Drex v2.0 发布：不发散文只下判断的决策模型

AI 模型一定要会写文章才叫智能吗？Nace.AI 用 Drex v2.0 给出了另一种答案：它不聊天，只做判断。

DevTV 的 NEW MODELS 频道在 Drex v2.0 上线 OpenRouter 仅 11 分钟后便将其收录。这个速度本身说明了一件事——决策模型正在成为一个独立品类，而非某个大模型的附属功能。

Drex v2.0 到底做什么

Drex v2.0 是一个小型决策模型。你给它一段 state（上下文），再附上若干带类型的提问，它逐条返回带概率的答案。没有散文，没有需要解析的自然语言。

它支持三种提问类型：

• 是否题：这个 PR 可以自动合并吗？
• 多选题：Agent 下一步该调用哪个工具？
• 评分题：给这张客服工单的紧急程度打分。

OpenRouter 上的定价信息也很有意思：上下文窗口 131K，输入 $0.06 / 1M tokens，输出免费。输出侧之所以免费，是因为它根本不生成 token——模型通过指针头直接对候选答案打分，一次前向传播即可得到校准后的概率分布。

构建者最该关注的是 API 契约：/v1/systemone，与 TypeSafe 的 Jev 完全一致。这意味着为 Jev 写的决策调用代码，几乎不改动就能切到 Drex。

扩散语言模型（Diffusion Language Model, DLM） 是一类借鉴图像生成中扩散机制的文本模型。传统自回归模型逐 token 从左到右生成，而扩散语言模型先把整段序列初始化为噪声，再通过多步去噪还原出文本。这种架构的优势在于可以并行处理整条序列，且天然支持在固定候选集合上做打分——因为模型可以在同一个去噪步骤中同时评估所有选项。NVIDIA 的 Efficient-DLM 系列正是为这类并行、非自回归场景设计的骨干网络。Drex DLM 将决策适配器合并进权重后，模型不再需要生成任何文字，而是直接利用扩散过程输出的隐藏状态对候选答案进行概率评估，这正是其输出侧零 token 成本的根本原因。

指针头（Pointer Head） 是一种常见的神经网络输出层结构，最早在指针生成网络等序列到序列任务中流行。与传统的分类头不同，指针头不预测固定词表上的分布，而是对输入中已经存在的候选位置或候选集合分配概率权重。在决策模型场景下，指针头接收模型对 state 的编码表示，然后直接对调用方提供的若干带类型提问选项逐一打分，输出归一化后的概率。由于候选答案是有限的、预先给定的，模型无需逐 token 解码文本，一次前向传播即可得到全部答案的校准概率分布。这既避免了 JSON 解析的工程负担，也把推理成本压到极低，是决策模型区别于通用大模型的关键工程选择。

为什么决策模型突然成了一个品类

TypeSafe 于 2026 年 9 月 15 日发布 Jev，首次将其定义为"System One"模型，借用了《思考，快与慢》中的概念。它的核心洞察是：Agent 内部大多数 LLM 调用并不是写作任务，而是小型判断——路由请求、批准或拒绝输出、给条目打分、挑选下一个工具。

用前沿大模型做这些事，你既为生成的 token 付费，又要从散文里解析 JSON。付费买来的是没人会读的文字，还额外承担了延迟。

一个月内，多个实验室跟进。Nace.AI 于 9 月 24 日上线 Drex，宣称登顶公开决策指数。Liquid AI 的 d1 在 Hugging Face Decision Index 0.2.1 上拿下 58.9 分，比 Jev 的 57.9 高出一分。写作时的 DevTV NEW MODELS 频道上，Microsoft-Decision-1 已经在排队等待亮相。

多家独立产品在同一时间窗口内涌现，且都采用相近的接口设计，说明"决策"从一个模糊想法变成了一个有共识的工程问题。

System One 与 System Two 的概念来自心理学家 Daniel Kahneman 的著作《思考，快与慢》。System One 指快速、直觉、自动化的认知过程，几乎不消耗注意力；System Two 则是缓慢、审慎、需要工作记忆的推理过程。TypeSafe 借用这对概念来区分 Agent 内部的两种模型调用：需要生成复杂文本、进行多步推理的任务交给前沿大模型（System Two），而路由、审批、打分、选择工具等高频、低复杂度的判断交给专用的 System One 决策模型。这一命名的意义在于，它把"决策"从"生成"中明确剥离出来，为专用小模型划出了一个独立且合理的生态位，也让开发者更容易在架构层面思考哪些调用该走哪条路径。

开源版本 Drex DLM 的技术细节

除托管模型外，Nace 还发布了可自托管版本 Drex DLM：

• 骨干网络：NVIDIA Efficient-DLM-8B，一个扩散语言模型，决策适配器已合并进权重
• 指针头：直接对答案选项打分，而非解码文本，单次前向传播即可得到固定选项上的校准概率
• 运行器：Python 服务端、llama.cpp 分支、Ollama 分支，均暴露 POST /v1/systemone
• Agent skill：让编程 Agent 无需托管 API key 即可调用自托管服务
• 许可：权重采用 CC BY-NC 4.0（非商用），仓库代码为 MIT

需要注意，上述架构细节来自开源 Drex DLM 版本。Nace 尚未说明托管版 v2.0 是否采用完全相同的架构。

如果你打算在商业产品中使用开源权重，务必先确认许可条款。生产环境走 OpenRouter 托管路线更省心。

CC BY-NC 4.0 是 Creative Commons 组织发布的署名—非商业性使用 4.0 国际许可协议。它允许他人在署名原作者的前提下复制、分发、改编作品，但明确禁止将作品用于商业目的。对于模型权重而言，这意味着你可以自由下载、研究、微调 Drex DLM，并在个人项目或学术研究中使用，但不能将其集成到面向客户收费的产品、SaaS 服务或内部商业流程中。相比之下，仓库代码采用的 MIT 许可则非常宽松，允许商业使用、修改和再分发，只需保留版权声明。这种"权重非商用 + 代码商用"的组合在开源模型社区并不少见，其目的是保护模型本身的商业价值，同时降低工程集成的门槛。若要在商业产品中部署，应优先选择 OpenRouter 托管版本或联系 Nace 获取商业授权。

实际适用场景

决策模型的价值不在于通用性，而在于把"判断"从"生成"中剥离出来。几个高价值场景：

• Agent 工具路由："下一步用哪个工具"作为多选题
• 安全护栏：每次回复前做一次"是否安全发送"的判断题
• 批量分诊：对数以千计的数据行打分或分类
• 任何你曾经交给 GPT 或 Claude 处理的 if 语句

输出免费、输入每百万 token 仅几美分，意味着你可以对数据集中的每一行都跑一次决策——这在用前沿模型时完全不现实。

概率输出还自带升级路径：0.97 的置信度可以直接通过，0.55 则可以回退到更大的模型或人工审核。这种分级处理机制在合规和审计场景中尤其有价值。

背后的团队

Nace.AI 是一家位于帕洛阿尔托的创业公司，2026 年 5 月由 Walden Catalyst 领投完成 2150 万美元种子轮。其目标市场是审计、合规和金融——在这些领域，错误答案代价高昂，而置信度评分是刚需。

值得关注的方向

决策模型的兴起反映了 Agent 工程的一个务实转向：不是每个环节都需要一个会写文章的模型。把判断类调用交给专用小模型，既降低成本，又减少延迟，还天然获得了可解释的概率输出。

Drex v2.0 与 Jev 共享 API 契约这一点，可能比模型本身的性能更重要。当一个品类有了统一接口，生态才会真正长起来。

你在 Agent 流程中试过决策模型吗？欢迎分享哪些场景效果好、哪些不行。