长思维链一类自回归做法,因为在很宽的任务面上准确率更高,几乎成了新应用的默认路径。生产环境里约束不同:答案不稳定、输出还要解析、成本和延迟一起上升。决策模型针对这一接口——给定问题和用户提供的一组选项,模型不做自回归解码,直接返回选项上的概率分布。Drex 是四个开源决策模型,分别是 8B 的 DLM、9B 的 v1.5、总参 35B 且激活 3B 的 v2.0,以及 27B 的 Max。请求里的状态可以是文档、记录或智能体上下文,并可附带图像。

怎么训、消融说了什么

问题类型有三种:在选项中选择、做是否判断,或在有序量表上打分。训练把监督微调与 RLAF 合在一起,RLAF 全称是 reinforcement learning from adjusted feedback;Max 额外做了视觉调优。作者给出的消融结论只有两条:RLAF 提高准确率,一致性损失提高对选项顺序的鲁棒性。摘要没有报告数据量、反馈如何调整,以及一致性损失的具体形式,训练配方只能读到这个粒度。

基准和延迟,按摘要原数

在 Decision Index 0.4.1 上,Max 在作者比较过的决策模型中刷新了公开套件成绩,为 67.52,Jev 1.14.0 是 60.70。在 Decision Bench v4 上,Max 与 d3-turbo、GPT-6 Sol 在统计意义上持平,落后 Claude Opus 5.5 约 1.6 分;在 DecideBench 上,它是决策模型里准确率最高的。延迟方面,Max 回答一次典型请求约 183 毫秒,GPT-6 Sol 约 2.0 秒,材料写到 Cla 约 3.5 秒,原文摘要在此处截断,对照名称不宜自行补全。这些数字全部来自给定摘要,未见分任务表、方差或评测是否含视觉。

我的判断

Drex 把「在给定选项上做决定」从长解码里拆出来,换的是延迟、可机读的分布,以及少一层解析。四个开源档位和可选图像,对路由、审核、智能体动作选择这类接口是对口的。适用边界同样硬:它不负责开放生成,也不能从摘要推出全面超过 GPT-6 Sol 或 Claude Opus 5.5——Decision Bench v4 上是打平或落后 1.6 分,领先范围写明是所比较的决策模型。RLAF 与顺序鲁棒性只有定性消融;数据来源、概率是否校准、选项由谁构造,摘要都未提及。选项集合会变、必须输出理由、或状态长度超出摘要设定时,需要自行验证。先当决策头,而不是聊天模型,预期更稳。