Drex Max Menaruh Perhatian pada Model Keputusan — dan Menetapkan Harga Setiap Klik sebesar $0,06

Agen penggunaan komputer sebenarnya bukan satu keputusan. Memesan penerbangan adalah tiga puluh keputusan: kolom mana yang harus diklik, hasil mana yang harus dibuka, apakah widget kalender sudah selesai dirender, apakah tarif yang sedang dilihat adalah tarif yang diinginkan. Masing-masing merupakan perjalanan pulang-pergi tangkapan layar, dan jika model di ujung lain adalah model chat frontier, masing-masing memakan waktu beberapa detik dan biaya model frontier. Drex Max, yang dirilis Nace.AI sebagai tersedia secara umum pada 19 Oktober 2026, adalah upaya untuk meruntuhkan aritmetika itu. Ini adalah model keputusan, bukan model chat — Anda memberinya sebuah layar dan sekumpulan opsi bertipe, dan satu forward pass mengembalikan probabilitas untuk setiap opsi. Nace mencantumkannya dengan harga $0.06 per juta token input, latensi median 183 ms, dan tanpa biaya output sama sekali, karena model ini tidak menulis apa pun. Kegagalan AI dan insiden agen yang terdokumentasi di balik rilis seperti ini dikumpulkan dalam OrcaRouter AI Incident Archive tempat setiap entri membawa sumbernya sendiri, tingkat keparahan, tingkat keyakinan, dan penanda status diperdebatkan.

Perbandingan yang Nace tempatkan di sebelahnya adalah TypeSafe J​ev 1.14, model keputusan yang mendefinisikan bentuk permintaan kategori ini, dan model frontier serbaguna yang digunakan agen saat ini. Pada tabel terbitan Nace sendiri, itu berarti $10,17 per seribu keputusan untuk Claude Opus 5.5 dan sekitar 3,5 detik per keputusan, dibandingkan dengan $0,06 dan 174 ms untuk Drex Max pada 243 pertanyaan tangkapan layar yang sama. Angka dari vendor, dijalankan sendiri, tidak diaudit oleh siapa pun di luar Nace — tetapi urutan besarnya adalah intinya, dan itulah alasan rilis ini lebih penting daripada baris benchmark-nya.

Apa yang sebenarnya dirilis

Drex Max adalah model pertama dalam lini Drex dengan encoder visi. Drex 2.0 dan Drex 1.5 merupakan model masukan teks, keluaran probabilitas; Max membaca tangkapan layar, screencast, dokumen pindaian, bagan, foto, dan bingkai video, serta menjawab tiga jenis pertanyaan yang sama seperti pendahulunya.

• Id model — drex-max, dipin. Tidak ada bobot terbuka; dihosting melalui API milik Nace sendiri, tanpa checkpoint yang dapat diunduh.

• Bentuk masukan — sebuahstate string ditambah objek questions, dan array images berisi hingga 8 gambar per permintaan. Endpoint-nya adalah POST /v1/systemone, jalur yang sama dengan yang digunakan J​ev.

• Jenis pertanyaan — choice (opsi bernama, mengembalikan probabilitas per opsi), noul (pertanyaan ya/tidak, mengembalikan P(true)), score (tingkat berurutan, mengembalikan tingkat yang diharapkan dan distribusi). Beberapa pertanyaan tentang satu state berbagi satu lintasan.

• Konteks — 131,072 token per pertanyaan termasuk token gambar, menurut panduan API. Postingan peluncuran secara terpisah menyebut "jendela konteks 262K token." Kedua angka itu tidak cocok, dan itu hal pertama yang harus diselesaikan sebelum Anda menentukan ukuran buffer tangkapan layar.

• Harga — $0.06 per juta token masukan; keluaran tidak ditagih. Nace menyebut angka yang sama sebagai $0.06 per seribu keputusan, yang berarti sekitar seribu token per panggilan.

• Pendahulu — Drex 2.0 (total 35B, sekitar 3B aktif, dibangun di atas Qwen3.6-35B-A3B, bobot terbuka) dengan harga $0,06 per seribu keputusan, dan Drex 1.5 (9B, hanya teks) dengan harga $0,04.

• Penyebaran — dikelola pada GPU Nace, khusus, di dalam akun AWS atau Azure pelanggan, atau air-gapped, semuanya dengan kontrak permintaan yang sama. Tanpa bobot berarti tanpa self-hosting, tetapi bukan berarti hanya SaaS.

Tidak ada yang eksotis di antarmuka. Itu disengaja: Nace membangun Drex Max agar kompatibel secara wire dengan SDK J​ev milik TypeSafe, sehingga @typesafe-ai/sdk tetap berfungsi dengan base URL, kunci, dan model default yang diubah. Kompatibilitas ini bukan bentuk kesopanan kepada pesaing. Inilah cara pendatang baru dicoba — migrasi termurah adalah migrasi yang cukup berupa nilai konfigurasi.

Bagian yang benar-benar berbeda: distribusi, bukan kalimat

Model chat menjawab pertanyaan penggunaan komputer dengan menuliskan jalannya menuju jawaban. "Melihat halaman ini, hasil pencarian tampaknya sudah dimuat, jadi tindakan berikutnya seharusnya adalah mengklik hasil kedua" — lalu harness Anda mengurai kalimat itu, atau blob JSON, dan berharap model tidak memilih opsi yang tidak pernah Anda tawarkan. Biaya dari desain itu dibayar dua kali: sekali dalam token keluaran, dan sekali lagi dalam parser yang harus Anda rawat karena model dapat berhalusinasi tentang tombol yang tidak ada di layar.

Drex Max tidak dapat melakukan itu. Ia mengembalikan probabilitas atas opsi yang Anda berikan dan tidak ada yang lain. Jika Anda menawarkan lima kandidat yang dapat diklik, Anda mendapatkan lima angka yang berjumlah satu. Itu kemampuan yang lebih sempit dan jauh lebih cocok untuk sebuah loop, karena tiga alasan yang lebih penting di produksi daripada di demo.

Yang pertama adalah penerapan ambang batas. Distribusi probabilitas memungkinkan Anda menulis aturan yang benar-benar Anda inginkan: bertindak ketika opsi teratas melewati 0,9, dan meningkat ke model yang lebih lambat atau manusia ketika tidak. Model generatif memberi Anda sebuah kalimat dan field keyakinan yang maknanya sama sekali berbeda — biasanya seberapa memuncak distribusi token, bukan seberapa besar kemungkinan jawabannya benar.

Yang kedua adalah perilaku kegagalan. Agen yang hanya dapat menjawab dengan opsi yang dideklarasikan tidak dapat mengarang tombol keenam. Agen itu bisa salah, dan bisa terkalibrasi dengan buruk, tetapi tidak dapat menghasilkan tindakan yang harness Anda tidak tahu cara mengeksekusinya.

Yang ketiga adalah soal ekonomi. Karena tidak ada token keluaran, biaya untuk menilai sepuluh opsi sama dengan menilai dua. Kerangka berpikir Nace adalah bahwa hal ini membuatnya cukup murah untuk dipanggil pada setiap langkah, dan pada $0.06 per seribu panggilan, hitungannya masuk akal: bahkan tugas ceroboh yang terdiri dari tiga puluh langkah hanya memakan biaya di bawah dua persepuluh sen untuk keputusan. Tugas yang sama jika dijalankan dengan Opus 5.5, berdasarkan angka per keputusan Nace, akan memakan biaya sekitar tiga puluh sen — tidak fatal, tetapi tiga puluh kali harga dari hal yang sedang dilakukannya.

Tabel benchmark, dan angka-angka ini milik siapa

Setiap angka di bawah ini berasal dari posting peluncuran Nace. Decision Index 0.3.2 adalah papan peringkat publik untuk tolok ukur bergaya pengambilan keputusan, tetapi jalankan Drex Max di dalamnya adalah milik Nace sendiri, menggunakan kit resmi, dan belum ada pihak di luar Nace yang mereproduksinya. Skor "Full" di papan tersebut juga mencampurkan tes privat yang bukan bagian dari jalankan ini. Anggap bentuk hasilnya sebagai informasi dan angka desimalnya sebagai pemasaran.

Judul utamanya adalah Indeks Keputusan publik sebesar 67,6, dibandingkan 61,3 untuk Drex 2.0, 58,1 untuk Drex 1.5, 60,7 untuk J​ev 1.14, dan 47,8 untuk GPT-6 Luna Decisions. Pada Indeks Visi pendamping — angka yang penting bagi model yang nilai jualnya adalah kemampuan melihat — Drex Max mencetak 74,5 berbanding 63,9 milik Luna.

• Mind2Web — 88,6 vs 81,2 untuk GPT-6 Luna Decisions, baris yang paling langsung relevan untuk agen browser.

• OSWorld-Verified — 0,780 vs 0,756 untuk GPT-6 Sol dan 0,790 untuk Claude Opus 5.5. Drex Max mengalahkan yang pertama dan kalah tipis dari yang kedua.

• OSWorld-V2 — 0,737 vs 0,744 untuk Sol dan 0,761 untuk Opus 5.5. Cerita yang sama, selisihnya sedikit lebih lebar.

• Pemanggilan tool BFCL — 98.2, unggul dari 96.4 milik J​ev 1.14 dan 97.3 milik Claude Opus 5.5, hanya di bawah GPT-6 Sol.

• DecideBench — 98,5 untuk item dan 97,0 untuk pasangan, keduanya lebih tinggi daripada J​ev 1.14.

• Keputusan bisnis vs J​ev 1.14 — FinEntity 92.3 vs 81.9, BANKING77 90.0 vs 79.7, ContractNLI 75.9 vs 57.7.

Baris-baris OSWorld perlu diberi catatan yang tidak dijelaskan secara eksplisit dalam tabel Nace. Skor-skor itu menggambarkan stack otomasi lengkap, dan tidak didokumentasikan seberapa besar loop di sekitar Drex Max juga merupakan harness milik Nace sendiri. Model keputusan yang baik dalam memilih tindakan berikutnya tetap bergantung pada apa pun yang mengambil tangkapan layar, menunggu render, dan memutuskan kapan tugas selesai. Bacalah 0.780 sebagai bukti bahwa keputusan bukanlah hambatan utama, bukan sebagai janji tentang agen Anda.

Di mana ia kalah, yang merupakan separuh tabel yang lebih berguna

Kerugian-kerugian itu tidak terkubur, tetapi mudah terlewat saat dibaca sekilas, dan dua di antaranya menggambarkan batas nyata, bukan sekadar derau pembulatan.

Dalam hal pengetahuan umum dan penalaran sulit, model keputusan sama sekali tidak kompetitif dengan model chat terdepan, dan Drex Max tidak mengubah itu. MMLU-Pro berada di 72,5, di belakang 82,1 milik J​ev 1.14, 93,0 milik Sol, dan 94,0 milik Opus 5.5. HLE berada di 19,0 berbanding 19,4 milik J​ev — imbang di ujung bawah rentang, bagaimanapun juga. Ini wajar bagi model yang tugasnya memilih dari daftar pendek berdasarkan layar yang diberikan, dan itulah alasan model keputusan menjadi komponen dalam agen, bukan pengganti model yang merencanakan.

Yang lebih menarik adalah regresi terhadap pendahulunya sendiri. Pada When2Call, yang menanyakan apakah pemanggilan tool memang diperlukan sama sekali, Drex Max mencetak skor 85,2 sementara Drex 2.0 meraih 86,5 dan Drex 1.5 yang lebih lama serta lebih murah mencetak 89,7. Model Drex terbaru dan termahal adalah yang terburuk di antara ketiganya dalam mengetahui kapan tidak boleh bertindak. Jika alur kerja Anda bergantung pada kemampuan menahan diri — agen dukungan yang seharusnya diam alih-alih memanggil tool pengembalian dana — kemampuan visi tidak memberi Anda hal itu, dan model teks yang lebih murah mungkin tetap menjadi pilihan yang tepat.

Pola yang sama terlihat pada dua baris visi yang bergerak ke arah sebaliknya. KIE, ekstraksi informasi kunci pada formulir hasil pindai, adalah 95,5 berbanding 97,5 milik Luna. Moderasi Hateful Memes adalah 70,6 berbanding 71,2. Tidak ada celah yang besar, dan keduanya berada dalam domain di mana keunggulan Drex Max di tempat lain selebar tiga puluh poin, yang menunjukkan bahwa encoder visi dilatih ke arah tata letak layar dan bagan, bukan formulir cetak atau meme.

Latensi juga mengalami kemunduran. Median 183 ms Drex Max adalah 32 ms lebih lambat daripada Drex 2.0 dan 38 ms lebih lambat daripada Drex 1.5. Dalam sebuah loop yang berjalan tiga puluh kali per tugas, itu berarti sekitar satu detik tambahan per tugas, dibandingkan dengan beberapa detik yang dihemat per langkah versus model frontier. Tetap merupakan trade-off yang tepat, tetapi perlu diketahui bahwa vision encoder tidaklah gratis.

Satu angka perlu dipisahkan sebelum angka itu dikutip kepada Anda. Angka 174 ms di paragraf pembuka adalah pengukuran khusus tangkapan layar milik Nace — 243 pertanyaan gambar, satu permintaan dalam satu waktu, dibandingkan dengan 253 ms untuk J​ev 1.14 pada set yang sama. Angka 183 ms adalah median di seluruh suite benchmark dalam tabel peluncuran. Keduanya milik Nace; keduanya adalah pengukuran yang berbeda, dan angka yang lebih menyenangkan adalah yang cakupannya lebih sempit.

Dua jebakan dalam API sebelum Anda mulai merangkai apa pun

Dokumentasi tersebut memuat detail yang akan membuat seseorang kehilangan waktu satu sore jika hanya membacanya sekilas. drex-latest tidak mengarah ke Drex Max. Itu adalah checkpoint yang di-pin, dan alias tersebut mengarah ke hal lain. Siapa pun yang mengikuti quickstart, mengganti dengan kunci mereka sendiri, dan menyetel TYPESAFE_DEFAULT_MODEL=drex-latest — yang persis seperti yang diperintahkan oleh instruksi kompatibilitas J​ev — akan memanggil model khusus teks dan bertanya-tanya mengapa tangkapan layar mereka diabaikan.

Jebakan kedua adalah ukuran. Panduan API membatasi permintaan maksimal delapan gambar dan 131.072 token per pertanyaan termasuk token gambar; sedangkan postingan peluncuran mengiklankan 262K. Sampai Nace menyelaraskan keduanya, patoklah pada angka yang lebih kecil. Tidak ada biaya token per gambar yang dipublikasikan, sehingga batas tersebut sulit diperkirakan sebelumnya: tangkapan layar resolusi penuh bukanlah jumlah token yang tetap, dan dokumentasi tidak menjelaskan bagaimana gambar diubah ukurannya atau dipecah menjadi ubin.

Satu hal yang lebih mudah dibanding pendahulunya: Drex Max menerima tangkapan layar dengan dimensi apa pun. API J​ev 1.14 menolak gambar yang salah satu sisinya di bawah 280 px atau di atas 1.568 px, semacam batasan yang muncul sebagai kegagalan senyap dalam loop percobaan ulang pada pukul 2 pagi.

Apa dampaknya terhadap keputusan perutean

Pertanyaan praktisnya bukanlah apakah Drex Max lebih baik daripada model frontier. Drex Max tidak lebih baik, dan tidak berusaha menjadi lebih baik. Pertanyaannya adalah keputusan mana di antara tiga puluh keputusan dalam suatu tugas yang layak menggunakan model frontier dan mana yang layak menggunakan distribusi probabilitas 174 ms, dan itu adalah masalah routing sebelum menjadi masalah model.

Drex Max tidak ada dalam daftar rute kami. Katalog OrcaRouter tidak memuatnya, dan tidak ada apa pun di sini yang boleh dibaca sebagai klaim ketersediaan dari kami — Nace menjualnya melalui API dan konsolnya sendiri. Yang kami sediakan adalah incumbent yang menjadi pembandingnya. TypeSafe Jev 1.13 adalah rute terdaftar dengan $0,042 per juta token masukan dalam konteks 65.536 token, disajikan melaluiPOST /v1/systemone body yang sama, jadi A/B antara model keputusan dan loop screenshot-ke-frontier Anda saat ini hanyalah pergantian string model, bukan penulisan ulang. Cara murah untuk menyelesaikannya adalah membiarkan panggilan keputusan khusus teks Anda tetap di tempatnya, menambahkan langkah pembacaan layar di sampingnya untuk tugas-tugas yang membutuhkan penglihatan, dan mengukur keduanya terhadap log Anda sendiri, bukan terhadap 140.178 permintaan yang dinilai Nace.

Pemisahan semacam itu hanya berfungsi jika komponennya dapat dijangkau dari satu tempat. Satu kunci untuk 200+ model, harga daftar penyedia diteruskan tanpa markup per token, dan failover otomatis antarpenyedia itulah yang mencegah eksperimen membusuk menjadi cabang basi setelah orang yang menyiapkannya pindah tim. Ini juga penting di sini karena alasan spesifik: Drex Max baru, belum diaudit, dan hanya API, dan cara aman mengadopsi komponen yang belum terbukti adalah menempatkannya di belakang sesuatu yang dapat beralih ke model yang dikenal saat keyakinannya turun atau endpoint berperilaku buruk. Arahkan keputusan yang memiliki keyakinan tinggi ke model murah dan biarkan failover menangani sisanya.

Apa yang akan mengubah pembacaan ini?

Menjalankan Decision Index secara independen adalah hal pertama. Rangkaian evaluasinya bersifat publik, Nace mengatakan eval-nya dapat direproduksi, dan sampai seseorang di luar perusahaan menjalankan Drex Max di atasnya, angka 67.6 itu adalah angka dari pemasok. Sel yang perlu diperhatikan saat itu terjadi adalah sel-sel yang mengarah ke arah berlawanan: keunggulan 30 poin pada Mind2Web di samping regresi pada When2Call bukanlah kurva kemampuan yang mulus; itu menggambarkan model yang dilatih secara intensif untuk "mana dari ini yang merupakan klik berikutnya" dan kurang intensif untuk "apakah saya harus mengklik apa pun." Jika itu terbukti, itu adalah fakta paling penting secara operasional tentang Drex Max dan itu tidak ada dalam sorotan.

Latensi produksi di bawah konkurensi adalah poin kedua. Angka throughput Nace sendiri — sekitar 25 permintaan per detik pada satu replika H100, tanpa error hingga 64 permintaan yang sedang diproses — berlaku untuk Drex secara umum, bukan khusus untuk Max. Seluruh klaim desain ini adalah bahwa ia berada di jalur panas pada setiap langkah, yang membuat p95 di bawah beban jauh lebih relevan daripada median 183 ms, dan tidak ada yang dipublikasikan yang membahasnya.

Ketiga, penetapan harga memerlukan contoh perhitungan yang menyertakan gambar. $0.06 per juta token input hanya berguna jika Anda tahu berapa biaya sebuah tangkapan layar dalam token, dan belum ada angka yang dipublikasikan yang melakukan itu. Sebuah tim yang menyusun anggaran untuk loop 30 langkah dengan layar 1440p per langkah hanya bisa menebak sampai Nace memublikasikan perhitungan gambar atau seseorang mengukurnya.

Tak satu pun dari itu membuat rilis ini kurang menarik. Model keputusan yang bisa melihat adalah komponen yang benar-benar berbeda dari model chat yang diminta melihat tangkapan layar, dan selisih harganya cukup besar untuk mengubah apa yang mampu dilakukan agen pada setiap langkah. Hanya saja, itu belum menjadi angka yang diperiksa siapa pun di luar Nace — dan bagian dari tabel yang bertahan setelah bersentuhan dengan penerapan nyata mungkin justru bagian yang tidak dikutip siapa pun.