Eine generierte Titelkarte für Drex Max v1.1 mit dem Untertitel „Erster im Artificial Analysis Decision Index v2 mit 0,56 Punkten Vorsprung“, Chips mit der Aufschrift 73,4 Decision Index, 275 ms pro Aufgabe, 102 US-Dollar pro 1 Mio. Aufgaben und einem Anfragelimit von 262.144 Token sowie einer Bestenlistenleiste, die 73,4, 72,8 und 72,4 für die drei besten Entscheidungsmodelle zeigt.
Guides & Insights

Drex Max v1.1 führt den Decision Index an — und die eigenen Details des Boards relativieren den Sieg.

Autor

Gideon Frost

Veröffentlicht am

Neueste Modelle · 20Alle Modelle ansehen →
Benchmarks: Artificial Analysis · täglich aktualisiert
Zurück zu allen Beiträgen

Drex Max v1.1, das multimodale Entscheidungsmodell von Nace.AI, steht mit einer Punktzahl von 73,4 an der Spitze des Artificial Analysis Decision Index v2. Der Abstand beträgt 0,56 Punkte vor GLiDE v1.2 von Fastino Labs mit 72,8 und 0,94 Punkte vor Mammoth 27B mit 72,4. Diese drei Zahlen sind die ganze Geschichte der Spitze des Rankings, und sie sind auch der Grund, warum die Schlagzeile einen zweiten Satz braucht: Dieselbe Auswertung besagt, dass GLiDE genauer ist als Drex Max v1.1 und dass Mammoth 27B bei Paraphrasen weitaus häufiger dieselbe Antwort beibehält.

Das Modell selbst ist heute nicht neu. Naces eigene Modellreferenz führt drex-max-v1.1 als am 28. Oktober 2026 veröffentlicht auf, und die zurückgezogene drex-max-ID wird seit dem 8. November von v1.1 bedient. Neu ist die Messung. Artificial Analysis veröffentlichte Decision Index v2 am 8. November 2026, zwei Tage vor diesem Artikel, und es ist das erste unabhängige Board, das diesen Checkpoint mit einem einzigen Instrument gegen das übrige Feld der Entscheidungsmodelle bewertet. Das ist die Nachricht: kein Launch, sondern die erste externe Zahl für ein Modell, das bislang nur die eigene des Anbieters geliefert hatte.

Was das Board jetzt tatsächlich misst

Der Decision Index v2 ist ein anderes Instrument als das, das die 64 erzeugte, die Drex Max im Oktober mit sich führte, daher sind die beiden nicht vergleichbar und niemand sollte sie gegenüberstellen. Der v2-Index ist ein gewichteter Durchschnitt aus sechs Bewertungen, und 45 % davon basieren inzwischen auf privaten Daten, gegenüber 25 % in v1 – eine bewusste Maßnahme gegen Benchmark-Overfitting.

Screenshot of the Artificial Analysis Decision Index v2 page, showing the leaderboard navigation, the index name, and the board's own definition: a composite index testing decision models across document decisions and extraction, tool calling, knowledge, reasoning and invariance, combining six evaluations including AA-Paperclip's 1,500 resumes, receipts and invoices.

• AA-Paperclip, 30 % des Index — 1.500 private Dokumente (Lebensläufe, Belege, Rechnungen, wissenschaftliche Arbeiten), die jeweils fünf Entscheidungen und zehn zu extrahierende Fakten enthalten und als ein Dokument bewertet werden, das nur zählt, wenn alle fünfzehn Antworten richtig sind.

• EvalSafe-O*NET-AA, 15 % — Beurteilung von Arbeitsplatzdokumenten, basierend auf TypeSafe's O*NET-Benchmark.

• AA-Omniscience-Decision v1.1, 15 % – Wissen und Halluzination, wobei die Option „Ich weiß es nicht“ auf zehn Arten umformuliert wurde.

• HLE-MultiChoice v1.1, 15 % — Humanity's Last Exam Multiple-Choice, ebenfalls mit einer Option zum Ablehnen.

• AA-Symmetry, 15 % — 120 Fragen, erweitert auf 440 Varianten durch Umordnen der Optionen, Vertauschen der Bezeichnungen und Negieren von Ja/Nein-Fragen.

• When2Call, 10 % — NVIDIAs Evaluierung für Tool-Aufrufe, gesunken von 25 % in v1.

Die zentrale Kennzahl ist ebenfalls neu. Jede Frage wird mit 50 × (1 + c − (p − c)²) bewertet, wobei p die Wahrscheinlichkeit ist, die das Modell auf seine Antwort gesetzt hat, und c dafür steht, ob diese Antwort richtig war. In der Summe ergibt das 50 × (1 + Genauigkeit − Brier-Score). Ein Modell wird dafür belohnt, richtig zu liegen und zu wissen, wie richtig es liegt, und ein selbstbewusster Fehler wird stärker bestraft als ein zögerlicher. Das ist hier von Bedeutung, denn Drex’ Pitch ist kalibrierte Wahrscheinlichkeit statt Prosa, und dies ist das erste Board, das die Kalibrierung direkt bewertet, statt sie als Fußnote zu behandeln.

Wo Drex Max v1.1 gewinnt, um wie viel und gegen wen

Der Verbund verbirgt ein gesplittetes Feld. Auseinandergenommen stammt der Vorsprung von Drex Max v1.1 aus zwei von sechs Komponenten, und eine davon ist diejenige, für die Nace das Modell gebaut hat.

• AA-Paperclip (Dokumente) — Drex Max v1.1 erzielt 72,8 beim Entscheidungs-Score, wobei 63,0 % der Dokumente vollständig korrekt sind; d1-ultra von Liquid AI liegt bei 64,7 und 51,3 %, Microsoft-Decision-1 bei 51,8 und 20,9 %.

• When2Call (Tool-Aufruf) — Drex Max v1.1 95,26 gegenüber Jev 1.14 mit 84,39 und Microsoft-Decision-1 mit 87,95, der größte Unterschied bei einer Einzelbewertung im Vergleichsset.

• AA-Symmetrie — Drex Max v1.1 84.96, Jev 1.14 79.31, d1-ultra 77.81, Microsoft-Decision-1 75.25. GLiDE v1.2 liegt bei 84.18, praktisch gleichauf.

• AA-Omniscience-Decision — Drex Max v1.1 60.27, d1-ultra 64.39. Dieses geht in die andere Richtung, und es ist die Bewertung, bei der es um das Wissen über Dinge geht und nicht um das Entscheiden über Dinge.

• HLE-MultiChoice — Drex Max v1.1 46,61 gegenüber Jev 1.14 mit 44,47, aber d1-ultra liegt bei 47,39 und die Rohgenauigkeit beträgt 8,25 % gegenüber Jevs 12,77 %.

• Zeit pro Aufgabe — 275 ms für Drex Max v1.1, 92 ms für Jev 1.14, 295 ms für d1-ultra. Drex ist das schnellste Entscheidungsmodell im Frontier-Maßstab im Feld und rund dreimal langsamer als der im Betrieb günstigste etablierte Anbieter.

A generated component breakdown headed 'Drex Max v1.1 vs GLiDE v1.2 vs Mammoth 27B — where the points come from', with five weighted rows: document decisions at 30 percent weight scoring 72.8, 76.0 and 66.0; workplace judgement at 15 percent scoring 88.3, 84.1 and 79.9; tool calling at 10 percent scoring 95.3, 90.1 and 87.0; paraphrase symmetry at 15 percent scoring 85.0, 84.2 and 99.0; and knowledge and abstention at 15 percent scoring 60.3, 58.6 and 59.0, footnoted to the Artificial Analysis Decision Index v2 of 8 November 2026.

Vier Einschränkungen, die der Vorstand veröffentlicht, die Pressemitteilung aber nicht

Artificial Analysis ist ungewöhnlich explizit darüber, was sein eigener Spitzenwert nicht bedeutet, und der Artikel, der v2 ankündigt, sagt jedes dieser Dinge in klarer Sprache.

Der erste Punkt ist die Genauigkeit. „GLiDE v1.2 führt bei den Genauigkeitsmetriken vor Drex Max v1.1 (60 vs. 58), während Drex Max v1.1 beim Decision Index knapp vorne liegt.“ Drex gewinnt den Gesamtwert, weil es besser kalibriert ist, nicht weil es mehr Antworten richtig hat. Wenn Ihre Pipeline die Wahrscheinlichkeit verwirft und nur den Argmax behält, haben Sie den Teil des Modells gekauft, den der Vorstand nicht belohnt hat.

Der zweite Punkt ist Konsistenz bei Umformulierungen. Mammoth 27B wählt bei 99 % der Fragen über die Varianten von AA-Symmetry hinweg dieselbe Antwort; Drex Max v1.1 tut dies bei 91 %, GLiDE bei 88 %. Drex liegt weiterhin deutlich vor seinem früheren Stand und vor Jev, aber „dieselbe Frage, auf zwei Arten formuliert, ergibt dieselbe Antwort“ ist eine Eigenschaft, die Mammoth hat und Drex nicht vollständig.

Der dritte ist der Alles-oder-nichts-Dokumenttest. Drex Max v1.1 beantwortet 97 % der einzelnen Fragen auf AA-Paperclip richtig, besteht aber nur 63 % der Dokumente, weil eine falsche Antwort von fünfzehn das Dokument scheitern lässt. Bei 71 % der Dokumente trifft es alle fünf Entscheidungen richtig und bei 88 % alle zehn Extraktionen. Claude Haiku 5.5 (Max), ein Allzweck-Sprachmodell, besteht 92 %. Die Lücke zwischen 97 % richtigen Antworten und 63 % bestandenen Dokumenten sind die Kosten dafür, fünfzehn abhängige Aufrufe ohne Prüfer zu verketten.

Der vierte Punkt ist die Enthaltung. Bei der Allwissenheits-Bewertung verweigert d1-ultra bei 88,6 % der Fragen, die es nicht beantworten kann, die Antwort, statt zu raten; Drex Max v1.1 bei 65,3 %; Microsoft-Decision-1 bei 21,7 %. Drex ist ein Modell, das sich lieber festlegt, als sich zu enthalten, was in Ordnung ist, wenn ein Mensch den Tail mit geringer Konfidenz prüft, und teuer, wenn niemand dies tut.

Die Kostenspalte ist das Stärkste, was Nace zu bieten hat.

Kosten pro 1 Million Aufgaben auf demselben Board: Celeris-1.1 Decision 14 $, Decider v1.2 68 $, Drex Max v1.1 102 $, d1-ultra 132 $, Microsoft-Decision-1 142 $, Jev 1.14 156 $, GLiDE v1.2 780 $, Clef 859 $. Oberhalb der Entscheidungsmodelle kostet GPT-6 Luna (Max) 1.530 $ und Claude Haiku 5.5 (Max) 6.240 $ für drei bis vier Indexpunkte.

Ein Teil dieses Kostenunterschieds ist der Token-Preis und ein Teil die Abrechnungsform, und das Board trennt beides. Drex Max v1.1 und Decider v1.2 werten ein Dokument einmal aus und beantworten jede Frage aus diesem einen Durchlauf, sodass eine AA-Paperclip-Aufgabe ungefähr 9.000 Eingabe-Token verbraucht. GLiDE v1.2 und Decider Flash v1.2 berechnen die Eingabe für jede Frage erneut, etwa 63.000 Token pro Aufgabe, weshalb GLiDE bei einem Listenpreis von 0,04 $ auf 780 $ kommt — fast das Achtfache der Kosten von Drex bei einem um 33 % höheren Token-Preis. Naces eigene Tabelle nennt „0,03 $ pro 1.000 Entscheidungen“, und das Board nennt 102 $ pro 1 Million Aufgaben; das sind unterschiedliche Einheiten, die unterschiedliche Arbeitslasten messen, und nur mit der zweiten lassen sich Modelle direkt vergleichen.

Naces Produktseite titelt außerdem mit „118× schneller als Claude Haiku 5.5 (Max)“. Betrachten Sie das als Herstellerangabe auf Basis eines Herstellernenners. Die Einheit des Boards ist Zeit pro Aufgabe, wobei Drex Max v1.1 bei 275 ms liegt und AAs Ausarbeitung GPT-6 Luna (Max) bei 11,34 s einordnet – rund 40×. Beide Zahlen können gleichzeitig zutreffen, weil die eine eine einzelne Entscheidung zählt und die andere ein ganzes Dokument mit fünfzehn Fragen. Planen Sie die Kapazität anhand der Pro-Aufgabe-Zahl.

Die ID ist der Teil, der Ihre Integration zum Scheitern bringen wird.

Drei Dinge in Naces Dokumentation kosten einen Nachmittag, wenn Sie sie erst nach der Anbindung des Clients entdecken.

• drex-latest verweist nicht auf ein Max-Modell. Es wird zu drex-v2.0 aufgelöst, einem textbasierten Mixture-of-Experts mit offenen Gewichten, das auf demselben Board 63,43 Punkte erzielt. Eine Anfrage, die model vollständig auslässt, wird ebenfalls von drex-v2.0 beantwortet. Wenn Sie einen Quickstart kopiert haben, der TYPESAFE_DEFAULT_MODEL=drex-latest setzt – und Naces eigene Anweisungen zur Jev-Kompatibilität raten Ihnen dazu –, rufen Sie das falsche Modell auf und sehen einen Rückgang des Index um 10 Punkte – ohne Fehlermeldung.

drex-max wird mit Wirkung zum 8. November 2026 eingestellt und wird von drex-max-v1.1 mit den Limits und dem Preis von v1.1 bedient. Bestehende Clients funktionieren weiterhin; die Antwort meldet die ID des Nachfolgers. Für neue Arbeiten sollte drex-max-v1.1 explizit gesendet werden.

• Die Kontextangabe wird zweimal unterschiedlich genannt. Der API-Leitfaden nennt 131.072 Token pro Frage, wobei Bild-Token mitgezählt werden; die Modellreferenz nennt ein Eingabelimit von 262.144 Token für die gesamte gepackte Anfrage, einschließlich Zustand, aller acht Bilder, jeder Frage und der Formatierung des Modells. Kalkuliere mit der kleineren Zahl, sofern du die größere nicht getestet hast.

Screenshot of Nace's Drex model reference page, showing the documentation sidebar covering the Drex API, guides, the Drex Max section and the Drex reference pages for Models, Errors, Limits and Pricing, with the Models page open and described as the table of models Drex serves, their API ids, prices and token limits.

Nichts davon ist ein Defekt. Sie sind die gewöhnlichen Überreste der In-Place-Versionierung, und sie sind der Grund, warum das Veröffentlichungsdatum des Modells wichtiger ist als die Versionsnummer im Namen.

Was das bedeutet, wenn Sie heute wählen

Drex Max v1.1 ist auf keiner Route, die wir anbieten. Der OrcaRouter-Katalog führt es nicht, und nichts hier sollte als Verfügbarkeitszusage verstanden werden – Nace vertreibt es über seine eigene API und seine eigene Konsole, während der Einführungsphase zu 0,03 $ pro Million Eingabetokens, 50 % Rabatt auf einen Listenpreis von 0,06 $. Was der Katalog jedoch führt, ist der etablierte Anbieter, an dem dieses Modell gemessen wird: TypeSafe Jev 1.14 ist eine gelistete Route zu 0,042 $ pro Million Eingabetokens, mit demselben Anfrageformat für typisierte Fragen und einer 66,96 auf demselben Board. Beide zu betreiben bedeutet zwei Verträge und zwei SDKs, was die eigentlichen Kosten eines Bake-offs sind, und es ist der übliche Grund, warum man den Vergleich stattdessen hinter einen Router legt.

Die ehrliche Lesart von 73,4 ist enger als „bestes Entscheidungsmodell“. Drex Max v1.1 hat den besten Gesamtwert auf einem Board, das zu 45 % privat und zwei Tage alt ist, es ist das schnellste Modell mit diesem Wert – mit großem Abstand –, und es ist das drittgünstigste an der Pareto-Front. Es ist nicht das genaueste, nicht das konsistenteste und nicht das am ehesten bereit, sich zu enthalten. Welcher dieser vier Punkte zählt, hängt vollständig davon ab, ob ein Mensch den Tail geringer Konfidenz sieht – und diese Frage steht auf keinem Leaderboard.

Was diese Lesart ändern würde: ein zweites unabhängiges Board, das die 73,4 reproduziert, oder eine v1.2, die die HLE-MultiChoice-Genauigkeit über Jevs 12,77 % hebt. Beides gibt es noch nicht. Bis eines davon existiert, ist die Zahl, die man zitieren sollte, 73,4 mit dem angehängten Wort „narrow“.