Nace AI가 자사의 가장 강력한 결정 모델 Drex Max v1의 공개 가중치를 내놓아, 개발자가 라우팅·분류·정책 점검을 자기 컴퓨터에서 처리할 수 있게 됐다. 공개물은 BF16 가중치, Q8_0 GGUF 파일, Apple 실리콘용 affine Q4 체크포인트, llama.cpp와 Ollama의 포크다. 라이선스는 Nace.AI Open RAIL-M이다.1,2
Q8_0 GGUF는 메모리 48GB가 필요하고, affine Q4 체크포인트는 24GB 이상 Mac에서 Kapitsa나 MLX로 실행한다. 파일 크기는 affine Q4가 14.45GB, Q8_0 GGUF가 27.25GB다. llama.cpp와 Ollama 포크는 Apple Metal과 CPU에서 돌아간다. GPU 환경에서는 Python으로 H100에서 BF16(약 49GB)을, L40S 48GB에서 8비트(약 26GB)를 돌릴 수 있다. 다만 Mac과 CPU 경로는 지금 텍스트 입력만 받는다. 이미지는 Python 실행에서만 지원한다.1,2,3
문장을 만들지 않고 확률을 낸다
Drex Max는 주어진 맥락에 대한 질문에 답하는 모델이다. 텍스트, JSON, 이미지로 된 상태와 이름 붙은 질문을 넣으면, 한 번의 순전파로 모든 선택지의 확률을 돌려준다. 문장은 생성하지 않는다. 질문은 이름 있는 선택지 중 고르기, 예/아니오, 순서형 점수 세 가지다. 에이전트 라우팅, 티켓 분류, 가드레일 점검에 맞는 구조다.
모델 카드에 따르면 매개변수 27B의 밀집 구조에 64개 층이다. 48개는 왼쪽에서 오른쪽으로 읽는 Gated DeltaNet 선형 어텐션 층이고, 네 번째 층마다 놓인 16개는 모든 토큰이 전체 시퀀스를 보는 비인과적 풀 어텐션 층이다. 마지막 은닉 상태는 255-way 판독 헤드가 선택지 확률로 바꾼다. 컨텍스트 창은 262,144 토큰이고 기본값은 16,384이며, 질문 하나에 선택지를 최대 255개 둘 수 있다.1
성능은 회사 측정치
아래 수치는 모두 Nace AI가 직접 밝힌 것이다. 공개 Decision Index 0.4에서 Drex Max v1은 67.52점이다. 비교 대상인 Drex v2.0의 61.25점은 v0.3.1 기준이며, Nace는 0.4가 0.3.1과 같은 공개 스위트를 쓴다고 밝혔다. 차이는 6.27점이다. 비공개 호스팅 모델인 Jev 1.13.0은 57.96점이다. 영역별로는 도구 81.9, 언어 72.2, 검색 68.8, 지식·추론 57.1, 예술 53.4다. 11개 벤치마크 12,210행으로 본 공개 비전 지수는 73.92이고, InfographicVQA 기술 점수는 97.3이다. Artificial Analysis Decision Index는 64점으로, Nace는 18개 중 4위라고 밝혔다. JevBench는 92.2%(213/231), Decision Bench v4는 94.30%(1010/1071)다. 결과 데이터셋은 140,620건의 요청을 담았고 답하지 못한 요청은 오답으로 센다.1
| 항목 | Drex Max v1 | Drex v2.0 | Drex v1.5 | Jev 1.13.0 |
|---|---|---|---|---|
| 매개변수 | 27B 밀집 | 35B MoE, 활성 약 3B | 9B | 미공개 |
| 최대 컨텍스트 | 262,144 | 131,072 | 131,072 | 미공개 |
| 입력 | 텍스트·JSON·이미지 | 텍스트 | 텍스트 | 미공개 |
| 가중치 | 공개(Open RAIL-M) | 공개(Open RAIL-M) | 공개(Open RAIL-M) | 비공개, 호스팅 |
| 공개 Decision Index | 67.52 (v0.4) | 61.25 (v0.3.1) | 58.08 (v0.3.1) | 57.96 |
| JevBench | 92.2% | 85.7% | 미공개 | 86.6% |
| AA Decision Index | 64 | 58 | 미등재 | 58 |
| 호스팅 가격 | 1,000건당 0.03달러(출시 기념) | 1,000건당 0.06달러 | 1,000건당 0.04달러 | 100만 작업당 42달러 |
Drex v2.0은 vision tower를 뺀 텍스트 전용 모델이다. 로컬에서 쓸 수 있는 가장 작은 파일은 Drex Max가 24GB 이상 Mac용 affine Q4, Drex v2.0이 36.9GB의 Q8_0, Drex v1.5가 약 9.5GB의 Q8_0이다.1
실행 방법과 양자화 결과
Nace는 다섯 가지 실행 환경을 문서화했고, 모두 같은 POST /v1/systemone API를 제공한다. Python, llama.cpp 포크, Ollama 포크, Kapitsa(v0.2.25 이상), MLX다. Kapitsa는 Homebrew로 설치하고 Hugging Face CLI로 파일을 받아 서버를 띄운다. 48GB Mac에서 Q8_0을 쓸 때는 --context 2048을 권장한다. Ollama는 Modelfile에 CAPABILITY decision 줄이 필요하고, num_gpu 40이면 40개 층을 Metal로 올리며 0이면 CPU에서 돈다.1,2
양자화에 따른 차이는 Nace의 테스트로 제시됐다. 48GB Apple M5 Pro에서 Q8_0 GGUF는 H100 BF16 결과와 모든 확률에서 0.02 이내로 일치했다. affine Q4는 2026년 10월 30일 같은 기기(macOS 26.5.2)에서 컨텍스트 2,048로 측정했다. Q8_0 기록과 비교한 21개 확률 필드의 최대 차이는 0.0329였고 선택이 뒤집힌 경우는 없었다. 같은 affine Q4 바이트를 MLX로 실행했을 때도 같은 필드에서 최대 0.0356 차이였고 선택은 뒤집히지 않았다. llama.cpp Q4_K_M 빌드는 affine Q4 Hugging Face 저장소에 포함되지 않는다.2,3
근거로 쓴 MarkTechPost 기사는 Nace AI의 후원을 받아 쓴 글이다. 성능 수치는 모두 회사 자체 측정이어서 독립 검증이 필요하다.1
출처
- Nace AI Open-Sources Drex Max v1: A 27B Decision Model That Runs Locally on Apple Silicon marktechpost.com
- nace-ai/drex-max-v1-Q8_0 · Hugging Face huggingface.co
- nace-ai/drex-max-v1-affine-q4 · Hugging Face huggingface.co