Nace AI pone en código abierto Drex Max v1, un modelo de decisión de 27B que funciona en tu propio Mac

Qué se puede hacer con él

• Una empresa podría ejecutar llamadas de enrutamiento, clasificación y verificación de políticas de forma local en Macs con Apple Silicon para mantener datos sensibles fuera de internet y evitar tarifas por llamada a APIs en la nube ¹.
• Un desarrollador podría integrar el modelo en aplicaciones mediante una API común POST /v1/systemone para tareas de decisión rápidas, como triaje de tickets de soporte o aplicación de reglas de guard rail ¹.
• Un equipo de contabilidad empresarial podría automatizar operaciones de back-office y front-office de punta a punta usando los modelos especializados de Nace a una décima parte del costo de los grandes modelos de lenguaje ³.

Qué hace realmente Drex Max

Drex Max es un modelo denso de 27 mil millones de parámetros con una ventana de contexto de 262.144 tokens, aunque por defecto usa 16.384 tokens por solicitud ¹. A diferencia de un chatbot, no genera palabras. Le envías un estado —texto, JSON o imágenes— junto con preguntas con nombre, y devuelve una probabilidad para cada opción en una sola pasada hacia adelante . Las preguntas vienen en tres variantes: opción múltiple entre opciones con nombre, sí o no, y una puntuación ordinal .

Ese diseño hace que el modelo sea útil para tareas donde un agente o una aplicación debe decidir a dónde va una solicitud接下来, clasificar un ticket de soporte o aplicar una regla de guard rail. La compañía dice que la versión alojada ya impulsaba enrutamiento, clasificación y verificaciones de políticas para sus clientes ¹. Ahora los desarrolladores pueden ejecutar la misma lógica en sus propias máquinas .

Arquitectura y tiempos de ejecución locales

El modelo usa una arquitectura mixta: 64 capas en total, con 48 capas de atención lineal Gated DeltaNet que procesan los tokens de izquierda a derecha, y 16 capas de atención completa colocadas cada cuatro pasos, que son no causales, lo que significa que cada token puede ver toda la secuencia ¹. Una torre de visión nativa convierte las imágenes para que cada pregunta en una solicitud pueda hacer referencia a ellas . La capa de salida es una cabeza de lectura de 255 vías que convierte el estado oculto final en probabilidades de opciones .

Nace publicó pesos bf16, un checkpoint GGUF Q8_0, un checkpoint affine Q4, y versiones modificadas de llama.cpp y Ollama para que los usuarios puedan servir el modelo a través de una API común POST /v1/systemone ¹. Affine Q4 funciona en Macs con Apple Silicon de 24 GB de memoria o más; Q8_0 GGUF requiere 48 GB . Los usuarios de GPU NVIDIA pueden ejecutar la versión bf16 en un H100 o la versión de 8 bits en un L40S con 48 GB de VRAM . La inferencia por CPU está disponible a través de las versiones modificadas de llama.cpp y Ollama .

Rendimiento que supera a versiones anteriores

En el benchmark público Decision Index 0.4, Drex Max v1 obtuvo 67,52, dejando atrás al Drex v2.0 anterior por 6,27 puntos (61,25) y a Jev 1.13.0 por 9,56 puntos (57,96) ¹. Todas las cifras fueron autoinformadas por Nace AI . El modelo también alcanzó 97,3 en InfographicVQA y 81,9 en la categoría de herramientas de su desglose de habilidades por área . En el propio Decision Index de Artificial Analysis, el modelo se ubicó en el 4.° lugar de entre 18 modelos probados con una puntuación de 64 . En JevBench logró 92,2 %, y en Decision Bench v4 alcanzó 94,30 % .

En las pruebas de Nace, las cuantizaciones se comportaron de forma fiable. En un M5 Pro de 48 GB, la versión bf16 del H100 y el modelo Q8_0 GGUF lograron una coincidencia de precisión dentro de 0,02 de probabilidad, mientras que la variante affine Q4 se mantuvo dentro de 0,0329 respecto a Q8_0 y no produjo cambios de elección. Las ejecuciones locales en Mac y CPU son solo texto por ahora; el soporte de imágenes requiere el runtime Python de GPU ¹.

Precios y disponibilidad

Los pesos son abiertos bajo la licencia Nace.AI Open RAIL-M y están disponibles en Hugging Face ¹². Al lanzamiento, el precio de la API alojada es de 0,03 USD por cada 1.000 decisiones, bajando de 0,06 USD para Drex v2.0 y 0,04 USD para Drex v1.5 . La API alojada para Jev cuesta 42 USD por cada 1 millón de tareas . Para desarrolladores que desean autoalojar en Apple Silicon, el checkpoint más pequeño es el affine Q4 de 14,45 GB . El modelo está mejor orientado a equipos que ya ejecutan cargas de trabajo en Macs o prefieren mantener la lógica de decisión en sus propias instalaciones .

Los datos clave

• Drex Max v1 es un modelo de decisión denso de 27B con ventana de 262.144 tokens, publicado como código abierto por Nace AI bajo RAIL-M
• Obtiene 67,52 en Decision Index 0.4, superando a Drex v2.0 (61,25) y Jev 1.13.0 (57,96)
• Affine Q4 funciona en Macs con Apple Silicon de 24 GB o más; Q8_0 GGUF requiere 48 GB; las GPU NVIDIA admiten variantes bf16 y de 8 bits
• Q8_0 en un M5 Pro iguala al H100 bf16 dentro de 0,02 de probabilidad; affine Q4 se mantiene dentro de 0,0329 sin cambios de elección
• El precio de lanzamiento alojado es de 0,03 USD por cada 1.000 decisiones, la mitad del costo de Drex v2.0

Fuentes

1. Nace AI Open-Sources Drex Max v1: A 27B Decision Model That Runs Locally on Apple Silicon — marktechpost.com
2. nace-ai/drex-max-v1 · Hugging Face — aicampaign.live
3. Nace.AI: Small models for professional work