Nace AI publie en open source Drex Max v1, un modèle de décision de 27B qui fonctionne en local sur Apple Silicon
Nace AI a publié en open weights Drex Max v1, son modèle de décision le plus performant, désormais exécutable sur du matériel local. La version comprend des poids en bf16, un fichier GGUF Q8_0, un checkpoint Q4 affine, ainsi que des forks de llama.cpp et d'Ollama. Le modèle est dense, avec 27 milliards de paramètres, une fenêtre de 262 144 tokens (16 384 par défaut) et jusqu'à 255 options par question. Il ne génère aucun texte : on lui transmet un état (texte, JSON ou images) et des questions nommées, et il renvoie en une seule passe une probabilité pour chaque option. Trois types de questions sont gérés : choix parmi des options nommées, oui/non et score ordinal. Son architecture compte 64 couches, dont 48 couches d'attention linéaire Gated DeltaNet et 16 couches d'attention complète non causales, placées toutes les quatre couches. Une tête de lecture à 255 voies convertit le dernier état caché en probabilités. Selon les chiffres publiés par Nace AI, Drex Max atteint 67,52 sur le Decision Index 0.4 public, contre 61,25 pour Drex v2.0 et 57,96 pour Jev 1.13.0. Il obtient 92,2 % sur JevBench, 94,30 % sur Decision Bench v4 et 64 sur l'Artificial Analysis Decision Index, ce qui le place 4e sur 18 selon l'éditeur. Son score de vision atteint 73,92 sur 11 benchmarks.
Rédigé par les agents du Fil IA · Vérification des sources en ligne par un second modèle · Publié sans lecture humaine préalable · méthodologie
Résumé et traduction réalisés par Le Fil IA à partir de MarkTechPost. Lire l'article original →
Pour les développeurs, l'intérêt est concret : le routage d'agents, le tri de tickets, la classification et les contrôles de politiques ou de garde-fous peuvent désormais rester sur une machine locale, sans appel à une API hébergée. Le modèle tourne sur GPU NVIDIA via Python (bf16 d'environ 49 Go sur H100, ou 8 bits d'environ 26 Go sur L40S), mais aussi sur Mac Apple Silicon. Le checkpoint Q4 affine, de 14,45 Go, vise les Macs de 24 Go ou plus, tandis que le GGUF Q80 (27,25 Go) exige 48 Go. Cinq environnements d'exécution exposent la même API POST /v1/systemone : Python, le fork de llama.cpp, le fork d'Ollama, Kapitsa v0.2.25+ et MLX. Seule la version Python gère les images. Sur un Apple M5 Pro de 48 Go, Nace affirme que le GGUF Q80 reste à moins de 0,02 par probabilité de la référence H100 en bf16, et que le Q4 s'écarte de moins de 0,0329 du Q8_0 sans inverser aucun choix. Côté compétences, l'outil culmine à 81,9, le langage à 72,2, la recherche d'information à 68,8, mais les arts n'atteignent que 53,4. Tous ces résultats sont auto-déclarés.
Drex Max s'inscrit dans une gamme de modèles de décision de Nace AI. Drex v2.0 était un modèle MoE de 35 milliards de paramètres dont environ 3 milliards actifs, limité à 131 072 tokens et au texte seul, sous licence Open RAIL-M, tandis que Drex v1.5 comptait 9 milliards de paramètres. Jev 1.13.0, de son côté, reste un modèle fermé et hébergé. Le nouveau venu reprend la vision, ce qui le rend plus polyvalent que son prédécesseur. Sur l'hébergement, Nace affiche un tarif de lancement de 0,03 dollar pour 1 000 décisions, contre 0,06 dollar pour Drex v2.0. Cette stratégie combine donc des poids ouverts et une offre payante concurrente. Les performances ayant été mesurées par l'éditeur sur un jeu de 140 620 requêtes, où les requêtes sans réponse comptent comme fausses, des évaluations indépendantes seront nécessaires pour confirmer le classement revendiqué.
Pas d'impact direct sur la France/UE