡吞吐是否满足每秒请求需求。价格会变化，托管成本请以 OpenRouter 与 Nace Console 的当前定价页为准。
限制与待确认事项
需要明确的是，Drex 1.5 目前未出现在 KimiSeek 的模型中，其报道中的 API 可用性指向供应商自身的托管服务，与本站目录无关。来源中的基准分数（Decision Index 0.3.1 的 58.08、JevBench 86.2%、OpenSpiel 122 胜 47 平 87 负、长文档 93.4% 等）均为 Nace 或榜单方跑出的报告结果，多数由厂商自行运行官方评测套件，本站未独立复现。报道还提示模型训练使用了索引基准的官方训练集，因此在新决策领域上的表现可能与榜单分数有差距，ACOS 情感分析与知识类测试的弱项已在报道中给出。此外，Ollama 与 llama.cpp 路线依赖 Nace 的分支版本，上游主线未必同步支持；权重虽开放，但许可为带使用限制的 RAIL-M，商业使用需自行核对条款。报道中提到的 25 美元注册奖励与托管价格属于发布时点的信息，可能已变化，请查阅当前定价页。