Offene Drex-Modelle von Nace AI liefern Antwortwahrscheinlichkeiten ohne Textgenerierung
Die offenen Entscheidungsmodelle Drex von Nace AI geben Wahrscheinlichkeiten für Optionen aus, ohne Text zu erzeugen. Laut einem Paper erreicht das 27B-Modell Max 67,52 Punkte im Decision Index 0.4.1.
Drex ist eine Familie von vier offenen Entscheidungsmodellen von Nace AI. Statt eine Antwort zu generieren, liefert jedes Modell eine Wahrscheinlichkeit für jede Option, die der Nutzer vorgibt. Laut dem Paper erreicht das größte Modell, 27B Max, in der öffentlichen Suite Decision Index 0.4.1 einen Wert von 67,52, gegenüber 60,70 für Jev 1.14.0. Als Eingabe dient ein Zustand, den das Paper als Dokument, Datensatz oder Kontext eines Agenten beschreibt, optional ergänzt um Bilder. Die Fragen verlangen eine Wahl zwischen Optionen, ein Ja/Nein-Urteil oder einen Wert auf einer geordneten Skala. Da das Modell nur eine Verteilung über feste Optionen erzeugen muss, dekodiert es keinen Text Token für Token. Die Autoren argumentieren, dass damit das Parsen der Ausgabe, Inkonsistenzen, Kosten und Latenz entfallen, die sie im Produktivbetrieb mit langem Chain-of-Thought-Reasoning verbinden.
Die vier Modelle sind 8B (DLM), 9B (v1.5), 35B mit 3B aktiven Parametern (v2.0) und 27B (Max). Das Training kombiniert Supervised Fine-Tuning mit Reinforcement Learning from Adjusted Feedback, im Paper als RLAF abgekürzt. Max erhält zusätzlich ein Vision-Tuning. Bei RLAF werden die Optionswahrscheinlichkeiten eines Lehrermodells anhand der verifizierten Antwort angepasst und dienen dann als Trainingsziele. Laut den Ablationsstudien des Papers bringt RLAF 2,0 Punkte im Decision Index. Ein separater Consistency Loss adressiert eine weitere Schwäche: Werden die Optionen in eine andere Reihenfolge gebracht, kann ein Modell seine Antwort ändern. Laut Paper senkt dieser Loss die Rate solcher Wechsel von 6,3 % auf 4,2 %.
Die Benchmark-Vergleiche sind mit Vorsicht zu lesen. Auf Decision Bench v4 liegt Max laut Paper statistisch gleichauf mit d3-turbo und GPT-6 Sol und 1,6 Punkte hinter Claude Opus 5.5. Der Anspruch auf einen neuen State of the Art gilt nur unter den Entscheidungsmodellen, die das Paper vergleicht; diese Einschränkung macht das Abstract ausdrücklich. Die Zusammenfassung der DAIR.AI Academy weist zudem darauf hin, dass Max etwas zu selbstsicher ist: In vier von fünf Domänen liegt die mittlere Konfidenz 5 bis 9 Punkte über der Genauigkeit.
Laut Paper beantwortet Max eine typische Anfrage in 183 ms. Zum Vergleich: Für GPT-6 Sol werden etwa 2,0 s angegeben, für Claude Opus 5.5 etwa 3,5 s. Diese Latenzwerte beziehen sich auf eine einzelne typische Anfrage, und das Abstract beschreibt weder die Hardware noch das Batching der Messung. Der Vergleich ist daher als Wert pro Anfrage zu verstehen, nicht als allgemeine Aussage zum Durchsatz.
Die Materialien zum Paper sind öffentlich. Laut Abstract sind alle vier Modelle Open Source, und es verweist auf ein GitHub-Repository mit Modellen und Code. Der arXiv-Eintrag weist ein 51-seitiges Paper mit 13 Abbildungen und 25 Tabellen aus, datiert auf den 5. November 2026.
Was sich ändert
Art: Neue Funktion · Betrifft: 8B (DLM), 9B (v1.5), 35B with 3B active (v2.0), 27B (Max)
Warum es wichtig ist
Teams, die Klassifizierungs- oder Routing-Entscheidungen treffen, können kalibrierte Optionswahrscheinlichkeiten in einem einzigen Forward Pass erhalten. Das kann Latenz und Kosten gegenüber der Generierung von Antworten senken.
Was Sie tun können
Testen Sie ein offenes Entscheidungsmodell in Ihren eigenen Workflows mit festen Optionen und vergleichen Sie Latenz und Antwortstabilität mit Ihrem aktuellen Modell.
Wie sich die Meldung entwickelt hat
Ergänzt um Details aus dem Drex-Paper auf arXiv, via DAIR.AI: die vier Modellgrößen, Decision-Index-Werte, Kalibrierung und Latenz pro Anfrage.
Originalquelle
Wo wir es gesehen haben
DAIR.AI (Elvis Saravia), Latent Space
KI hat diese Zusammenfassung aus den genannten Quellen geschrieben und ins Deutsche übersetzt. Niemand hat sie vor der Veröffentlichung einzeln geprüft. Bitte prüfen Sie die Originalquelle, bevor Sie sich darauf verlassen. So funktioniert es