先看证据

27B参数 (dense)关键事实
262,144 token上下文窗口关键事实
255个选项/问题关键事实
67.52 Decision Index 0.4关键事实
24 GB+ RAM (affine Q4)关键事实
48 GB+ RAM (Q8_0 GGUF)关键事实

把机制串起来

输入先把素材压到可处理的规模

决策模型（Decision Model）与生成式AI不同，它不自由生成文本，而是为预设问题提供多项选择的概率。这使其非常适合需要确定性输出的场景，例如分类、路由或合规性检查。理解这种非生成式的输出机制，是理解其应用边界的关键。

机制再把计算集中到关键步骤

Drex Max采用混合注意力架构，由48层Gated DeltaNet线性注意力层和16层非因果全注意力层构成，线性注意力用于高效处理长序列，全注意力则保证关键决策点能获取全局上下文。这种设计在保持长上下文窗口的同时，有效控制了计算成本。模型通过原生视觉塔支持多模态输入，最终通过255路readout head将最终隐藏状态直接映射为选项概率，避免生成文本，确保确定性输出。

结果最后落到可验证的工作结果

['Mac 24GB+推荐affine Q4，48GB+选Q8_0 GGUF。', '适用于Agent路由、工单分类、策略检查等。', 'Apple Silicon本地路径目前不支持图像输入。', 'Ollama用户需设置num_gpu 40以卸载层到Metal。']

从云端到本地的决策智能转型

Nace AI 最近宣布开放 Drex Max v1 的模型权重，这是其迄今为止最强大的决策模型，支持在用户本地硬件上运行。与普遍认知的生成式大型语言模型不同，Drex Max v1 的核心能力在于，它不生成自由文本，而是根据输入情境和预定义问题，输出每个候选项的概率。这一发布的核心在于，它将一个 270 亿参数级别的复杂决策逻辑，带到了如 Apple Silicon Mac 这样的消费级硬件上。

这一举措挑战了当前业界默认的假设：即高级人工智能模型必然需要依赖庞大的云端基础设施。对于需要严格数据隐私、超低延迟响应或离线操作能力的场景，本地化部署模型提供了一条全新的路径。Nace AI 明确指出，Drex Max v1 旨在处理路由、分类和策略检查等任务，这类任务的决策结果比生成式回答更为关键且可控，使得本地推理的价值尤为突出。

机制解析：预测而非生成

Drex Max v1 的工作机制不同于常见的文本生成模型。它接收结构化的 `state` 作为输入，这可以是文本、JSON 对象甚至图像，同时接收一组带有命名候选项的问题。模型在一次前向计算中，直接针对每个问题返回所有候选项的概率分布，而不是像聊天机器人那样逐字生成回答。这种“预测而非生成”的范式，使其特别适用于需要确定性分类和评分的场景。

在底层架构上，Drex Max v1 采用了一个 270 亿参数的密集主干网络，包含 64 层。其中，48 层是 Gated DeltaNet 线性注意力层，以从左到右的方式处理信息；另外 16 层是非因果的全注意力层，每隔几层布置，允许每个 token 关注整个序列。对于多模态能力，模型内含一个原生的视觉塔来处理图像输入。最终，一个 255 路的 readout head 将模型的最后一个隐藏状态转换为各选项的概率，最多可支持 255 个选项的评估。

本地部署的硬件门槛与优化

将一个 270 亿参数的模型部署到本地消费级硬件，主要依赖于有效的量化技术和优化的运行时。Nace AI 为 Drex Max v1 提供了多个量化版本和运行时支持，显著降低了部署门槛。对于 Apple Silicon Mac 用户，最低配置要求如下：

| 量化版本 | 内存需求 | 运行时 | 备注 | | :------ | :------- | :----- | :--- | | Affine Q4 | 24 GB+ | MLX, Kapitsa | 支持 M 系列芯片 | | Q8_0 GGUF | 48 GB+ | llama.cpp fork, Ollama fork, Kapitsa | 支持 M 系列芯片 |

这些量化文件（如 affine Q4 仅 14.45 GB）使得模型能在内存相对有限的设备上运行。虽然默认上下文窗口为 16,384 token，但模型支持配置高达 262,144 token 的上下文，这要求用户根据实际内存和性能权衡进行调整。例如，在 48 GB 内存的 Mac 上，Nace AI 建议 Kapitsa 用户将上下文设置为 2048。

性能评估：自报告基准的考量

Nace AI 公布了 Drex Max v1 在多个基准测试中的表现，以佐证其“最强决策模型”的定位。这些数据虽然由发布方自报，但提供了模型能力范围的初步参考：

- **Decision Index 0.4 (文本任务):** 67.52 分，领先 Drex v2.0 (61.25)。细分领域分数包括工具使用 (81.9)、语言 (72.2)、检索 (68.8)、知识与推理 (57.1) 和艺术 (53.4)。 - **Public Vision Index (视觉任务):** 73.92 分，覆盖 11 个基准。 - **其他测试:** JevBench 92.2% (213/231), Decision Bench v4 94.30% (1010/1071)。

尤其值得关注的是，Nace AI 报告称在 Apple M5 Pro (48 GB) 上运行 Q8_0 GGUF 版本的 Drex Max v1，其结果与 NVIDIA H100 (bf16) 的概率输出差异不超过 0.02。这一数据表明，经过优化和量化后，模型在消费级硬件上的性能损失可能远低于预期，但需注意这仅是发布方在特定测试条件下的报告，不构成普遍性的第三方验证结论。技术负责人应将这些数据视为起点，而非终点，鼓励在实际场景中进行独立复现和验证。

实际应用：从分类到智能分流

Drex Max v1 的“预测而非生成”特性，使其在多种企业级应用场景中展现出独特价值，尤其是在那些对决策准确性、速度和数据隐私有高要求的领域。对于技术负责人而言，可以将其视为一个强大的本地智能引擎，用于优化内部流程和提升用户体验。

具体而言，它非常适合作为智能分流系统（如客户服务工单自动分类、内部请求路由）、内容审核的初步策略校验（Guardrail checks），或更复杂的工具选择和任务分配。由于模型在本地运行，敏感数据无需上传至云端，从而极大增强了隐私保护。同时，本地推理消除了网络延迟，使得实时决策成为可能，这对于需要即时反馈的交互式应用至关重要。这意味着企业可以在不牺牲性能和隐私的前提下，构建更高效、更智能的自动化决策系统。

边界与局限：权衡、许可与未尽之争

尽管 Drex Max v1 的本地化部署能力令人印象深刻，但技术负责人仍需了解其边界和局限。首先，Drex Max v1 是一款决策模型，而非通用生成式模型。它在给定选项中做选择和概率预测的效率极高，但无法像 ChatGPT 那样进行开放式创作或复杂对话。其次，尽管模型整体支持图像输入，但当前的 Apple Silicon 本地运行路径（Q4/Q8_0）并不支持图像处理，这意味着在 Mac 上实现多模态决策仍需结合其他方案。

在许可方面，Nace AI 采用了“Nace.AI Open RAIL-M”许可，MarkTechPost 也明确指出发布的是“开放权重”。这与宽松的开源许可（如 Apache 2.0）有所不同，通常意味着存在特定的使用限制，例如对商业用途或下游修改的条款。在实际部署前，务必仔细查阅 Drex Max 仓库中提供的完整许可文件。此外，材料中存在的发布日期冲突（MarkTechPost 标示 2026 年 11 月 1 日，Nace AI 官方项目页和模型卡标示 10 月中旬），以及 27B 参数的精确性（存在 26B 的标注），虽不影响核心功能，但反映出信息披露上的细微不一致。