Nace AI a publié les poids ouverts de Drex Max v1, qu’elle présente comme son modèle de décision le plus performant. Il peut désormais tourner sur le matériel de l’utilisateur, y compris sur certains Mac équipés de puces Apple Silicon.
- Nace AI publie en open source les poids de Drex Max v1, son modèle de décision le plus performant.
- Le modèle attribue une probabilité à chaque option d’une question sans rien générer.
- Il peut tourner en local, y compris sur certains Mac Apple Silicon, selon la mémoire disponible.
- Toutes les performances annoncées viennent de l’éditeur, qui sponsorise l’article.
Selon la société, la version publiée comprend des poids en bf16, un fichier au format Q8_0 GGUF, un point de contrôle en Q4 affine, ainsi que des versions adaptées de llama.cpp et d’Ollama. Pour les développeurs, l’intérêt est de pouvoir garder en local des tâches comme le routage, la classification ou la vérification de règles.
Un modèle de décision, et non de génération
Drex Max répond à des questions posées sur un contexte donné : un état fourni sous forme de texte, de JSON ou d’images, accompagné de questions nommées. Il renvoie une probabilité pour chaque option en une seule passe, sans rien générer. Les questions peuvent être à choix parmi des options nommées, binaires (oui ou non) ou à score ordinal.
Nace AI cite notamment le routage d’agents, le tri de tickets et les contrôles de garde-fous. Le modèle compte 27 milliards de paramètres en architecture dense, avec une fenêtre de contexte de 262 144 tokens, soit 16 384 par défaut, et jusqu’à 255 options par question. Les images passent par une tour de vision native, et une tête de lecture à 255 sorties transforme le dernier état caché en probabilités.
Performances annoncées par l’éditeur
Toutes les mesures citées sont données par Nace AI. Sur l’indice public Decision Index 0.4, Drex Max obtient 67,52, contre 61,25 pour Drex v2.0 et 57,96 pour Jev 1.13.0. Le meilleur score mis en avant est de 97,3 sur le benchmark InfographicVQA. Selon la société, le modèle atteint 92,2 % sur JevBench (213 réponses sur 231) et 94,30 % sur Decision Bench v4 (1010 sur 1071). Un classement de l’Artificial Analysis Decision Index le place à 64 points, au quatrième rang sur 18, d’après Nace AI. Les requêtes sans réponse sont comptées comme fausses.
Une exécution locale plus ou moins exigeante
Nace AI documente cinq environnements d’exécution, qui exposent tous la même interface POST /v1/systemone. Avec Python sur GPU NVIDIA, le modèle occupe environ 49 Go en bf16 ou 26 Go en 8 bits, et accepte les images. Sur Mac, la version affine Q4, d’une taille de 14,45 Go, vise les machines d’au moins 24 Go de mémoire, tandis que le GGUF Q8_0 de 27,25 Go demande 48 Go. Les chemins locaux sur Mac et CPU ne prennent pour l’instant que le texte en charge.
Selon les tests de l’entreprise, la quantification conserve une précision proche : sur un Apple M5 Pro de 48 Go, le Q8_0 reste à 0,02 près des résultats obtenus en bf16 sur un H100 pour chaque probabilité, et le Q4 reste à 0,0329 près du Q8_0, sans changement de choix. Les poids sont distribués sous la licence Nace.AI Open RAIL-M. La version hébergée est facturée 0,03 dollar pour 1 000 décisions au lancement, selon la société.
L’article source précise qu’il est sponsorisé par Nace AI.
