Drex Max v1, el modelo de Nace AI que puntúa todas las opciones de una vez

La mayoría de las herramientas de inteligencia artificial responde a una pregunta escribiendo un párrafo. Drex Max v1 hace algo más discreto y, para mucho trabajo real, más útil. Presentado el 1 de noviembre de 2026 con pesos abiertos y recogido por MarkTechPost, el nuevo modelo de Nace AI examina un conjunto de opciones y devuelve una probabilidad para cada una de ellas, en una sola pasada y sin generar texto. Nada de explicaciones largas primero. Nada de cadenas de frases que haya que interpretar. Solo números claros que se pueden ordenar, comparar y usar para decidir.

Suena a un detalle menor de diseño. En la práctica cambia el trabajo que el modelo puede hacer. Piensa en una coordinadora de una clínica que ordena derivaciones, en un responsable de compras que clasifica proveedores o en un equipo pequeño que decide cuál de doce ideas de producto merece el siguiente ciclo de trabajo. No son tareas de redacción. Son tareas de decisión, y necesitan una puntuación fiable, no un relato. Drex Max v1 se construyó justo para ese hueco, como un modelo denso de 27.000 millones de parámetros.

Un modelo de decisiones, no un chatbot

La palabra denso importa aquí. Cada parámetro participa en el trabajo de cada decisión, en lugar de repartir la carga entre un conjunto mayor que se activa por partes. Nace AI plantea el tamaño de 27.000 millones como un equilibrio deliberado. Es lo bastante grande para captar matices, lo bastante pequeño para funcionar en local y lo bastante centrado para que su salida tenga la forma que los equipos necesitan de verdad: una probabilidad para cada opción sobre la mesa.

La ventana de contexto subraya esa ambición. Con 262.144 tokens, el modelo puede recibir documentos largos, listas completas de opciones, notas de apoyo y material de fondo en una sola ejecución. Un equipo de compras podría introducir ofertas, condiciones de entrega y notas de rendimiento anterior a la vez. Un investigador podría entregarle un montón de resúmenes y preguntar qué líneas de trabajo parecen más prometedoras. La ventana evita los recortes incómodos y los resúmenes forzados que pueden perder justo el detalle que cambia una elección.

También hay una honestidad práctica en devolver probabilidades. Una probabilidad admite incertidumbre. Si dos opciones puntúan 0,51 y 0,49, el modelo te está diciendo que la decisión está muy igualada y que una persona debería mirar con más calma. Si una opción puntúa 0,92, puedes avanzar más rápido. Esa señal ayuda a fijar umbrales, a enviar los casos ajustados a revisión y a guardar un registro claro de por qué una decisión salió como salió. En esta misma línea de avances aplicados, también contamos cómo SynDexy entrega sus primeros robots humanoides C1 a fábricas de precisión, otro ejemplo de tecnología pensada para trabajar, no para lucirse.

Puntuaciones que superan a su antecesor

Nace AI comunica una puntuación de 67,52 en el Decision Index 0.4 para Drex Max v1, lo que lo sitúa 6,27 puntos por delante de Drex v2.0. Esa diferencia importa porque la comparación es con el modelo de decisiones anterior de la propia compañía, no con un chatbot generalista forzado a hacer este trabajo. Sugiere que las mejoras vinieron de un trabajo centrado en la calidad de la decisión misma, y no de añadir más brillo en la generación de texto.

Las cifras de apoyo completan el retrato. En InfographicVQA el modelo logró 97,3, un resultado que apunta a una lectura sólida de gráficos, diagramas y diseños visuales, el tipo de material que a menudo contiene los datos decisivos de un informe. En Tools logró 81,9. Para los equipos que quieren un paso de decisión dentro de un flujo de trabajo más amplio, esa puntuación sugiere un modelo que puede convivir con otro software en lugar de funcionar como una caja cerrada.

Pensado para funcionar donde ya están tus datos

La publicación es de pesos abiertos bajo la licencia Open RAIL-M, y la parte local es inusualmente concreta. Drex Max v1 funciona en local en ordenadores Mac con Apple Silicon de consumo y en tarjetas gráficas de NVIDIA. Para una empresa pequeña, eso significa que las listas sensibles de opciones, las hojas de precios o las evaluaciones internas no tienen que salir del edificio para recibir una puntuación. Para un desarrollador independiente, significa que los experimentos pueden empezar en su mesa, no en un servidor alquilado.

La variedad de formatos ayuda a que esa promesa local se cumpla. El modelo llega en bf16, en Q8_0 GGUF y en formatos affine Q4. Dicho en claro, los equipos pueden elegir la versión que encaja con su hardware y sus necesidades de precisión, cediendo un poco de exactitud a cambio de un tamaño mucho menor cuando lo necesitan. Esa flexibilidad suele marcar la diferencia entre un modelo que la gente descarga una vez y un modelo que la gente sigue usando.

Las herramientas siguen la misma línea práctica. Nace AI ofrece versiones adaptadas de llama.cpp y Ollama para el modelo, así que el camino entre la descarga y la primera decisión es corto. Quien haya peleado alguna vez para poner en marcha un modelo prometedor en local sabe cuánto importa eso. Unas buenas herramientas no son glamurosas, pero deciden si una novedad se convierte en un hábito diario o en una carpeta olvidada.

Dónde puede ayudar primero

Los primeros beneficios llegarán probablemente a los lugares donde las elecciones se repiten y los registros importan. Equipos de selección que revisan candidaturas estructuradas, responsables de soporte que asignan incidencias según la vía de resolución más probable, jefes de operaciones que ordenan trabajos de mantenimiento y analistas que puntúan qué contactos merecen una llamada esta semana comparten la misma forma. Tienen más opciones que tiempo y necesitan una primera clasificación coherente.

La educación y la investigación ofrecen otro encaje natural. Una plataforma de tutorías podría puntuar qué explicación conviene a continuación a cada estudiante. Un laboratorio podría ordenar experimentos candidatos antes de gastar un tiempo escaso de banco de pruebas. En cada caso, la persona sigue al mando. El modelo solo hace que la primera ordenación sea más rápida, más clara y más fácil de revisar cuando llega información nueva. También hay un ángulo de presupuesto. Usar en local un modelo centrado de 27.000 millones para tareas de puntuación puede ahorrar a los equipos el envío de cada pequeña decisión a un modelo alojado mucho mayor. Los pequeños ahorros por llamada se acumulan rápido cuando un flujo hace miles de llamadas al día.

Un progreso más tranquilo y más útil

Lo que más destaca de Drex Max v1 es la contención. No intenta seducirte conversando. Toma un problema definido, demasiadas opciones y poca claridad, y lo responde con un número para cada opción, en una sola pasada, en un hardware que mucha gente ya tiene. Esa claridad no servirá para todas las tareas, y no pretende hacerlo. Escribir, idear y explorar sin rumbo siguen siendo terreno de los modelos generativos.

Pero una parte creciente del valor de la IA en el trabajo diario tiene este aspecto: puntuación, ordenación y priorización discretas entre bastidores. Los modelos que hacen bien ese trabajo, de forma abierta y en local, dan a los equipos más control sobre el coste, la privacidad y el ritmo. A la vista de su ventaja en el Decision Index, su amplia ventana y su buen resultado en preguntas visuales, Drex Max v1 presenta argumentos serios para ocupar un lugar en esa caja de herramientas. Descárgalo, pasa por él una lista real de opciones de tu propio trabajo y comprueba si las probabilidades coinciden con tu criterio. Esa prueba sencilla te dirá más que cualquier nota de lanzamiento.

También publicado en: