Liten beslutsmodell slår jättarna — och koden är öppen för alla

Inte ännu en språkmodell

När de flesta tänker på AI-modeller idag är det språkmodeller som genererar text som dyker upp i tankarna — ChatGPT, Claude, Gemini. Men Drex 1.5 från Nace AI gör något fundamentalt annorlunda. Istället för att producera fritext läser modellen ett tillstånd och en uppsättning strukturerade frågor, och returnerar sedan sannolikheter för varje svarsalternativ. Det är med andra ord en renodlad beslutsmodell — byggd för att välja, inte skriva.

Det är en distinktion som är värd att stanna upp vid. Mycket av den AI-infrastruktur som byggs i dag handlar om agenter och automatiserade arbetsflöden där ett system måste fatta en serie beslut: vilket nästa steg ska tas, vilket alternativ är mest sannolikt rätt, vilken väg leder till målet? För sådana användningsområden är en renodlad beslutsmodell potentiellt både effektivare och mer förutsägbar än en generell språkmodell som tvingas resonera sig fram till ett svar i löpande text.

Imponerande siffror för sin klass

Enligt MarkTechPost uppnår Drex 1.5 poängen 58,08 på Decision Index 0.3.1 — ett offentligt riktmärke för just den här typen av beslutsuppgifter — med sina 8,95 miljarder parametrar. Det gör modellen till den bäst presterande i sin storleksklass, det vill säga under tio miljarder parametrar.

Särskilt intressant är prestandan på långa dokument. Med 93,4 procents träffsäkerhet på texter mellan 32 000 och 128 000 token klarar Drex 1.5 något som många betydligt större modeller brottas med: att hålla fokus och fatta välgrundade beslut när kontextfönstret är stort. Det är precis den förmåga som krävs när modellen ska läsa ett längre avtal, en teknisk specifikation eller en sammansatt ärendelogg och sedan avgöra vad som ska hända härnäst.

Det finns förstås begränsningar. Nace AI är öppna med att modellen halkar efter på bred faktakunskap och nyanserad känsloanalys. Det är rimliga kompromisser för en modell som är specialiserad — och ärligheten är faktiskt uppfriskande i ett landskap där marknadsföring ofta överskuggar teknisk transparens.

Tillgängligheten är nyckeln

Det som verkligen gör Drex 1.5 intressant ur ett systemperspektiv är hur låg tröskel Nace AI har lagt för att faktiskt använda modellen. Den kan köras på ett enda grafikkort med 24 GB minne — vilket är helt görbart för en välutrustad utvecklingsdator — eller via en komprimerad variant på Apple Silicon. Vill man inte hantera egen hårdvara finns en molnbaserad version tillgänglig via tjänsten OpenRouter till låg kostnad.

Det här är inte en modell som kräver ett datacenter. Det är en modell som en liten startup, en forskningsgrupp eller en enskild systemutvecklare faktiskt kan sätta i produktion utan att ansöka om tillstånd, skriva ett affärsavtal eller lämna ifrån sig sin data till en extern aktör.

Källkoden och modellvikterna finns tillgängliga via Hugging Face, vilket innebär att vem som helst kan granska, anpassa och bygga vidare — precis som öppen programvara har fungerat i decennier.

Storlek är inte allt

Den bredare lärdomen från Drex 1.5 är en som AI-fältet behöver påminna sig om med jämna mellanrum: specialisering slår generalitet när problemet är väldefinierat. En modell tränad och optimerad för ett specifikt syfte kan utan vidare konkurrera med ett generellt system som är tio gånger större — och dessutom göra det till en bråkdel av kostnaden.

Det är samma insikt som driver framväxten av så kallade små språkmodeller och uppgiftsspecifika system inom allt från kodgranskning till medicinsk bildanalys. Trenden pekar mot ett ekosystem där en handfull stora, generella modeller samexisterar med ett stort antal smala, effektiva specialistmodeller. Drex 1.5 är ett välkommet tillskott till den kategorin — och det faktum att det sker i öppen källkod gör det ännu mer värdefullt.