Nace AI opublikowała open-sourcowy model Drex 1.5 o rozmiarze 8,95 miliarda parametrów, który fundamentalnie różni się od tradycyjnych dużych modeli języka tym, że nie generuje tekstu, lecz wybiera najlepszą opcję spośród podanych wariantów. Model czyta stan (tekst lub JSON) i pytania o określonym typie, a następnie zwraca probabilistyczne oceny dla każdej z dostępnych opcji w jednym przebiegu forward-pass. Nie ma tu próbkowania tokenów, co oznacza, że parametry takie jak temperatura nie mają zastosowania - model może odpowiedzieć wyłącznie wyborami, które dostarczył użytkownik.
Drex 1.5 osiągnął wynik 58.08 na publicznym benchmarku Decision Index 0.3.1, co plasuje go na pierwszym miejscu wśród modeli poniżej 10 miliardów parametrów, a jego wynik mieści się w marginesie błędu dorównując zamkniętemu modelowi Jev 1.13.0 (57.96). Wagi modelu dostępne są na Hugging Face, a wersja hostowana funkcjonuje na platformie OpenRouter. Model wymaga około 18 GB pamięci (format bf16) i wymaga jednej karty GPU CUDA klasy A10G. Alternatywnie, skompresowana wersja Q8_0 GGUF zajmuje 9,5 GB i może działać na urządzeniach Apple Silicon oraz CPU, co czyni go wszechstronnym narzędziem dla różnych infrastruktur.
Od strony praktycznej, Drex 1.5 wykazuje imponującą dokładność 93,4% na dokumentach o długości od 32K do 128K tokenów, co czyni go idealnym dla scenariuszy wymagających analizy objętych kontekstów. Jednak model ma słabsze wyniki w bardziej subtelnych zadaniach - osiąga zaledwie 7,4% wyniku F1 w analizie sentymentu aspektów ACOS, podczas gdy konkurencyjny Jev uzyskuje tu 29,5%. To sugeruje, że Drex 1.5 zdecydowanie lepiej sprawdza się w scenariuszach decyzyjnych i routingu agentów niż w zadaniach wymagających pełnego rozumienia tonów i niuansów. Dla firm budujących systemy agentów AI i backend-owe workflowy, model stanowi atrakcyjną alternatywę dla zamkniętych rozwiązań - oferuje porównywalną wydajność przy znacznie mniejszych kosztach operacyjnych.