Drex 技術報告公開，決策模型如何學會可靠的機率與選項順序？
Drex 首次公開訓練報告，解析已驗證資料、RLAF 教師回饋、準確率與選項順序的一致性，以及高機率仍可能過度自信的校準界線。
AI回傳很高的選項機率，不保證換一組資料後仍同樣可靠。如果選項只換順序，最可能的答案也改變，系統就更難信任這個數字。
Drex技術報告把這些問題放進訓練方法裡。Nace在2026年11月6日介紹首次公開的報告，論文於前一天上傳，披露不同架構的資料與後訓練配方。
這次新事件是研究披露，已推出的Drex型號是受測對象，並非又一次新模型上線。
報告把教師的機率判斷與可驗證答案結合，希望模型不只選對，也能學習什麼時候應該保留不確定。
對照實驗另檢查選項順序，顯示提高答對率和減少答案翻轉，是可以分開觀察的收益，不能用一個總分概括。
我認為這份材料適合想理解快速決策模型訓練的人。它提供具體方法，也留下過度自信與跨領域校準的問題，讀者需要把兩面一起看。
從模型為何需要回傳機率開始，才能理解後訓練究竟在修正什麼。
Drex 技術報告要解決什麼決策問題？
模型要交出可供程式接續使用的選項分布，因此答對與表達不確定，都需要成為學習目標。
一般聊天模型逐字寫答案，決策模型則直接替候選分配機率。例如系統要決定下一步使用哪個工具，可以讀取選項分數，不必先解析一段自然語言。
但最高分只說明它偏向哪個答案，還沒有說明這份信心是否可靠。如果許多標成九成把握的答案，最後只答對六成，程式便可能在錯誤信心下放行工作。
校準就是檢查這種把握與實際結果是否對得上。它和準確率不同，一個模型即使多答對幾題，仍可能把其餘錯誤說得過於確定。
報告涵蓋四種架構，包括較早的八十億參數模型、九十億的v1.5，以及總參數三百五十億、每次啟動約三十億的v2，另有二百七十億的Max。
前幾種採指標式輸出，可以把情境先編碼，再讓多個問題讀取共用內容。Max的讀取方式不同，每個問題仍要重新處理相應輸入，不能概括成所有型號都只算一次。
這些差異解釋了為何報告要分開列配方。架構如何讀資料，會決定後訓練能怎麼調整機率，並非只替所有模型接上同一個獎勵公式。
先有可檢查的資料與答案，訓練才有依據修正這些分布。
一百一十五萬筆資料，如何建立可檢查的答案？
訓練結合教師資料、開放資料與可執行驗證的例子，再用不同目標處理選擇題與有順序的評分。
報告披露v1.5的文字訓練集合有1,150,460筆紀錄，涵蓋十一個領域。這是該版本文字資料的分母，視覺訓練另有蒐集，不能都算進這個數字。
大部分來自教師模型整理的資料，另外包含開放資料與程序產生的例子。所謂程序產生，是讓程式、遊戲引擎等系統建立題目與結果，使某些答案可以實際驗證。
這和只請另一個模型宣稱答案正確不同。資料可能使用既有標準答案、程式執行結果或引擎狀態，替訓練提供較明確的對照。
監督式微調先教模型完成這些任務，也就是根據已知例子，調整它對各選項的預測。當選擇題至少有三個候選，訓練時會更換排列，避免固定位置變成答案線索。
團隊另外加入一致性要求，比較選項換順序或情境資訊重新排列後，模型的機率分布是否仍相近。這不只是多做幾題，而是要求同一意思的不同呈現方式彼此對得上。
有序評分則需要保留等級距離。把「低、中、高」的低誤判成高，和只偏到中，程度不同，所以不能完全當作三個互不相關的類別處理。
報告使用考慮累積分布差距的訓練目標，讓預測錯到多遠也影響調整。這是數值排序上的設計，不代表每一種業務等級都已有相同合理的間距。
資料還會加入干擾選項或「以上皆非」等安排，讓模型有機會學習候選全不適合的情況，而不是每次都被迫在不正確的內容中硬選一個。
不過，單一標準答案可能把原本有不確定性的情況教得過於尖銳。下一階段因此嘗試保留教師對其他答案的相對判斷。
延伸閱讀：Amos 1 開放權重決策模型：直接回傳選項與機率，適合哪些 AI 工作？
RLAF 如何把教師意見和已知結果放在一起？
這套後訓練把教師分布與已驗證結果合併，但指標式模型和Max的調整方式不同，不能只看名稱就認定它們做了相同運算。
RLAF是從調整後回饋學習的簡稱。對指標式模型而言，教師先替候選給出機率，再根據已驗證答案修正，形成帶有不確定性的目標分布。
例如，標準答案可以指出哪個候選應受到支持，教師分布則保留其他候選相對接近或不接近的資訊。實際權重由訓練配方決定，並非平均兩個模型的文字答案。
目標要求模型把機率放在合理位置。選擇題使用機率評分規則，有序評分則使用前述考慮距離的方式，讓表達信心本身也影響學習結果。
在報告披露的訓練安排中，指標式模型可以直接對這個確定的目標計算梯度。梯度是告訴參數往哪個方向調整的訊號，不需要每次先隨機抽出一個完整答案才能學習。
團隊試過依隨機取樣回報的另一種方法，沒有得到更好結果。因此，名稱雖含強化學習，也不能推論它在使用者每次作答後，都會即時連線自我更新。
Max為何另用生成式教師？
Max使用同樣Qwen3.8-27B底座的高推理生成模型提供評判，再混入已驗證結果。教師能寫出較長的思考，但不因這件事就必然比學生更正確，也不是一個參數更大的模型。
配方以0.2權重納入可驗證結果，以0.05權重納入教師回饋，另外要求新分布不要偏離微調後模型太遠。沒有已驗證答案時，前一項權重為零。
這種限制能讓後訓練有明確起點，而非任意把機率推向某一端。訓練另使用低秩參數調整，也就是在較小的可調整參數空間裡改變行為。
教師仍可能和標準答案衝突。報告指出，這種設計理論上存在教師意見蓋過驗證結果的風險，但沒有測出發生頻率，所以不能把可能風險寫成已確認的主要錯誤來源。
同樣地，模型可能學到教師的信心偏差，但這還需要對照驗證。報告能直接支持的收益，應回到同底座、同資料的實驗結果。
對照實驗如何拆開準確率與排序穩定？
報告顯示後訓練能提高分數，而一致性訓練又能減少換順序造成的翻轉，兩者不是同一個指標。
Max的控制實驗中，監督式微調後，公開綜合分數64.9，加入RLAF後為66.9。相應準確率從86.5%到88.0%，校準誤差由4.4到3.5。
校準誤差概括信心與答對情況的落差，較低代表在這組資料上更接近。它不是「錯誤答案只剩3.5%」，也不能從中推出每個領域都已同樣可靠。
這張表的66.9也和加入視覺階段後的66.8不同，不能再混入十月公開榜單的67.52，拼成同一次實驗連續進步的紀錄。
另一組固定都做RLAF，比較先前有無一致性訓練。綜合分數為66.9對66.4，差距不大，但換選項順序後翻轉最可能答案的比例為4.2%對6.3%。
翻轉測試共1,591個決策，同一題用不同排列重問。這個分母支持的是排列穩定性，並非把一千多個不同真實應用都測過。
在候選至少六個的子集裡，只有173題，翻轉比例為13.0%對17.8%。報告認為樣本不足以支持統計顯著，不能把這組差距說成已確定對所有大選項集合有效。
公開評測使用140,620筆請求，其中140,178筆由維護者保留分析。部分請求彼此相關，因此研究在重抽樣時保留相關單位，而非假設每個答案都完全獨立。
計算綜合分數信賴區間時，重抽樣單位是基準集合，也不同於把所有題目混在一起抽。這會影響誤差範圍的意思，讀者不能只看小數點後差幾分。
報告另做多項比較，沒有全部調整多重檢定。因此，接近慣用顯著門檻的結果較適合作為線索，和控制實驗中可直接觀察的分數變化應分開讀。
機率校準仍有哪些不能跳過的界線？
模型在新領域仍可能過度自信，研究找到的校準參數也不是可以搬到所有資料的通用答案。
報告指出，Max在部分非語言領域的信心，比實際結果高約五到九個百分點。模型整體表現好，仍可能在某類問題上，把風險說得太低。
一種調整方式是改變溫度，讓分布變平或變尖。它不改變最高選項的排序，卻會改變各選項機率，因此能在保留選擇的同時調整信心。
部署版本的相關值為1.009，報告在保留的Decision Index資料上擬合則約1.35。兩者不同，顯示資料分布會影響合適的校準程度，不能把1.35直接寫成所有場景最佳值。
較小的DecisionBench v4則有1,071個決策、三十五項任務與十一類，其中949個純文字、62個同時有文字與影像、60個影像問題，另有自己的評估範圍。
校準比較也只在原生回傳機率的模型間進行。聊天模型自己用文字說「我有九成把握」，和專門訓練的機率輸出不同，報告沒有把兩者直接當成同一種誤差測量。
訓練資料去重使用精確匹配與文字片段檢查，但仍可能漏掉改寫內容，教師本身也可能繼承先前看過的資料。這些方法降低部分重疊，沒有證明所有測試完全無污染。
報告也承認，封閉知識題仍落後較強的大型模型，單次快速決策無法代替所有長推理與工具工作。若題目本身需要查新資料，快速選擇並不會自動補出缺少的知識。
最後，文中的十月延遲測量包含網路等待，描述的是當時測試地點與服務的整體回應。讀取這張表時應保留日期和網路邊界，本次新披露的訓練方法，並未替各地部署另作現行速度保證。
延伸閱讀：決策模型怎麼做 LLM 評測？Hamel Husain 教你調門檻、比成本、讀分數
Drex 技術報告常見問題 FAQ
這次有推出新的Drex Max嗎？
本次是首次公開技術報告，揭露已推出型號的訓練與評測。論文封面十月是稿件月份，首次上傳在十一月五日，官方六日介紹，並非舊型號再次首發。
選項換順序後更穩，就一定答對嗎？
穩定表示模型較少因排列改變最可能答案，仍可能穩定地選錯。報告把準確率、排列翻轉與校準分開評估，正是因為三者回答不同問題。
用較高溫度校準，會讓最高答案變成另一個嗎？
這裡的溫度調整讓機率分布變平或變尖，不改變原本最高選項的排序。它能調整信心，卻不能單靠這一步把答錯的題目改成答對。
結論
Drex新報告的價值，是把快速選擇背後的資料、教師回饋與排序一致性拆成可檢查的訓練問題。高分之外，信心如何學習也成為證據的一部分。
若你正比較決策模型，可以在同一批資料保留選項排列測試，另看準確率與信心落差，再決定門檻。這會比只用一個最高總分，還更接近系統真正需要的可靠判斷。
