Nace.AI 开源 9B 决策模型 Drex 1.5：给选项打分而非生成文本

Nace.AI 把 Drex 1.5 开源了。这不是一个会写字的语言模型，而是一个 90 亿参数（9B）的决策模型：它不生成文本，而是读取一个状态和一组带类型的问题，然后为每一个候选选项返回一个概率。它的定位，是给智能体（agent）和后端工作流做选择。

这种取舍非常明确。Drex 1.5 不能生成文本、代码或解释，官方把它描述为紧挨着通用模型的一层决策层，而不是要取代通用大模型。据 Nace 介绍，该模型在公开的 Decision Index 0.3.1 上得分为 58.08，公司称这是该榜单 100 亿参数以下级别的最高分。

具体数字比标题更微妙。Nace 指出，Drex 1.5、Jev 与 Nimble 处在榜单 0.9 分的并列带内，Drex 在 37 项基准中的 20 项领先 Jev；分项上，它在工具类（Tools）最强，为 75.0，在知识与推理类最弱，为 44.6。Nace 还提醒，其官方发布图用的是更早的 Decision Index 0.2.1，当时 Drex 得 58.28，Jev 为 57.91。

正面对比则显示出它的强项与短板。在 JevBench 的 231 道公开题上，Drex 得 86.2%，略低于 Jev 的 87.0%，两者在难题上同为 73.9%；而在 8 款 OpenSpiel 游戏的对局中，Drex 对 Jev 取得 122 胜、47 平、87 负（56.8%）。知识密集型测试是它明显的弱点：GPQA Diamond 仅 45.4%，Jev 为 78.6%；MMLU-Pro 为 58.7%，Jev 为 82.7%。

Nace 还测试了量化表现，以说明模型便于部署。在 AWS g5.2xlarge（A10G、24GB）上，bf16 与 Q8_0 给出完全一致的答案，Q8_0 的 GGUF 在 Apple M5 Pro 的 Metal 与 CPU 上也表现一致。但把请求截断到 8K token 后，准确率分别降到 76.5% 与 78%，说明上下文长度对结果影响不小。

集成方面，Nace 面向编码智能体提供了 Drex agent skill，可接入 Claude Code、Codex、Cursor、OpenCode、Hermes Agent、Gemini CLI 与 GitHub Copilot；官方发布帖还为云用户提供 25 美元的注册奖励。本地部署上，通过 Ollama 和 llama.cpp 运行需要 Nace 的分支版本，而非主线版本；权重采用 RAIL-M 许可，带有使用限制。

这次开源实际上是在押注：决策值得成为智能体技术栈中独立的一层，与负责说话的语言模型分开。Nace 已在 Hugging Face 放出权重，并配有 GitHub 仓库与产品页；官方也提示，由于部分训练使用了榜单的训练切分，模型在熟悉的决策类型上可能被高估，换到新领域表现或有差异。