Nace AI 开源 Drex 1.5：首个只评估选项的 9 B 决策模型

概述：Drex 1.5 的核心亮点

在 AI 领域，大多数模型仍以生成文本为主要任务。Nace.AI 近日发布的 Drex 1.5 则突破常规，它是一款 9 B 参数的决策模型，专注于“评分选项”，不产生文字输出。用户只需提供当前状态（文本或 JSON）和预设问题，模型即可在一次前向传播中给出每个候选答案的概率分布。该模型在公开的 Decision Index 0.3.1 上取得 58.08 的成绩，刷新了 10 B 参数以下模型的最高分。

技术细节与部署要求

模型规模与权重

• 参数量：约 8.95 B（稠密），bf16 权重量约 18 GB；
• 支持的 GGUF 量化版本 Q8_0 大约 9.5 GB，可在 Apple Silicon 与 CPU 上运行；
• 默认上下文窗口 16,384 token，最高可扩展至 131,072 token。

硬件需求

单张 24 GB 的 NVIDIA A10G GPU（bf16）即可完整加载并推理；在资源受限的环境下，可使用量化模型在 CPU 或移动端设备上运行，满足边缘计算需求。

模型工作原理

Drex 1.5 将决策过程抽象为三类问题：

• choice：在多个明确选项中挑选最优；
• noul（yes/no）：判断二元结果；
• score（未在官方文档中明确，但可推测为对数值型选项的打分）。

用户先将业务状态编码为结构化文本或 JSON，随后以“问题+选项”形式提交。模型在一次前向传播后返回每个选项的概率向量，业务方即可依据阈值或排序直接做出决策，无需后处理的文本生成步骤。

性能评测

Decision Index 成绩

在 Decision Index 0.3.1 公测套件中，Drex 1.5 获得 58.08 分，位列 10 B 参数以下模型之首，仅次于同档次的 Jev 1.13.0（57.96）。这意味着在标准化决策任务上，Drex 1.5 的预测准确性已接近闭源大模型的水平。

实际业务场景表现

• 在 32 K‑128 K token 长文档的选项匹配任务中，准确率可达 93.4%；
• 在细粒度情感评估（ACOS 方面情感）上，F1 仅为 7.4%，明显低于 Jev（29.5%），显示模型对广泛知识和细致情感的感知仍有不足。

行业意义与应用前景

决策模型的出现为企业级 AI 工作流提供了新的技术选项。传统上，企业会使用大型语言模型（LLM）先生成文本，再通过规则或二次模型进行筛选，过程繁琐且成本高。Drex 1.5 直接输出概率，使得：

• **成本更低**：只需一次前向传播，无需后处理；
• **延迟更短**：在高并发场景下，单卡即可支撑数千 QPS；
• **可解释性更好**：概率分布天然提供了选项可信度，可直接用于阈值判断。

因此，金融风控、推荐系统、自动化客服、供应链调度等需要快速、可量化决策的场景，都有望受益。

局限性与风险

尽管 Drex 1.5 在决策准确性上表现抢眼，但仍存在两大短板：

1. **知识广度不足**：模型训练主要聚焦于结构化决策数据，对开放域的常识或长文本理解仍显薄弱；
2. **情感细分能力弱**：在细粒度情感任务上表现不佳，说明模型对主观情感的捕捉仍依赖更大的语言模型。

企业在采用前需评估业务对知识深度的需求，必要时可将 Drex 1.5 与通用 LLM 组合使用，形成“生成‑决策”双层架构。

使用建议与后续关注点

对于希望在本地或私有云部署的企业，Drex 1.5 提供了完整的权重文件（Hugging Face）和 OpenRouter 的托管服务，可根据预算灵活选择。建议的落地步骤：

1. 在测试环境下载 bf16 权重，使用 24 GB GPU 完成一次全量推理基准；
2. 根据业务场景定义问题模板（choice、yes/no），并对输入状态进行统一的 JSON 化；
3. 在实际流量中监控选项概率分布的分布变化，设定合理阈值防止误判；
4. 若遇到情感或知识密集型子任务，考虑引入外部 LLM 做二次校验。

未来，Nace.AI 可能继续扩大模型规模或加入多模态输入，值得持续关注。