Nace.AI开源Drex 1.5：90亿参数决策模型，专注选项评分而非文本生成

一款不生成文本的决策模型

Drex 1.5是Nace.AI推出的开源决策模型，参数量为8.95B（dense），采用bf16精度权重约18 GB。它不执行文本生成任务，也不受temperature或top_p等采样参数影响；用户输入一个状态（文本或JSON）及一组命名问题，模型即对每个预设选项输出概率得分。其API接口（POST /v1/systemone）与TypeSafe公司的闭源模型Jev保持兼容，现有Jev客户端仅需修改少量环境变量即可切换使用。

技术架构与训练方式

Drex 1.5基于蒸馏自Qwen 3.5的MiMo-V2.6-Distill-Qwen-9B骨干网络，含32层混合注意力机制（每层全注意力后接3层线性注意力）。模型另设独立指针头（head.pt），从骨干网络隐藏状态中为各选项打分。每个问题均单独运行一次前向传播，但状态编码可复用——在llama.cpp实现中，状态仅编码一次并跨问题共享。训练数据来自Decision Index官方训练集划分，评估严格限定于预留测试集。

基准测试表现

在公开Decision Index 0.3.1（37项任务，经机会校正）中，Drex 1.5得分为58.08，略高于Jev 1.13.0（57.96）和Bespoke Nimble 9B v3（57.19），三者处于评测方划定的0.9分并列带内。Drex在37项子任务中领先Jev达20项。按能力维度拆解，其在‘工具调用’（Tools）领域表现最强（75.0分），而在‘知识与推理’（Knowledge and Reasoning）最弱（44.6分）。在更早的Decision Index 0.2.1版本中，Drex得分为58.28，Jev为57.91。在JevBench（231项公开题）中，Drex准确率为86.2%，Jev为87.0%；二者在困难样本上均达73.9%。长文档处理是显著优势：32K–128K token文档准确率达93.4%（中位延迟2.0秒），而截断至8K token后骤降至78%。

多平台部署与生态集成

开发者可通过四种路径部署Drex 1.5，均提供统一API：① Python（Kev运行时），支持CUDA GPU；② llama.cpp定制分支，提供bf16/Q8_0 GGUF格式，兼容CUDA、Metal及CPU；③ Ollama定制分支，新增决策能力支持；④ 托管服务，OpenRouter以$0.04/百万输入token定价（零输出费用），由DeepInfra提供算力；Nace亦运营自有Console API。实测显示，bf16与Q8_0权重在AWS A10G（24GB）及Apple M5 Pro（Metal/CPU）上输出完全一致。模型已集成至Claude Code、Codex、Cursor、OpenCode、Hermes Agent、Gemini CLI及GitHub Copilot等主流开发工具链。

开源对比：开放权重 vs 封闭API

Drex 1.5是当前唯一开放完整权重的高性能决策模型。相较TypeSafe的Jev（纯API闭源）与Bespoke Labs的Nimble（仅开放LoRA适配器），Drex采用Nace.AI Open RAIL-M许可证，明确允许商业用途。参数量（8.95B）、上下文长度（默认16,384，最高131,072 tokens）及本地运行能力（单GPU/CPU/Metal）均具透明性。OpenRouter托管价格（$0.04/百万输入token）亦与Jev持平，凸显其开源策略下的商业化可行性。

> 编者观点：Drex 1.5的开源标志着AI智能体底层决策能力正从黑盒API走向可审计、可定制、可本地化部署的成熟阶段，为中国企业构建自主可控的Agent基础设施提供了高性价比技术基座。