Drex, 정해진 선택지 중 답 고르는 오픈소스 결정 모델…Nace.AI 4종 공개
AI 기업 Nace.AI 연구진이 문장을 생성하지 않고 주어진 선택지 중에서 답을 고르는 오픈소스 '결정 모델(decision model)' 제품군 Drex를 공개했다. Nischay Dhankhar 등 연구자 9명은 논문 사전공개 사이트 arXiv에 「Towards Foundation Decision Models: Drex」(arXiv:2611.07854)를 올렸다. 이 논문은 허깅페이스 일일 논문 목록에서 추천 22회를 받았다. 동료평가를 거치지 않은 사전공개 논문이며, 아래 내용은 저자들이 공개한 초록을 정리한 것이다.
연구진이 문제로 삼은 것은 지금 대규모언어모델(LLM)이 답을 내는 방식이다. 새 AI 서비스는 대부분 긴 사고 사슬(chain-of-thought) 추론처럼 토큰을 하나씩 이어 붙여 답을 만드는 자기회귀 방식을 쓴다. 정확도가 높아 사실상 기본값이 됐다. 그러나 연구진은 실제 서비스 환경에서는 이 방식에 약점이 있다고 지적했다. 같은 질문에도 답이 달라질 수 있고, 모델이 쓴 문장에서 답을 따로 뽑아내야 하며, 비용과 응답 시간이 늘어난다는 것이다. 결정 모델은 이 문제를 겨냥한다. 사용자가 질문과 선택지를 주면 문장을 생성하지 않고 곧바로 선택지별 확률 분포를 돌려준다. 분류, 승인 여부 판단, 점수 매기기처럼 답의 형태가 정해진 업무를 더 빠르고 일관되게 처리하자는 접근이다.
Drex는 모두 4종이다. 80억(8B) 파라미터의 DLM, 90억(9B)의 v1.5, 전체 350억(35B) 가운데 30억(3B)만 활성화되는 v2.0, 270억(27B)의 Max다. 요청 하나에는 '상태'와 그에 대한 질문이 들어간다. 상태는 문서나 기록, AI 에이전트의 작업 맥락이며 이미지를 함께 넣을 수도 있다. 질문은 여러 선택지 가운데 하나를 고르는 것, 예·아니오로 판단하는 것, 순서가 있는 척도에서 점수를 매기는 것 중 하나다.
학습은 지도 미세조정(SFT)에 연구진이 '조정된 피드백 기반 강화학습(RLAF)'이라고 이름 붙인 방법을 더해 진행했다. Max에는 이미지 처리를 위한 비전 튜닝도 거쳤다. 구성 요소를 하나씩 빼 보는 절제 실험에서는 RLAF가 정확도를 높였다. 일관성 손실 항은 선택지 순서를 바꿔도 결과가 흔들리지 않게 하는 데 효과가 있었다.
성능 지표에서는 최상위 모델 Max가 눈에 띈다. Decision Index 0.4.1 공개 평가에서 Max는 67.52점을 받아, 연구진이 비교한 결정 모델 가운데 최고 기록을 세웠다. 기존 결정 모델 Jev 1.14.0은 60.70점이었다. Decision Bench v4에서는 d3-turbo, GPT-6 Sol과 통계적으로 같은 수준이었고 Claude Opus 5.5보다는 1.6점 낮았다. DecideBench에서는 결정 모델 가운데 정확도가 가장 높았다. 범용 최상위 LLM과 정확도는 비슷하거나 약간 낮지만, 같은 과제에서 결정 모델이라는 다른 방식으로 그 수준에 다가섰다는 점에서 의미가 있다.
차이가 가장 크게 벌어진 것은 속도다. Max는 일반적인 요청 하나에 183밀리초(0.183초) 만에 답했다. GPT-6 Sol은 약 2.0초, Claude Opus 5.5는 약 3.5초가 걸려 각각 10배, 19배가량 느렸다. 선택지 순서를 바꿔도 Max의 출력은 안정적이었다. 대량의 문서를 분류하거나 에이전트가 단계마다 판단을 내려야 하는 서비스에서는 응답 시간과 결과의 일관성이 곧 비용과 품질로 이어진다. 연구진이 내세우는 장점도 이 부분이다.
4종 모델은 모두 오픈소스로 공개돼 GitHub 저장소(nace-ai/drex-decision-models)에서 받을 수 있다.
앞서 보도한 기사
GPT-6 Rosalind, 오픈AI 생명과학 연구 특화 모델 출시… 승인 조직만 이용 가능
