Drex 1.5 — компактная модель для структурированных решений

Drex 1.5 — модель Nace.AI для структурированных решений. Вместо свободного ответа она получает описание ситуации и один или несколько конкретных вопросов, а затем возвращает вероятность каждого из предложенных вариантов. Такой формат подходит приложениям и ИИ-агентам, которым нужно выбрать категорию, следующий шаг или оценку по заданным критериям.

В модели около 9 млрд параметров. Она доступна через облачный API и для самостоятельного запуска. Её можно подключить к существующим агентам, а при локальном развертывании — обрабатывать данные на собственной инфраструктуре.

Как работает Drex 1.5

На вход подаются состояние и типизированные вопросы

В запросе приложение передаёт контекст — например, текст обращения или сведения о заказе — и описывает, что нужно определить. Drex поддерживает выбор одного из вариантов, ответ «да/нет» и оценку по упорядоченной шкале. Для каждого вопроса модель делает отдельный проход и возвращает вероятности по заданным ответам.

Например, служба поддержки может передать сообщение клиента и попросить выбрать категорию обращения, проверить наличие просьбы о возврате денег и оценить срочность. Drex не придумывает новые категории и не пишет пояснительный абзац: приложение само решает, что делать с полученными оценками.

Модель для выбора, а не для разговора

Drex 1.5 не заменяет универсальный чат-бот. Она рассчитана на задачи классификации, маршрутизации, проверки условий, выбора инструмента и оценки ответа другого агента. Это близко к подходу Jev и Microsoft Decision 1: системе задают допустимые варианты, а результат возвращается в виде оценок, которые можно обработать программно.

Контекст и результаты тестирования

Контекстное окно до 128 тысяч токенов

Максимальный размер контекста Drex 1.5 — 131 072 токена, то есть примерно 128 тысяч. В локальной конфигурации по умолчанию используется окно 16 384 токена; увеличение лимита требует настройки сервера и повышает требования к памяти и времени ответа.

В тесте длинных документов Nace сообщает о точности 89,5% на фрагментах объёмом 8–32 тысячи токенов и 93,4% на фрагментах 32–128 тысяч. Медианная задержка в этих группах составила соответственно 0,65 и 2 секунды. Это результаты, приведённые разработчиком в карточке модели; их стоит перепроверять на документах и вопросах из своей задачи.

Высокий результат среди небольших моделей — с оговорками

В карточке Hugging Face Nace указывает, что Drex 1.5 набрала 58,08 балла в публичной версии Decision Index 0.3.1 — больше других моделей с опубликованным размером менее 10 млрд параметров. У Jev в той же таблице 57,96. Разница невелика: авторы рейтинга относят отрыв до 0,9 балла к зоне статистически близких результатов, поэтому цифры не означают безусловного превосходства Drex.

В JevBench Drex 1.5 набрала 86,2%, а Jev — 87,0%. Это показывает, что итог зависит от набора задач: лидерство в одном сводном рейтинге не означает победы во всех сценариях. Перед использованием модели для маршрутизации или контроля агента проверьте её на собственных примерах.

Облачный API и самостоятельный запуск

Подключение через облако

Drex можно вызывать через API Nace и OpenRouter. На странице модели OpenRouter сейчас указаны цена 0,04 доллара за миллион входных токенов, бесплатные выходные токены и контекстное окно 131 072 токена. Nace также объявляет стартовый бонус 25 долларов для облачных пользователей; проверьте доступность акции и условия при регистрации, поскольку предложение может меняться.

Локальная установка требует подходящей памяти

Полные веса в формате BF16 занимают около 18 ГБ, а вариант Q8_0 — примерно 9,5 ГБ. Указанный в карточке способ запуска через Python требует видеокарту NVIDIA с CUDA. Для Apple Silicon и других сценариев разработчик описывает отдельные ветки llama.cpp и Ollama с поддержкой Drex; обычная сборка Ollama из магазина приложений для этого не подходит. В тестах Nace запускала Q8_0 на Mac с M5 Pro и 48 ГБ объединённой памяти, а сервер — на NVIDIA A10G.

Открытые веса можно скачать с Hugging Face. Веса распространяются по лицензии Nace AI Open RAIL-M с условиями использования; это не лицензия MIT или Apache 2.0. Код среды Kev в репозитории Drex отдельно указан под Apache 2.0.

Интеграция с агентами разработки

Для Claude Code, OpenCode, Cursor, Codex, Hermes Agent, Gemini CLI, GitHub Copilot, OpenClaw, Pi и DeepSeek Harness Nace публикует отдельный навык Drex. Он подключает модель как слой принятия решений: агент может передать ей состояние и варианты следующего действия, а затем использовать полученные вероятности. В релизном сообщении Nace также упоминает Unsloth; текущая инструкция модели подробно описывает Python, собственные ветки llama.cpp и Ollama, поэтому совместимость Unsloth следует сверить с актуальной документацией перед установкой.

Материалы и документация

Где посмотреть веса, API и методику

Исходные веса и инструкция по запуску опубликованы в карточке Drex 1.5 на Hugging Face и в репозитории Nace. Там же приведены таблицы бенчмарков, требования к запуску и условия лицензии. Вариант облачного API представлен в каталоге OpenRouter, а подробности о продукте и сервисе Nace — на странице для разработчиков.