Nace AI เปิดตัว Drex 1.5 โมเดลตัดสินใจแบบเปิดขนาด 9B

Nace.AI ได้ทำการ open-sourced Drex 1.5 ซึ่งเป็นโมเดลตัดสินใจขนาด 9B ที่ออกแบบมาสำหรับ AI Agent และการประมวลผล workflow หลังบ้านโดยเฉพาะ ความโดดเด่นของ Drex 1.5 คือการไม่เน้นเขียนข้อความตอบโต้ แต่จะวิเคราะห์สถานะ (state) และคำถามที่ระบุประเภทเพื่อคืนค่าความน่าจะเป็นของทุกตัวเลือกในครั้งเดียว (1 forward pass)

จากรายงานของ Nace พบว่าโมเดลนี้ทำคะแนนได้ 58.08 บน Decision Index 0.3.1 ซึ่งเป็นคะแนนสูงสุดในกลุ่มโมเดลที่มีพารามิเตอร์ต่ำกว่า 10B ปัจจุบันเปิดให้ดาวน์โหลด weights บน Hugging Face และใช้งานเวอร์ชันโฮสต์ได้แล้วผ่าน OpenRouter

TL;DR

• ขนาด: 8.95B พารามิเตอร์ (dense) ใช้ weights แบบ bf16 ขนาดประมาณ 18 GB รองรับ Context เริ่มต้นที่ 16,384 tokens และขยายได้สูงสุดถึง 131,072 tokens
• การใช้งาน: รันบน 1 CUDA GPU ในรูปแบบ bf16 (ทดสอบบน A10G 24 GB) หรือใช้ Q8_0 GGUF (ประมาณ 9.5 GB) สำหรับ Apple Silicon และ CPU
• ประสิทธิภาพ: ทำคะแนนได้ 58.08 บน Decision Index 0.3.1 เทียบเท่ากับโมเดล Jev 1.13.0 (57.96) ในช่วงคะแนนใกล้เคียงกัน
• จุดเด่น: มีความแม่นยำสูงถึง 93.4% เมื่อจัดการเอกสารขนาด 32K ถึง 128K tokens
• จุดด้อย: มี F1 score เพียง 7.4% ในด้าน ACOS aspect sentiment เมื่อเทียบกับ Jev ที่ทำได้ 29.5%
• สรุปภาพรวม: เป็นโมเดล open weights ที่ประสิทธิภาพเทียบเท่าโมเดลแบบปิด (closed model) บนการใช้งานเพียง 1 GPU แต่ยังมีจุดอ่อนด้านความรู้ทั่วไปและความละเอียดอ่อนของความรู้สึก (fine-grained sentiment)

Drex 1.5 คืออะไร?

Drex 1.5 เป็นโมเดลตัดสินใจจาก Nace.AI ที่จะให้คะแนนชุดตัวเลือกที่กำหนดไว้ในขั้นตอนเดียว ผู้ใช้สามารถส่ง state (ในรูปแบบข้อความหรือ JSON) และคำถามที่ระบุชื่อเข้าไป โดยรองรับคำถาม 3 ประเภท ได้แก่ choice, noul (ใช่/ไม่ใช่) และการจัดลำดับคะแนน score

โมเดลนี้ไม่มีการสุ่ม tokens ทำให้ไม่ต้องใช้ค่า temperature และ top_p โดยจะตอบได้เฉพาะตัวเลือกที่เตรียมไว้ให้เท่านั้น ตัวโมเดลให้บริการผ่าน API POST /v1/systemone ซึ่งเป็นรูปแบบเดียวกับที่ TypeSafe’s Jev ใช้งาน ทำให้ลูกค้าเดิมของ Jev สามารถสลับมาใช้ Drex 1.5 ได้ทันทีเพียงเปลี่ยน environment variables

Drex 1.5 ทำงานอย่างไร?

โครงสร้างหลักพัฒนาต่อยอดจาก MiMo-V2.6-Distill-Qwen-9B ซึ่งเป็นโมเดล Qwen 3.5 9B ที่ผ่านกระบวนการ distilled มี 32 เลเยอร์ พร้อมระบบ hybrid attention ที่ผสมผสานระหว่าง linear-attention และ full-attention เสริมด้วย pointer head แยกต่างหาก (head.pt) เพื่อทำหน้าที่ให้คะแนนตัวเลือกจาก hidden states

ในการทำงานแต่ละคำถามจะรันเพียง 1 pass เหนือข้อมูลทั้งหมด สำหรับการใช้งานผ่าน llama.cpp ตัว state จะถูกเข้ารหัสเพียงครั้งเดียวแต่สามารถใช้ร่วมกับหลายคำถามได้ ข้อมูลจากหน้า Drex ระบุว่าโมเดลถูกฝึกด้วยชุดข้อมูลมาตรฐานของดัชนีชี้วัด และประเมินผลเฉพาะในชุดข้อมูลที่แยกไว้ (held-out splits) เพื่อความแม่นยำ

ประสิทธิภาพบน Benchmark

บน Decision Index 0.3.1 (37 benchmarks) model card ได้ระบุผลการทดสอบดังนี้:

• 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 มีคะแนนนำ Jev ใน 20 จาก 37 หัวข้อทดสอบ โดยจุดแข็งที่สุดคือด้านการใช้เครื่องมือ (Tools) ที่ 75.0 คะแนน ส่วนจุดอ่อนคือด้านความรู้และการให้เหตุผล (Knowledge and Reasoning) ที่ 44.6 คะแนน ในการทดสอบ JevBench (231 รายการ) Drex ทำได้ 86.2% ขณะที่ Jev ทำได้ 87.0%

ประสิทธิภาพกับเอกสารขนาดยาว:

• 8K ถึง 32K tokens: ความแม่นยำ 89.5% (ค่ามัธยฐานเวลา 0.65 วินาที)
• 32K ถึง 128K tokens: ความแม่นยำ 93.4% (ค่ามัธยฐานเวลา 2.0 วินาที)

การนำไปใช้งานสำหรับนักพัฒนา

นักพัฒนาสามารถเลือกใช้งานได้ 4 รูปแบบผ่าน API เดียวกัน:

1. Python (Kev runtime): รัน inference.py และ serve.py บน CUDA GPU
2. llama.cpp: ใช้ Nace fork ร่วมกับ GGUF ทั้งบน CUDA, Metal หรือ CPU
3. Ollama: ใช้ Nace fork ที่เพิ่มฟังก์ชัน decision
4. Hosted: ใช้งานผ่าน OpenRouter ในราคา $0.04 ต่อ 1M input tokens หรือใช้ Console API ของ Nace โดยตรง

นอกจากนี้ยังมี Drex agent skill สำหรับเชื่อมต่อกับเครื่องมืออย่าง Claude Code, Cursor และ GitHub Copilot พร้อมโปรโมชันโบนัสสมัครใช้งาน $25 บนระบบคลาวด์ตามที่ระบุใน launch post

การเปรียบเทียบและข้อจำกัด

ข้อจำกัดสำคัญคือ Drex 1.5 ไม่ใช่โมเดลอเนกประสงค์ จึงไม่สามารถสร้างข้อความหรือโค้ดได้ และยังมีจุดอ่อนในการทดสอบด้านความรู้อย่าง GPQA Diamond (45.4%) และ MMLU-Pro (58.7%) เมื่อเทียบกับ Jev นอกจากนี้การใช้งานแบบ Local จำเป็นต้องใช้ซอฟต์แวร์เวอร์ชัน Fork จาก Nace เท่านั้น และต้องระวังข้อกำหนดใบอนุญาต RAIL-M ในการใช้งานเชิงพาณิชย์

ประเด็นสำคัญ

• Drex 1.5 เป็นโมเดลตัดสินใจแบบเปิดขนาด 9B ที่ประมวลผลตัวเลือกได้รวดเร็วใน pass เดียว
• ประสิทธิภาพเทียบชั้นโมเดลแบบปิดอย่าง Jev 1.13.0 บนดัชนี Decision Index 0.3.1
• โดดเด่นด้านการประมวลผลเอกสารขนาดยาว (สูงสุด 128K tokens) ด้วยความแม่นยำ 93.4%
• สามารถรันได้บนฮาร์ดแวร์ทั่วไป เช่น GPU ใบเดียว หรือ Mac (ผ่าน Q8_0 GGUF)
• จุดที่ต้องพัฒนาคือด้านความรู้เชิงลึก (GPQA) และการวิเคราะห์ความรู้สึกที่ละเอียดอ่อน