Nace.AI ha hecho open-source de Drex 1.5, un modelo de decisión de 9B para agentes y flujos de trabajo de backend. El modelo de decisión Drex 1.5 no escribe texto. Lee un estado y preguntas tipadas, y luego devuelve una probabilidad para cada opción. Nace reporta 58.08 en el público Decision Index 0.3.1, la mejor puntuación por debajo de 10B de parámetros. Los pesos están en Hugging Face, y una versión alojada está disponible en OpenRouter.
TL;DR
- Tamaño: 8.95B parámetros (denso), pesos bf16 de unos 18 GB. El contexto es de 16,384 tokens por defecto, hasta 131,072.
- Funciona en: 1 GPU CUDA en bf16 (probado en una A10G de 24 GB). Un GGUF Q8_0 (unos 9.5 GB) funciona en Apple silicon y CPU.
- Rendimiento: 58.08 en Decision Index 0.3.1 (público), dentro de la banda de empate del tablero de Jev 1.13.0 (57.96).
- Mejor: 93.4% de precisión en documentos de 32K a 128K tokens.
- Peor: 7.4% de F1 por revisión en sentimiento de aspectos ACOS, frente a 29.5% de Jev.
- Conclusión:
- Lo mejor: pesos abiertos que igualan a un modelo cerrado en 1 GPU.
- Lo peor: débil en conocimiento general y sentimiento de grano fino.
¿Qué es Drex 1.5?
Drex 1.5 es un modelo de decisión de Nace.AI que puntúa un conjunto fijo de opciones en 1 forward pass. Envías un state (texto o JSON) y preguntas con nombre. Admite 3 tipos de preguntas: choice, noul (sí/no) y ordinales score. No se muestrean tokens, por lo que temperature y top_p no aplican. El modelo solo puede responder con las opciones que hayas suministrado.
Sirve la API POST /v1/systemone . Ese es el mismo formato de solicitud que utilizan El Jev de TypeSafe, el modelo cerrado que inició esta categoría. Nace dice que los clientes existentes de Jev funcionan tras cambiar unas pocas variables de entorno.
¿Cómo funciona Drex 1.5?
La columna vertebral es MiMo-V2.6-Distill-Qwen-9B, un modelo Qwen 3.5 9B destilado. Tiene 32 capas con atención híbrida: 3 capas de atención lineal por cada capa de atención completa. Un cabezal de puntero independiente (head.pt) puntúa cada opción a partir de los estados ocultos de la columna vertebral.
Cada pregunta ejecuta 1 pasada sobre el estado más esa pregunta. En llama.cpp, el estado se codifica una vez y se comparte entre las preguntas. La página de Drex de Nace dice que el modelo fue entrenado en las divisiones de entrenamiento oficiales de los índices de benchmarks. Se evaluó únicamente en divisiones reservadas.
¿Cómo rinde Drex 1.5 en los benchmarks?
En el Decision Index 0.3.1 público (37 benchmarks, corregido por azar), la ficha del modelo informa:
- Drex 1.5: 58.08
- Jev 1.13.0: 57.96
- Bespoke Nimble 9B v3: 57.19
- Cloudflare clef-flash: 56.15
Drex 1.5, Jev y Nimble se sitúan dentro de la banda de empate de 0.9 puntos del tablero. Drex lidera a Jev en 20 de 37 benchmarks. La puntuación de Drex proviene de la propia ejecución de Nace del kit oficial. Sus puntuaciones por área son más fuertes en Tools (75.0) y más débiles en Knowledge and Reasoning (44.6). El gráfico de lanzamiento de Nace usa el anterior Decision Index 0.2.1, donde Drex obtuvo 58.28 frente a 57.91 de Jev.
En JevBench (231 elementos públicos), Drex puntúa 86.2% frente al 87.0% de Jev. Ambos alcanzan el 73.9% en elementos difíciles. En un enfrentamiento directo a través de 8 juegos de OpenSpiel, Drex registró 122 victorias, 47 empates y 87 derrotas contra Jev (56.8%).
Los documentos largos son una clara fortaleza:
- 8K a 32K tokens: 89.5% de precisión, mediana de 0.65 s
- 32K a 128K tokens: 93.4% de precisión, mediana de 2.0 s
Al truncar las mismas solicitudes a 8K tokens, la precisión cae a 76.5% y 78%.
¿Cómo pueden los desarrolladores ejecutar Drex 1.5?
Hay 4 rutas de despliegue, todas sirven la misma API:
- Python (runtime Kev):
inference.pyyserve.pyen una GPU CUDA. - llama.cpp: un fork de Nace con GGUF en bf16 o Q8_0, en CUDA, Metal o CPU.
- Ollama: un fork de Nace que añade una
decisioncapacidad. - Alojado: OpenRouter lista $0.04 por 1M de tokens de entrada y $0 de salida, servido por DeepInfra. Nace también ejecuta su propia Console API.
Nace probó bf16 y Q8_0 en una AWS g5.2xlarge (A10G 24 GB) y obtuvo respuestas idénticas. El GGUF Q8_0 también coincidió en un Apple M5 Pro tanto en Metal como en CPU.
Una Drex agent skill conecta el modelo con Claude Code, Codex, Cursor, OpenCode, Hermes Agent, Gemini CLI y GitHub Copilot. La publicación de lanzamiento de Nace también ofrece un bono de registro de $25 para usuarios de la nube.
¿Cómo se compara Drex 1.5 con otros modelos de decisión?
| Característica | Drex 1.5 | Jev 1.13.0 | Bespoke Nimble 9B v3 |
|---|---|---|---|
| Desarrollador | Nace.AI | TypeSafe AI | Bespoke Labs |
| Parámetros | 8.95B | No divulgado | LoRA sobre Qwen3.5-9B |
| Pesos | Abiertos | Cerrados (solo API) | Abiertos (adaptador) |
| Licencia | Nace.AI Open RAIL-M | Propietaria | CC BY-NC 4.0 |
| Contexto | 16,384 por defecto, hasta 131,072 | 64K por solicitud, 32K de estado más la pregunta más larga | No divulgado |
| Decision Index 0.3.1 (público) | 58.08 | 57.96 | 57.19 |
| Decision Index 0.2.1 | 58.28 | 57.91 | 56.88 |
| JevBench (231 ítems) | 86.2% | 87.0% | No divulgado |
| Hardware local | 1 GPU CUDA (bf16), Apple silicon o CPU (Q8_0) | No aplicable | Qwen3.5-9B base más adaptador |
| Precio de API (entrada / salida por 1M) | $0.04 / $0 (OpenRouter) | $0.042 / $0 | No divulgado |
Las filas de Decision Index 0.3.1 provienen de la ficha de modelo de Drex 1.5, que cita la tabla de clasificación pública de Jev y Nimble. La puntuación 0.2.1 de Nimble proviene de su propia ficha de modelo.
¿Cuáles son las limitaciones?
Drex 1.5 es una capa de decisión, no un modelo general. No puede generar texto, código ni explicaciones. Las pruebas de conocimiento intensivo son su punto débil: 45.4% en GPQA Diamond frente al 78.6% de Jev, y 58.7% en MMLU-Pro frente a 82.7%.
Entrenar con las divisiones de entrenamiento de los benchmarks del índice le ayuda con tipos de decisión familiares. Los resultados en dominios nuevos pueden diferir. El despliegue local mediante Ollama y llama.cpp necesita los forks de Nace, no las versiones principales. Los pesos usan una licencia RAIL-M con restricciones de uso, así que revisa los términos antes del uso comercial.
Conclusiones clave
- Drex 1.5 es un modelo de decisión abierto de 9B que puntúa opciones en 1 pasada.
- Obtiene 58.08 en Decision Index 0.3.1, empatado con el cerrado Jev 1.13.0.
- La precisión en documentos largos alcanza 93.4% entre 32K y 128K tokens.
- Funciona en 1 GPU o como un Q8_0 GGUF de 9.5 GB en un Mac.
- Puntos débiles: GPQA Diamond (45.4%) y sentimiento ACOS (7.4%).
Echa un vistazo a los pesos del modelo en Hugging Face, al repositorio de GitHub y a la página de producto de Drex. Todo el mérito es del investigador de este proyecto. Además, no dudes en seguirnos en Twitter y no olvides unirte a nuestro 150k+ML SubReddit y suscribirte a nuestro boletín. ¡Espere! ¿Está en Telegram? ahora también puede unirse a nosotros en Telegram.
La entrada Nace AI libera como código abierto Drex 1.5: un modelo de decisión de 9B que puntúa opciones, no texto apareció primero en MarkTechPost.