Drex Max v1.1冲榜并公开训练法

Nace.AI 在 11 月 8 日发布 Drex Max v1.1，并宣称这款多模态决策模型登上 Artificial Analysis 决策模型榜首，同时进入成本—性能帕累托前沿。与一次常规的小版本更新同步公开的，还有一篇接近“完整训练手册”的论文《Towards Foundation Decision Models: Drex》，覆盖模型架构、训练数据、RLAF 强化学习、校准方法、推理优化和消融实验。

不过，“榜首”需要打一个星号。截至 2026 年 11 月 8 日，Artificial Analysis 的 Drex Max v1.1 独立页面显示其 Decision Index 得分为 64，在 23 款决策模型中排名第 5，而不是第 1；Nace.AI 当天发布的榜单截图和社区帖子则显示其一度位于决策模型第一名，并进入帕累托前沿。更合理的解释是榜单样本、模型设置或统计版本在发布前后发生了变化，而不是 Drex Max v1.1 稳定地碾压了全部竞争者。(reddit.com)

这不影响 Drex Max v1.1 成为一个值得关注的模型。它真正重要的地方不是“第几名”，而是证明了一类专门负责做选择、不负责写作文的模型，正在成为 AI Agent 基础设施中的独立品类。

决策模型不是缩短回答，而是取消生成

决策模型是接收上下文、问题和候选选项，并直接返回各选项概率分布的模型。

普通大语言模型处理“是否调用搜索工具”时，通常会先生成一段文本，例如“根据用户的问题，我认为应该调用搜索工具”，应用再从文本中解析出 yes 或 no。Drex Max 的路径更短：输入当前对话、可用工具和候选动作，模型在一次前向计算后直接输出类似“搜索 0.82、不搜索 0.18”的概率。

两者的差异不是回答长短，而是计算范式不同。传统大模型需要逐 token 自回归生成，输出还可能夹带解释、Markdown 或格式错误；决策模型不进入解码循环，也不生成自然语言，只对给定候选项打分。

这类模型更像一个通用分类器，但与普通分类器相比，它的标签不是训练时固定的。开发者可以在每次请求中临时提供 2 个、20 个甚至上百个选项，模型最多支持 255 个候选项，并返回一个闭合的概率分布。

这种接口特别适合四类生产任务：

• Agent 工具路由：决定调用搜索、代码执行、数据库还是直接回答。
• 内容审核：在通过、拒绝、升级人工审核之间进行选择。
• 工作流分发：根据邮件、工单或截图，把任务分配到不同队列。
• 质量判断：判断另一个模型的输出是否正确、相关或需要重试。

Drex Max 的价值因此不在于替代聊天模型，而在于替代 Agent 系统里大量脆弱的提示词分类器、规则引擎和文本解析逻辑。

64 分不算碾压，但成本位置很有竞争力

Artificial Analysis Decision Index 是同时考察决策准确性、置信度质量、拒答能力和选项对称性的综合指标。

截至 11 月 8 日，Artificial Analysis 页面记录的 Drex Max v1.1 得分为 64，榜单中位数为 54；单任务耗时为 234 毫秒，慢于 186 毫秒的中位数；每百万任务的平均成本为 23 美元，低于 32 美元的中位数。其标价为每百万输入 token 0.03 美元，但这是临时发布价，标准价格预计翻倍。(artificialanalysis.ai)

| 指标 | Drex Max v1.1 | 榜单中位数 | 判断 | |---|---:|---:|---| | Decision Index | 64 | 54 | 明显领先平均水平 | | 当前排名 | 第 5 / 23 | — | 第一梯队，但当前并非榜首 | | 单任务耗时 | 234 ms | 186 ms | 偏慢 | | 每百万任务成本 | 23 美元 | 32 美元 | 成本较低 | | 输入价格 | 0.03 美元/百万 token | — | 临时发布价格 | | 上下文窗口 | 262K token | — | 长上下文优势明显 | | 输入模态 | 文本、图像 | — | 支持多模态判断 |

Nace.AI 所说的“帕累托前沿”比单纯的榜首更值得看。**帕累托前沿是指在性能和成本两个维度上，找不到另一款模型能够同时做到得分更高且价格更低。**换句话说，Drex Max v1.1 未必绝对最强，但在相近得分下足够便宜，或者在相近价格下足够准确。

这也是专用决策模型最现实的竞争路线。它们在知识密集型任务上仍然打不过前沿聊天模型，但不需要为每次简单判断支付长思维链的成本。论文数据表明，Drex Max 在较早版本 Artificial Analysis 测试中的得分约为 63.7，低于 Claude Opus 5.5 的 79.0；但后者每百万请求成本达到 51295 美元，Drex Max 为 46 美元，两者相差超过 1100 倍。(arxiv.org)

所以，把 Drex Max 描述为“比 Claude 更聪明”显然不准确。更准确的说法是：在答案空间已经明确的任务中，用旗舰聊天模型做每一个选择，往往是一种昂贵的计算浪费。

27B 参数、262K 上下文，Mac 也能跑

Drex Max 是一个基于 Qwen3.8-27B 改造的稠密多模态决策模型。

模型共有 64 层，其中包括 48 层 Gated DeltaNet 线性注意力层和 16 层全注意力层。Nace.AI 移除了全注意力层中的因果遮罩，使这些层可以同时查看问题、上下文和全部候选项，而不是只能从左向右读取。

模型末端增加了一个 255 路 readout head。这个约 130 万参数的无偏置线性层，会把最后一个隐藏状态映射为 255 个 logit，再截取当前候选项对应的部分进行 Softmax。整个过程没有文本生成，也没有逐 token 解码。(arxiv.org)

| 模型 | 参数规模 | 活跃参数 | 输入模态 | 最大上下文 | 输出方式 | |---|---:|---:|---|---:|---| | Drex DLM | 8B | 8B | 文本 | 32K | Pointer head | | Drex v1.5 | 9B | 9B | 文本 | 131K | Pointer head | | Drex v2.0 | 35B MoE | 3B | 文本 | 131K | Pointer head | | Drex Max | 27B Dense | 27B | 文本、图像 | 262K | 255 路 readout head |

Drex Max 的代价是无法像 Drex v1.5 和 v2.0 那样，在多个问题之间复用完整上下文缓存。由于非因果全注意力会让上下文表示受到问题和选项影响，每换一个问题，Drex Max 都需要重新编码上下文。短任务中影响不大，但如果要围绕一份十万 token 文档连续询问几十个问题，较小的 Pointer 模型反而可能更便宜。

本地部署是这次发布的另一个重点。Drex Max v1 的 affine Q4 量化版本可以在内存不少于 24GB 的 Apple Silicon Mac 上运行，Q8_0 GGUF 则需要约 48GB 内存；BF16 权重约占 49GB，8bit 加载约占 26GB。官方的 Kapitsa 推理引擎已经支持通过 kapitsa-systemone 返回每个选项的校准概率。(huggingface.co)

需要注意的是，截至 11 月 8 日，公开的是 Drex Max v1 权重，而不是 v1.1 权重。Nace.AI 表示 v1.1 权重仍在进行本地推理优化，完成后才会发布。因此，开发者目前可以复现 v1 的架构与推理流程，但不能假设本地版本已经包含 v1.1 的全部改进。(reddit.com)

真正有价值的是训练方法被摊开了

RLAF 是一种把可验证答案、推理模型判断和概率校准结合起来的决策模型训练方法。

Nace.AI 公布的训练流程分为三个阶段：全参数监督微调、RLAF 强化学习，以及视觉编码器微调。基础训练集包含 1150460 条文本决策记录，覆盖 11 个领域；数据主要来自更强模型蒸馏、开源数据集和可通过程序或游戏引擎验证的合成任务。

第一阶段并非只用正确选项做普通交叉熵训练。团队还加入了两种一致性损失：一种要求打乱选项顺序后，模型对同一选项的概率保持接近；另一种要求打乱上下文中的句子或字段后，模型判断尽量稳定。

这是决策模型必须面对、聊天模型经常掩盖的问题。假设“批准退款”原本是选项 A，移动到选项 C 后，模型不应该因为字母和位置变化就改变决定。论文的消融实验显示，加入一致性损失后，选项重排导致答案翻转的比例从 6.3% 降至 4.2%，降幅约 33%。(huggingface.co)

第二阶段使用 RLAF，而不是简单地继续灌入 one-hot 正确标签。One-hot 标签的问题在于，它会告诉模型“正确答案概率应该是 100%”，即使问题本身存在歧义，也会把模型训练得过度自信。

Drex Max 的 RLAF 同时使用两类信号：一类是金标准答案、程序执行结果或游戏引擎结果等可验证反馈；另一类是 Qwen3.8-27B 高推理强度模式给出的选项概率。后者并不是更大的教师模型，而是 Drex Max 基础模型的生成式版本，可以先进行较长推理，再给出判断。

训练目标还通过 KL 散度约束，让 RLAF 后的模型不要偏离监督微调检查点太远。这个设计很像给模型同时安排一名裁判和一名教练：裁判告诉它什么结果可以验证，教练告诉它其他选项有多合理，KL 约束则防止模型为了追逐新奖励而完全忘掉原来的判断能力。

消融结果显示，RLAF 把 Decision Index 从 64.9 提升到 66.9，增加 2.0 分；准确率从 86.5% 提升到 88.0%，增加 1.5 个百分点；预期校准误差从 4.4% 降到 3.5%。这组结果不算革命性跃升，却证明 RLAF 改善的不只是答对率，还包括概率是否可信。(arxiv.org)

第三阶段只训练图像编码器及其投影层。结果相当直接：在 Decision Bench 的 60 道纯图像问题中，直接输入图像的准确率达到 98.3%，只输入图像文字描述时为 63.3%，提高 35 个百分点；同时，视觉训练几乎没有损伤文本任务表现。(arxiv.org)

多模态能力不是“会看图聊天”

Drex Max 的多模态能力是从图像证据中完成结构化选择，而不是围绕图片生成描述。

典型场景不是“描述这张截图”，而是把软件界面截图交给模型，再让它从“点击保存”“关闭弹窗”“向下滚动”“请求人工接管”中选择下一步动作。每个问题都能访问请求中的全部图像，视频则通过抽帧转换为多张图片处理。

这种能力对计算机操作 Agent、工业质检、保险理赔和文档审核更有实际意义。一个负责执行动作的 Agent 不需要模型写一篇分析报告，它需要的是一个可用于阈值判断的概率：当“提交订单”概率为 0.98 时可以自动执行，当最高概率只有 0.43 时则转交人工。

概率校准因此比普通准确率更重要。论文在约 11.5 万条留出决策上测得，Drex Max 的原始预期校准误差为 3.61%；重新针对 Decision Index 拟合温度参数后，可降至 1.35%。在置信度最高的 50% 决策中，模型准确率达到 99.3%。(arxiv.org)

这组数据意味着，开发者可以利用置信度建立分层路由：高置信度判断直接执行，中等置信度交给更贵的推理模型，低置信度升级人工。如果概率本身不可信，这套架构就无法成立。

Drex Max 的短板同样明确

Drex Max 擅长在已知选项中做判断，但不适合开放式知识探索和复杂生成任务。

论文显示，Drex Max 在 When2Call 和 WildGuardTest 等工具调用、安全判断任务上表现突出，但在知识密集型评测中仍远落后于前沿聊天模型。其 HLE-MultiChoice 准确率为 16.0%，Claude Opus 5.5 为 70.2%；AA-Omniscience-Decision 准确率为 27.6%，Claude Opus 5.5 为 93.4%。(arxiv.org)

模型对选项顺序也没有做到真正不变。在 1591 道测试题中，随机打乱选项后，Drex Max 有 4.3% 的决策更换了最高概率选项；当候选项达到 6 个或更多时，翻转率升至 13.3%。这比多数同类模型稳定，但距离严格意义上的排列不变仍有明显差距。(arxiv.org)

另一个风险来自 RLAF 的教师信号。论文明确承认，当生成式判断模型非常确信一个错误选项时，其奖励可能覆盖可验证答案的影响；教师模型的偏差也可能被 Drex Max 继承。这是公开方法的好处：团队没有把训练过程包装成毫无副作用的“魔法配方”，而是把未解决的问题也写了出来。

这次发布更像决策模型的“工程定型”

Drex Max v1.1 的意义，是让决策模型从榜单概念逐渐变成可部署、可审计、可本地运行的工程组件。

它没有解决通用智能，也没有在知识能力上追平旗舰模型；当前 Artificial Analysis 页面甚至不支持“稳居第一”的宣传口径。但 262K 上下文、多模态输入、255 个动态选项、本地 Mac 推理、完整权重和训练论文组合在一起，使 Drex 成为目前开放程度最高的决策模型系列之一。

对 Agent 开发者来说，最值得尝试的架构不是让 Drex Max 替换主模型，而是把它放在主模型前后：前置负责工具路由、任务分类和风险判断，后置负责验证输出、选择重试策略和决定是否升级到更强模型。

如果这类模型能够稳定地把一次判断压缩到 200 毫秒级和美分以下，Agent 系统的成本结构会发生变化。未来的 AI 应用未必由一个模型完成所有事情，而更可能由生成模型负责思考和表达、决策模型负责选择和控制、嵌入模型负责检索，三类模型各自处理最擅长的计算。

Drex Max v1.1 还不是这个分工体系的最终答案，但它已经把“专用模型能否接管 Agent 决策层”从概念问题，推进成了一个可以下载权重、复现实验并测量投入产出的问题。

参考来源

• Towards Foundation Decision Models: Drex：Nace.AI 发布的 Drex 论文页面，包含训练方法、评测结论和论文入口。
• Drex Max v1 模型权重：公开的 27B 多模态模型权重、架构说明、量化版本及基准数据。
• Drex Decision Models GitHub 仓库：Drex 系列推理代码、请求格式、运行时和模型文档。
• Kapitsa 推理引擎：面向 Apple Silicon 的本地推理引擎，支持 Drex Max v1 决策输出。
• Nace.AI 的 v1.1 发布帖：团队关于 Drex Max v1.1、榜单表现和权重发布计划的社区说明。