AI 在生产线上干的活，大半不是写，是选

线上跑的 AI，大部分时间不在写东西。

工单该派给哪个组，agent 下一步点哪个按钮，这段材料能不能回答用户的问题，全是选择题。现在的通行做法是让大模型想一遍，再从输出里把答案解析出来。慢，贵，同一个输入问两次答案还不一样。

Nace AI 发布的 Drex Technical Report 讲了另一条路：给一段上下文、一个问题、一组选项，模型一次前向传播，返回每个选项的概率。它不生成文本，也不会在你给的选项之外作答。

决策模型到底怎么训练、怎么表现，这是头几份讲得比较透的报告。

Nace AI 发布 Drex Technical Report

四个模型，一套配方

Drex 是一个家族，四个开源模型：

Max 是旗舰，基于 Qwen3.8-27B，双向注意力，线性 readout head 接在选项编码上。另外三个是指针模型，输入只编码一次，用一个小 pointer head 对每个问题的选项打分。

训练分三层。SFT 打底，用标注数据和教师生成的数据建立决策能力。RLAF 在 SFT 之上做强化，用验证过的答案调整反馈，加 KL 正则约束，不让模型跑离监督模型太远。Max 再加一层视觉微调，直接读图。

RLAF 是报告里最值得看的部分。X 上有用户指出，它的关键是用验证答案调整教师模型给出的概率，不用 one-hot 标签。概率分布才是决策模型的产品，one-hot 把这件事压扁了。论文的消融实验说 RLAF 比单独 SFT 多拿 2 个 index 点。

Decision Index 0.4.1 上，Drex Max 公开套件 67.52，加私有测试的全量分 66.60。Jev 1.14.0 是 60.70 和 60.24。私有测试加进来只掉不到一个点，泛化还行。

Decision Index 0.4.1 分数

分领域看，Max 在 Knowledge、Language、Retrieval、Tools、Arts 五个域里拿了四个第一，Arts 输给自家 v2.0 0.5 分，Knowledge 和 Jev 打平。

分领域得分

独立跑的 Artificial Analysis Decision Index 上，Max 拿 64，和三个领先决策模型差两个点以内。

Decision Bench v4 上，带原始图像输入，Max 的准确率是 94.0%，和 d3-turbo、GPT-6 Sol 统计上打平，比 Claude Opus 5.5 低 1.6 个点。延迟 183 毫秒。GPT-6 Sol 大约 2 秒，Opus 3.5 秒。

其他决策 benchmark

其他几个 benchmark：DecideBench 上它是决策模型里最准的，JevBench-231 上接近头部，OSWorld-Verified 上 AUROC 0.780，是唯一明显超过 transcript 长度启发式的模型。

决策模型返回概率，概率得校准过才有意义。报告给的数据是，Max 至少有 93% 把握的时候，实际正确率 97%。

校准曲线

选项顺序也做了稳定性处理。随机重排选项，只有 4.3% 的答案会变，准确率基本不动。一致性损失在训练阶段把翻转率从 6.3% 压到 4.2%。翻转的那些，多数是模型本来就标了不确定的题。

图像这块有个对比挺说明问题：纯图题，给文本描述，Max 答对 63%；给原图，98%。它读原图，不读别人转述的内容。

架构图

报告自己列了局限，第一条是 closed-book knowledge。决策模型的知识面取决于训练数据，它没有检索，问到训练集外的事实容易翻车。

社区里还有两个问题没完全回答。X 上有用户问，选项本身给得不对的时候，Drex 是会说“这些都不对”，还是硬挑一个最接近的。另一个问 RLAF 之后的校准，和纯 SFT 比是变好还是变差。

Drex Max 1.1 和 Drex for Finance 是闭源的，面向企业。开源的四个模型权重和推理代码在 GitHub 和 Hugging Face 上，Max 通过 API 提供服务。