Nace mở weights Drex Max v1 ngày 1/11: model 27B chọn đáp án thay vì viết chữ, chạy được trên Mac 24GB

Ngày 1/11/2026, mình thấy Nace mở weights Drex Max v1, một model dense 27B mà anh em đưa sẵn đáp án rồi nó trả lại xác suất, thay vì viết text ra rồi để code parse lại, cơ mà file nhỏ nhất thì chạy được trên Mac 24GB, chỉ chạy text thôi, còn muốn dùng ảnh thì vẫn cần Python trên GPU NVIDIA. Trước khi tải, theo mình anh em cần biết ba điều, là máy mình chạy được không, giấy phép cho dùng tới đâu, và điểm số nào đáng tin, tạm thế đã rồi mới tính chuyện tải về.

Gom lại cho dễ nhớ thì ngày 1/11/2026 weights Drex Max v1 mở kèm fork llama.cpp và fork Ollama, model dense 27B, điểm headline là 67.52 trên Decision Index 0.4 public text, mà đây là số hãng tự đo nên mình sẽ soi kỹ ở mục 5, còn mức sàn trên Mac là 24GB RAM với file affine Q4, và tạm chỉ chạy text thôi.

Model chọn đáp án, đưa lựa chọn sẵn vào rồi nhận xác suất ra

Cần rõ trước một điều, là thứ này khác chatbot ở điểm nào, vì nhầm chỗ này thì đọc số liệu sau cũng lệch theo.

Một request gồm state và câu hỏi có lựa chọn sẵn

Một request thì gồm state và câu hỏi có tên, trong đó state có thể là text, JSON hoặc ảnh, rồi model trả xác suất cho từng lựa chọn trong một forward pass, và sinh ra zero token text, tức là nó không viết chữ nào cả. Ba loại câu hỏi thì gồm choice, noul cho yes-no, và score cho thang có thứ tự, còn giới hạn thì là 255 lựa chọn cho mỗi câu hỏi và 16 câu hỏi cho mỗi request, trong khi Drex 2.0 và 1.5 cho phép tới 512 câu hỏi. Về kiến trúc, tạm ghi là dense 27B với 64 layer, trong đó có 48 Gated DeltaNet và 16 full-attention non-causal cách nhau mỗi 4 layer, thêm vision tower riêng và đầu đọc readout.safetensors 255-way, còn context thì mặc định 16,384 token và tối đa 262,144 token.

Ví dụ ticket từ model card, đọc đúng các con số

Mình đọc kỹ ví dụ ticket trên model card thì thấy state mẫu là ticket khách bị trừ tiền hai lần và muốn hoàn khoản thu thừa, câu hỏi đặt ra là đội nào xử lý, với ba lựa chọn billing, technical và other. Kết quả bf16 trên H100 cho team billing với confidence 0.9982, trong đó xác suất billing là 0.9988, technical là 0.0003 và other là 0.0009, còn refund noul thì đạt 0.9974. Sang urgency thì điểm là 1.6522 trên thang 0, 1, 2, với xác suất lần lượt là 0.0152, 0.3173 và 0.6674, còn confidence thì chỉ 0.4783, một con số mà mình sẽ quay lại ở mục 6. Ví dụ thứ hai do Nace chọn thì Drex đọc 72 token, cho billing 0.997 và urgent yes 0.732, trong khi Jev 1.13.0 đọc tới 365 token, cho billing 1.000 và urgent yes 0.490.

Vì sao xác suất có giá trị hơn một đoạn text cần parse

Mình thấy điểm ăn tiền nằm ở chỗ này, chatbot thì viết text ra rồi code phải parse lại, còn Drex chỉ trả lựa chọn anh em đưa sẵn nên không có chuyện cắt cụt, sai định dạng hay bịa thêm lựa chọn, cơ mà vì không có sampling nên temperature, top_p và top_k đều không áp dụng, và input giống nhau thì cho vector xác suất ổn định. Nói gọn theo cách mình hay dùng thì cứ giao cho decision model việc routing, phân loại và kiểm tra policy, còn việc tạo text thì để chatbot lo.

Ngày 1/11 mở cái gì, và cái gì đã có từ trước

Nói ngay một điều, vì tin ngày 1/11 rất dễ đọc nhầm thành ngày ra mắt model, trong khi chuyện thật thì khác hẳn, nhỉ.

Timeline ngắn, hosted trước rồi weights sau

Xếp lại timeline cho đúng thứ tự thời gian thì nó chạy thế này, 24/09/2026 Drex 1.0, 28/09/2026 Drex 1.5, 06/10/2026 Drex 2.0 35B MoE khoảng 3B active, 09/10/2026 mở weights 1.5, 13/10/2026 ngày phát hành Drex Max theo tài liệu Nace, 19/10/2026 Drex Max generally available dạng hosted API, MarkTechPost 19/10 hiển thị 20/10, chưa có weights, tham số chưa công bố, 28/10/2026 Nace đăng bài về v1.1, 08:10 UTC 01/11/2026 MarkTechPost đưa tin mở weights v1. Mình thấy ý nghĩa thực tế của việc mở weights là routing, classification và kiểm tra policy được giữ ở máy local, một chuyện có giá trị với tài chính, pháp lý và y tế, còn thứ chưa mở thì vẫn là training data, toàn bộ code huấn luyện và giấy phép mở không giới hạn theo nghĩa OSI.

Gói weights ngày 1/11 gồm những gì

Gói ngày 1/11 cho đủ thì gồm bf16 khoảng 49GB, Q8_0 GGUF 27.25GB và affine Q4 14.45GB, kèm fork llama.cpp và fork Ollama, giấy phép Nace.AI Open RAIL-M, cùng model safetensors, config.json, readout.safetensors, decision_config.json, code/drex_max và inference.py. Một lưu ý mà mình thấy rất đáng tiền là loader đi kèm áp dụng non-causal attention, nên chat loader thông thường không tái hiện được điểm số, còn server local thì trả POST /v1/systemone cùng định dạng hosted API, tương thích TypeSafe Jev, và chuyển đổi thì cần đổi 3 biến môi trường.

Bẫy v1 và v1.1, đọc sai là sai toàn bộ số liệu

Cái bẫy này quyết định toàn bộ số liệu, v1 mở weights 01/11 thì mang điểm 67.52, còn v1.1 quảng bá trên trang Nace thì mang điểm 70.8, chạy hosted, và mô tả screens, images and video in, nên tuyệt đối không gắn 70.8 cho v1. Các số v1.1 khác cũng không gắn cho v1, gồm JevBench 93.9, Decision Bench 94.2, InfographicVQA 98.4 và latency 172 ms, còn giá launch thì mình để ở mục 7. Tương tự, số hosted tháng 10 cũng không thuộc về v1, gồm 67.59, InfographicVQA 98.8 và vision suite 74.5, trong khi số v1 là 67.52 và 97.3. Cuối cùng, base model thì tạm chưa có lời giải, vì config ghi qwen3_5 theo MarkTechPost và Artiverse, còn Jev Decision Index thì ghi Qwen3.8-27B theo SystemOneModels, và mình không chọn bên nào.

Máy nào chạy được, file nào tương ứng, và Mac mất gì

Bảng phần cứng phải đứng trước mọi lời khuyên, vì máy không đủ thì mọi tính năng hay ho phía sau cũng vô nghĩa.

Bảng phần cứng theo đường chạy

Đường Python GPU thì loader chấp nhận tối đa 4,194,304 pixel cho mỗi ảnh. Còn quy tắc ảnh hosted tháng 10 thì gồm tối đa 8 ảnh cho mỗi request, mỗi ảnh tối đa 16 MiB và tổng 32 MiB, với resize tối đa 1,638,400 pixel và mỗi ảnh tối đa 1,602 token cho mỗi câu hỏi. Bản Q8_0 thì dùng --no-mtp --outtype q8_0, và cần file bf16 khoảng 49GB nằm sẵn trên đĩa trước, còn bản build llama-server thì lấy từ nhánh drex-max-v1. Modelfile của Ollama fork cần CAPABILITY decision, với num_ctx 16384, num_gpu 40 trên Mac 48GB và num_gpu 0 cho CPU, còn Kapitsa trên Mac 48GB thì dùng --context 2048, và request qua Ollama cần thêm "model": "drex-max-v1".

Lượng tử hoá lệch bao nhiêu, theo test của hãng

Nhắc trước là mọi con số trong mục này đều là test của Nace, tạm chưa có kiểm chứng độc lập, nên đọc với tâm thế đó cho lành. Cụ thể thì Q8_0 trên M5 Pro 48GB, với CPU 18 nhân, GPU 20 nhân và macOS 26.5.2, khớp với bf16 trên H100 trong khoảng 0.02 cho mỗi xác suất, còn affine Q4 thì lệch trong khoảng 0.0329 so với Q8_0 và không làm đổi lựa chọn. Bản 8-bit trên L40S thì lệch trong khoảng 0.03 so với bf16 trên ví dụ mẫu, và Ollama với num_gpu 40 thì cho cùng đáp án với llama-server. Theo mình thì Mac 24GB chỉ nên thử affine Q4, Mac 48GB mới hợp cho Q8_0, còn Mac dưới 24GB và laptop Windows yếu thì nằm ngoài nhóm đối tượng của bản này.

Quyết định tải trong 10 phút

Chốt nhanh cho anh em đỡ lăn tăn thì cần ảnh chỉ có đường Python trên GPU, Mac 24GB thì chấp nhận text only với affine Q4 14.45GB, Mac 48GB thì Q8_0 27.25GB mới là lựa chọn thử thực tế, còn chưa có máy phù hợp thì mình khuyên dùng hosted ở mục 7 thay vì tải khoảng 49GB về trước, vội tải về rồi mới thấy không chạy được thì phí công lắm.

Giấy phép RAIL-M, phần đã xác nhận và phần chỉ có nguồn thứ cấp

Anh em nhớ một điều trước khi vào mục này, là tải được không đồng nghĩa dùng thoải mái trong sản phẩm, và đây chính là chỗ nhiều người hay chủ quan nhất.

Điều duy nhất đã xác nhận trực tiếp

Điều duy nhất đã xác nhận trực tiếp từ nguồn của v1 là model card ghi weights Drex Max v1 được phát hành dưới giấy phép Nace.AI Open RAIL-M, còn toàn bộ văn bản giấy phép của v1 thì chưa đọc được trong lúc research, nên mình tạm chưa bàn sâu hơn ở đây vội. Và anh em cũng nên nhớ là open-weight có nghĩa là anh em nhận được weights, chứ chưa nhận training data, toàn bộ code hay giấy phép mở không giới hạn, một điểm mà mình thấy nhiều người hay hiểu nhầm.

Khung giới hạn từ nguồn thứ cấp, gắn nhãn SECONDARY-SOURCE-ONLY

Ghi rõ ngay từ đầu là toàn bộ mục này mang nhãn SECONDARY-SOURCE-ONLY, vì SystemOneModels và CCLeaks, hai nguồn thứ cấp độc lập, chỉ mô tả cùng một khung cho họ Drex hoặc cho v1.5, chứ chưa từng là văn bản giấy phép của chính v1. Theo khung SECONDARY-SOURCE-ONLY này thì việc dùng vượt personal hoặc research sẽ không được bao phủ đối với tổ chức có hơn 1 triệu USD doanh thu trong 12 tháng trước hoặc đã gọi vốn hơn 1 triệu USD, và cũng không bao phủ bất kỳ ai cung cấp sản phẩm cạnh tranh với Nace, nếu không có giấy phép riêng. Phần cấm dùng theo SECONDARY-SOURCE-ONLY từ CCLeaks về v1.5 thì gồm quyết định tự động có ảnh hưởng pháp lý mà thiếu human review có ý nghĩa trong employment, credit, housing và healthcare, tư vấn y tế, pháp lý và tài chính mà thiếu qualified human oversight, rồi military, vũ khí và mass surveillance, cùng fraud, scams, spam và deceptive practices, và các giới hạn này thì phải đưa vào thỏa thuận dùng hoặc phân phối tiếp theo. DeepInfra về v1.5 thì mô tả cùng khung cấm, gồm thêm insurance, education, immigration và law enforcement, và không phân biệt đối xử dựa trên đặc điểm được pháp luật bảo vệ.

Ai dùng thoải mái, ai phải dừng lại đọc kỹ

Nhóm đọc cá nhân làm research và thử nghiệm là ít vướng nhất theo khung thứ cấp, cơ mà văn bản của chính v1 thì chưa được đọc trực tiếp, nên thoải mái ở đây chỉ là ít rủi ro thấy trước, tạm chưa đủ làm kết luận pháp lý. Nhóm phải dừng lại đọc kỹ thì gồm tổ chức vượt ngưỡng 1 triệu USD doanh thu hoặc funding và bất kỳ ai đang làm sản phẩm cạnh tranh, vì hai nhóm này cần đọc toàn bộ giấy phép và xin giấy phép riêng trước khi đưa vào production. Mình cũng ghi thêm là code đóng gói cùng họ Drex được CCLeaks mô tả là Apache-2.0, khác với giấy phép của weights, còn địa chỉ liên hệ commercial licence mà CCLeaks đưa ra là [email protected], mình chỉ ghi ở đây như thông tin liên hệ từ nguồn thứ cấp, chưa từng là lời khuyên pháp lý hay lời giới thiệu. Đọc license trước, đừng đọc sau.

Điểm số tin được tới đâu, số hãng tự đo, số board độc lập, và điểm yếu

Điểm headline 67.52 chỉ có nghĩa khi biết ai đo và luật chấm ra sao, chứ đọc mỗi con số trơ trụi thì dễ bị dắt đi lắm.

Bảng điểm, nhóm hãng tự đo và nhóm đo thời hosted

Luật chấm đặt ngay cạnh điểm số cho dễ soi, đợt chạy có 140,620 request và 140,178 request được chấm, còn request không trả lời thì được tính là sai, một chi tiết mà Artiverse nhấn mạnh. Từ edition 0.4 thì Full score chỉ tính private tests theo ghi chú của SystemOneModels, nên mình thấy nó đọc sát hơn public score. Drex Max thì cao hơn Drex 2.0 về Full score nhưng lại mang calibration error cao hơn, 0.057 so với 0.018, nên điểm cao hơn tạm chưa tự động đồng nghĩa xác suất đáng tin hơn.

Điểm yếu nằm ngay trong số liệu của hãng

Soi điểm yếu thì thấy vision index do hãng tự đo cho Moderation, tức là Hateful Memes, chỉ 40.6, còn R-Bench-M thì 38.6 và MMMU-Pro vision thì 47.3. Những con số này thấp hẳn so với InfographicVQA 97.3 và KIE 92.4. Trên các bảng hosted tháng 10, vốn cần ghi nhãn hosted-era và tách khỏi số của v1 như đã nói ở mục 2, Drex Max thua Jev 1.14 ở MMLU-Pro 72.5 so với 82.1, HLE 19.0 so với 19.4 và ARC-Challenge 97.4 so với 97.6. Trang sản phẩm của Nace cũng thừa nhận Drex thua Jev 1.14 ở MMLU-Pro, HLE, ARC-Challenge và ARC-Easy, nhưng trang đó hiện là v1.1 nên cần ghi rõ phiên bản của trang khi trích dẫn lời thừa nhận này. Nhìn chung thì mình thấy model mạnh ở quyết định có cấu trúc, đặc biệt Tools 81.9, và yếu ở kiến thức rộng và suy luận khoa học sâu.

Cái gì vẫn chưa có ai kiểm chứng cho bản weights local

Ghi rõ là cho tới lúc viết bài này, chưa có bản tái hiện độc lập nào cho bản weights local, vì cả hai con số board độc lập ở trên đều đo khi model vẫn còn là hosted API, trước khi weights mở, và JevBench thời điểm đó vẫn ghi base model là undisclosed. Test local duy nhất được trích dẫn vẫn là test của chính Nace trên M5 Pro ở mục 3, ngoài ra thì mình không tìm được test local của bên thứ ba, test của độc giả hay test cộng đồng nào trích dẫn được, chi tiết thì ở mục 8. Hai mâu thuẫn chưa có lời giải là số ảnh tối đa, khi tài liệu API của Nace ghi 8 ảnh còn FAQ của OpenRouter ghi 4 ảnh, và base model giữa qwen3_5 và Qwen3.8-27B, thì mình ghi cả hai phía và không chọn bên nào.

Dùng vào việc gì thì hợp, việc gì thì không, và đặt ngưỡng ra sao

Câu hỏi còn lại, sau khi đã biết máy nào chạy được và điểm nào đáng tin, là giao việc nào cho nó thì hợp, nhỉ.

Bốn việc hợp nhất, gắn với ví dụ cụ thể

Bốn việc hợp nhất thì đầu tiên là agent routing, tức là chọn tool tiếp theo, chọn skill từ roster dài và định tuyến request, khi mỗi lựa chọn là một state cộng các option, đúng dạng input Drex nhận. Tiếp theo là ticket triage, gồm gán team, chấm urgency, phát hiện ý định refund và quyết định có cần escalate cho người hay không, lấy trực tiếp từ ví dụ ticket ở mục 1. Rồi guardrail và policy check, gồm câu hỏi yes-no về an toàn trước khi gửi và kiểm tra output có vi phạm policy hay không. Cuối cùng là computer-use, gồm đọc screenshot rồi chọn cú click tiếp theo, mảng Nace chào mạnh nhất, cơ mà cần vision nên chỉ hợp trên đường Python GPU, tạm chưa hợp trên đường Mac hay CPU. Lợi thế local-data ở đây thì mình thấy rất rõ, là routing, classification và policy check có thể ở lại máy local, một chuyện có giá trị với tài chính, pháp lý và y tế.

Ba việc không hợp, và vì sao

Ba việc không hợp thì là model này chưa hợp để viết text, trả lời mở, gánh kiến thức rộng chuyên sâu, làm công cụ chính cho nội dung sáng tạo hay suy luận nhiều bước phức tạp, cũng như ra quyết định hoàn toàn tự động có ảnh hưởng lớn tới con người mà thiếu human review. Lý do kỹ thuật thì mình thấy nằm ở thiết kế không sinh text, khoảng cách MMLU-Pro so với Jev ở mục 5, model card không định vị Drex Max ở đó, và xác suất có thể sai cùng confidence có thể thấp như ví dụ urgency ở mục 1, còn lý do giấy phép thì nằm ở khung SECONDARY-SOURCE-ONLY ở mục 4, và hai lý do này đứng riêng chứ không trộn vào nhau.

Đặt ngưỡng theo confidence để máy tự chạy, hỏi xác nhận hay chuyển người

Cách làm thực tế là code đặt sẵn ngưỡng, tức là xác suất cao thì chạy tự động, xác suất ở giữa thì hỏi xác nhận, còn xác suất thấp thì chuyển cho người. Khung này có một ví dụ định hướng từ Dev.to về họ Drex, và mình cần ghi rõ đây là bài viết về họ Drex, chứ chưa từng là một test Max v1, với mốc minh họa là 0.97 có thể chạy thẳng còn 0.55 thì fallback sang model lớn hơn hoặc con người. Cách nói của tác giả về câu lệnh if từng giao cho GPT hay Claude thì là lập trường kỹ thuật, chứ chưa từng là kết quả đo trên Max v1. Trở lại ví dụ ticket thì mình thấy confidence cho team 0.9982 là đủ để routing tự động, còn confidence cho urgency 0.4783 thì nên xác nhận hoặc chuyển người cho riêng quyết định urgency.

Dùng bản hosted thay vì tải weights, trả theo đơn vị nào, và bẫy giá 0.03

Mình thấy sang tới giá thì cần tách bạch giá hosted chuẩn khỏi giá launch, vì trộn hai thứ này vào nhau là dính bẫy ngay.

Giá chuẩn, tính theo input token, output miễn phí

Giá chuẩn theo tài liệu thì Drex Max và Drex 2.0 ở mức 0.06 USD cho mỗi 1M input token, còn Drex 1.5 thì ở mức 0.05 USD cho mỗi 1M input token, output thì không tính phí, và tài khoản mới nhận 25 USD signup credit. OpenRouter thì ghi Drex Max 0.06 USD cho mỗi 1M input token và 0 USD output, với context 262,144 token, quanh ngày 21/10/2026 với 16.7B token đã xử lý, còn Drex v1.5 là 0.04 USD cho mỗi 1M input token. CCLeaks thì cho rằng credit 25 USD hết hạn sau 3 tháng kể từ khi tạo tài khoản và API key đầy đủ chỉ hiển thị một lần, mà thông tin này viết cho họ Drex nói chung, tạm chưa xác nhận là điều khoản riêng của v1, nên mình ghi nhãn nguồn thứ cấp ở đây.

Giá launch 0.03 và mâu thuẫn đơn vị chưa có lời giải

Giá launch theo đơn vị decisions thì MarkTechPost 01/11 ghi v1 0.03, v2.0 0.06 và v1.5 0.04 USD cho mỗi 1K decisions, còn Nace thì ghi v1.1 0.03 USD cho mỗi 1,000 decisions ở giá launch giảm 50%, và JevBench thì ghi Drex Max API 0.031 USD cho mỗi 1,000 decisions. Mâu thuẫn thì vẫn chưa có lời giải, vì RuntimeWire ghi bài đăng ngày 28/10 của Nace quảng cáo 0.03 USD cho mỗi 1M input token cho Drex Max 1.1, một đơn vị khác hẳn nhóm nguồn per 1K decisions ở trên, nên bài này tuyệt đối không viết gọn thành một con số 0.03 USD trơ trụi mà thiếu đơn vị và phiên bản, và anh em nhớ phân biệt v1 với v1.1 như đã nói ở mục 2 nhé. Giới hạn hosted thì mình ghi thêm cho đủ, là free tier 120 request mỗi phút và 8 request đồng thời, còn paid tier thì 600 request mỗi phút và 16 request đồng thời khi nạp tiền lần đầu, với JSON body 4,194,304 byte và Nace trả về 529 sau 55 giây.

So nhanh, tải weights hay dùng hosted

So nhanh thì weights local không có giá mua, chi phí nằm ở dung lượng tải về từ 14.45GB tới khoảng 49GB, cộng phần cứng ở mục 3 và ràng buộc giấy phép ở mục 4. Hosted thì hợp để thử model, dùng vision mà không có GPU và xử lý lưu lượng thay đổi, còn local thì hợp cho lưu lượng quyết định có cấu trúc ổn định trên máy phù hợp và dữ liệu cần ở trong nội bộ, với điều kiện giấy phép cho phép. Người chỉ muốn thử thì theo mình nên bắt đầu bằng hosted với 25 USD signup credit, và kiểm tra lại đơn vị của mức 0.03 trên trang chính thức vào lúc thanh toán, vì chỗ này mà lơ là thì dễ trả nhầm lắm.

Cộng đồng nói gì, nói rõ sự vắng mặt trước rồi mới dùng bình luận có ký tên

Mở phần này bằng chính sự vắng mặt đó, vì nói rõ mình không tìm thấy gì đôi khi lại quan trọng hơn là cố bịa ra một thread cho đủ.

Không tìm thấy thread thật về bản mở weights ngày 1/11

Tìm kiếm trên Hacker News bằng site search cho Drex và Nace decision model thì không trả về kết quả nào, còn tìm kiếm Reddit cùng X với từ khóa drex-max-v1 và Drex Max v1 open weights thì chỉ trả về các bài báo, gồm MarkTechPost, Artiverse, Wisevoter và Web AI News, mà không có thread thảo luận và không có bình luận độc giả nào trích dẫn được. Vì vậy bài này không bịa bất kỳ quote Reddit, Hacker News hay X nào, và các bình luận có ký tên ở mục dưới mới là chất liệu duy nhất dùng được, mỗi bình luận đều kèm nhãn độc lập của nó. Wisevoter thì có dạng poll độc giả nhưng không báo cáo kết quả poll nào, nên mình thấy poll đó không dùng được làm bằng chứng về ý kiến độc giả.

Bình luận có ký tên, ghi rõ mức độc lập của từng nguồn

Điểm lại từng nguồn có ký tên thì MarkTechPost 01/11, sponsored by Nace AI tự khai ở cuối bài, chỉ dùng cho dữ kiện đã đối chiếu với model card. Artiverse thì sponsored by Nace AI khai ở đầu bài, mình giữ hai nhận xét là luật chấm phải đặt cạnh điểm số và open-weight khác giấy phép mở không giới hạn, và tuyệt đối không trình bày chúng như phê bình độc lập. Wisevoter thì chưa độc lập, vì source note ghi thông tin lấy từ MarkTechPost, nên mình chỉ dùng cho lời khuyên kiểm tra RAM trước khi tải. SystemOneModels là nguồn tham khảo độc lập với hoài nghi về phương pháp, phân biệt public score với Full score, so sánh calibration Max 0.057 với Drex 2.0 0.018, và ghi Nace đã nộp public run từ private endpoint được maintainer chấp nhận, còn phần giấy phép thì vẫn là chất liệu thứ cấp. Dev.to là blog kỹ thuật cộng đồng độc lập về họ Drex, chứ chưa từng là một test Max v1, nên mình chỉ dùng cho khung ngưỡng confidence ở mục 6. Nace trên LinkedIn là tiếng nói của hãng, mình chỉ dùng để xác nhận lịch trình mở weights, còn technical report được nhắc tới thì chưa tìm thấy bản đầy đủ nên ghi là chưa xác minh. Cuối cùng, Saif Pasha và AIMultiple là bối cảnh thị trường, chứ chưa từng là ý kiến về Max v1, trong đó Saif Pasha lưu ý tốc độ và giá không đo cùng cách, còn AIMultiple thì ghi nhận 59 decision model được test có hệ thống.

Kết luận

Chốt lại thì anh em chọn weights local khi có Mac 24GB chạy text-only bằng file Q4, Mac 48GB chạy Q8_0, hoặc GPU NVIDIA chạy vision, cho quyết định có cấu trúc trong giới hạn giấy phép. Còn chọn hosted khi cần vision mà không có GPU, muốn thử trước, hoặc chưa có máy phù hợp, và nên chờ khi cần kiến thức rộng chuyên sâu, viết text, hoặc vị thế giấy phép mà văn bản v1 chưa xác nhận. Theo mình thì model chọn đáp án chỉ xứng đáng ở nơi xác suất điều khiển code, còn nơi văn xuôi là sản phẩm thì model này tạm chưa hợp. Nếu anh em đã chạy thử bản weights local, mình rất muốn nghe trải nghiệm thật, gồm máy gì, file nào và kết quả ra sao, còn box nguồn dưới đây thì có model card và các board để đối chiếu.

Nguồn tham khảo

Hugging Face model card Drex Max v1 MarkTechPost ngày 01/11/2026, Nace mở weights Drex Max v1 Wisevoter ngày 01/11/2026, tổng hợp về Drex Max v1 Trang sản phẩm Nace Drex SystemOneModels, tổng hợp họ Drex Artiverse, Drex Max trên Apple silicon CCLeaks, giấy phép và hướng dẫn họ Drex MarkTechPost ngày 19/10/2026, bản hosted Drex Max OpenRouter, Drex Max RuntimeWire, Drex Max 1.1 launch Benchmark Heaven, JevBench Drex Max Dev.to, decision model họ Drex Saif Pasha, Jev và Decisions API AIMultiple, decision models DeepInfra, Drex v1.5 Nace AI trên LinkedIn