REAX 1.3

REAX 1.3

让两个模型在同一张 GPU 上并行运行并取平均，为决策请求的各个选项返回概率。适合想要通过兼容 Jev 的接口使用开放决策模型的团队。

由 decisionmodels 在 Hugging Face 上制作。这些说明是 Mindket 根据它的模型页面和模型卡写的，模型自己的文件和许可证在 Hugging Face 上。

简介

它是什么：REAX 1.3 来自 decisionmodels，这是一个在 Bittensor 子网 92 上工作的去中心化团队。矿工在那里公开竞争，训练决策模型，团队的发布版本建立在最好的参赛作品之上。这个版本把两个模型配成一对，在同一张 GPU 上并行运行。每个模型给请求的每个选项一个概率，两份结果取平均。

适合谁：它适合想要带概率的自动决策、并且能在装有大型 NVIDIA GPU 的 Linux 机器上运行 Docker 的团队。

行业 | 谁在用 | 怎么用 | 例子
客户支持 | 支持工程师 | 把投诉发给合适的团队 | 在配送支持和账单支持之间做选择
运营 | 自动化开发者 | 在工作流里加入带概率的决策步骤 | 按最可能的选项分支
AI 研究 | 研究者 | 研究来自公开训练竞赛的模型 | 与其他决策模型做对比
平台工程 | 基础设施团队 | 只用本地文件来提供决策模型服务 | 在私有 GPU 机器上运行服务

如果你没有 96 GB 的 NVIDIA RTX PRO 6000 级别 GPU，可以跳过它，因为整套设置都是围绕这张卡搭建的。

用在哪里：

• GPU 为 NVIDIA RTX PRO 6000（Blackwell，96 GB）的 Linux 机器
• 装有 NVIDIA Container Toolkit 的 Docker
• 你自己的软件，调用本地 HTTP 服务
• Decision Index 工具包，如果你想离线打分

用例 | 谁用 | 得到什么
带类型的决策请求 | 开发者 | 你提供的每个选项的概率
健康检查 | 运维人员 | 显示服务器在运行的回复
基准测试 | 研究者 | 用 Decision Index 工具包而不是 HTTP 得到的分数

如何设置：你需要一台带 96 GB NVIDIA GPU 的 Linux 机器、Docker、充足的磁盘，以及足够加载权重的内存。

• Linux 上有一张 NVIDIA RTX PRO 6000 类型的 GPU（Blackwell，96 GB），驱动支持 CUDA 13
• 装有 NVIDIA Container Toolkit 的 Docker
• 至少 400 GB 的可用磁盘和 64 GiB 内存，加载权重时建议 128 GiB
• 两个部分的权重下载后约 115 GB

1. 克隆 REAX Engine 仓库和 Decision Index 工具包，并切换到模型卡指定的提交。
2. 在 reax13 文件夹里构建两个 Docker 镜像。
3. 用 Hugging Face 工具下载权重的两个部分。
4. 用模型卡里的 docker run 命令启动服务器，它只使用本地文件。

cd reax-engine/reax13
docker build -t reax13-base -f Dockerfile .
docker build -t reax13-runtime -f Dockerfile.conv .

python3 -m venv .hf-cli
source .hf-cli/bin/activate
pip install -U "huggingface_hub[cli]"
hf download decisionmodels/REAX-1.3 --include 'part-g/*' --include 'part-q/*' --local-dir model-repo

如何使用：服务器启动后，你向它本机 8080 端口的 systemone 路径发送 JSON 请求。第一次回答需要几分钟，因为模型要加载和预热。请求里包含一个状态和带类型的问题。

{"state":"A parcel arrived late.","questions":{"route":{"type":"choice","instructions":"Which team should handle the complaint?","criteria":{"delivery":"Delivery support","billing":"Billing support"}}}}

工具 | 作用
GET /healthz | 对运行中的服务器做健康检查
POST /v1/systemone | 接收状态和带类型的问题，返回每个选项的概率

示例：你发送一条包裹迟到的说明，附带一个问题，问投诉该由配送支持还是账单支持处理。回复会给出配送选项的概率和账单选项的概率。

新手与专家：如果你刚接触这类模型，可以想象两位评委各自给每个选项打分，最终答案是他们分数的平均。第一次可以先启动服务器，再发送上面的示例请求。

对熟悉这个领域的人来说，一个部分来自 Gemma 系列的矿工 uid 18，另一个来自 Qwen3.5-27B 系列的矿工 uid 83，各自又与另一个模型混合。两者都以 FP8 加载在一张 GPU 上，峰值约占 88.5 GiB。任何超过 32,000 个输入词元的请求都会被拒绝而不是被截短，较慢的长请求需要 1,800 s 或更长的客户端超时。

带状态和问题的请求到达
Part G 和 Part Q 各自给每个选项打分
两组概率被平均
你得到每个选项的概率

注意事项：模型卡自己的测量是在公开的 Decision Index 0.3 套件上得到 73.71。作者称这是内部结果，不是官方榜单分数。兼容 Jev 只描述接口，并不表示背书或输出完全一致。

• License: Apache 2.0，它运行所依赖的 REAX Engine 采用 MIT 许可
• Cost to run: 一台带 96 GB NVIDIA GPU 的机器，未提及付费服务
• Data it reaches: 你发送的请求，服务器启动时只使用本地文件
• Not for: 没有指定 96 GB GPU 的机器，或超过 32,000 个输入词元的请求

Hugging Face 上的数据（2026年11月13日）

• Formats: Safetensors
• 最近 30 天下载：0
• 点赞：11
• 许可证：apache-2.0
• 语言：en
• Fine-tunes: 2
• 标签：safetensors, decision-model, reax

链接

• 模型：https://huggingface.co/decisionmodels/REAX-1.3
• 文件：https://huggingface.co/decisionmodels/REAX-1.3/tree/main

获取模型

用 Hugging Face 的命令行下载它的文件：

pip install -U huggingface_hub
hf download decisionmodels/REAX-1.3

然后按它的模型卡使用它。这个工具包里没有会自己运行的东西。