
Drex Max v1.1 vs Liquid AI d1-ultra: Dos evaluadores multimodales, y un titular que ya no se sostiene
- OrcaNUEVOOrcaCyber: Hy4 Flash Abliterated / Uncensored2026-11-18$0.07 / $0.28 por 1M de tokens · 180 tok/s
- tencentNUEVOTencent: Hy4 Flash2026-11-16$0.02 / $0.07 por 1M de tokens · 223 tok/s
- GoogleNUEVOGoogle: Gemini 4 Carbon2026-11-10$2.00 / $10.00 por 1M de tokens · 89 tok/s
- AnthropicNUEVOAnthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 por 1M de tokens · 98 tok/s
- orcaNUEVOOrca: OrcaC2 1.02026-11-079 tok/s
- OrcaOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 por 1M de tokens · 88 tok/s
- OrcaOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 por 1M de tokens · 134 tok/s
- OrcaOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$2.00 / $5.00 por 1M de tokens · 79 tok/s
- tencentTencent: Hy42026-11-04$0.83 / $2.50 por 1M de tokens · 94 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 por 1M de tokens · 118 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 por 1M de tokens · 68 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 por 1M de tokens · 94 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 por 1M de tokens · 44 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447Inteligencia
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 por 1M de tokens · 199 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929Inteligencia
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 por 1M de tokens · 114 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733Inteligencia
- DeepSeekDeepSeek: DeepSeek V4.1 Flash 09102026-10-17$0.15 / $0.60 por 1M de tokens · 311 tok/s
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740Inteligencia
Liquid AI d1-ultra se lanzó el 15 de octubre de 2026 con una frase que era defendible en aquel momento: "supera a todos los demás modelos de decisión del Artificial Analysis Decision Index por al menos 8 puntos". Tres semanas después, Artificial Analysis sustituyó ese índice por la v2, volvió a puntuar diecisiete modelos con nuevos datos, y d1-ultra quedó en quinto lugar con 70,4 — por detrás de Drex Max v1.1 con 73,4, GLiDE v1.2 con 72,8, Mammoth 27B con 72,4 y, por tres centésimas de punto, Decider v1.2 de Perplexity con 70,5. La ventaja de ocho puntos ha desaparecido, y nunca se midió con este instrumento.
Ese es el marco de esta comparación, y vale la pena ser preciso sobre lo que significa y lo que no. No significa que d1-ultra haya empeorado. Significa que la tabla cambió debajo de una afirmación que se había hecho contra la anterior, que es el riesgo habitual de citar una posición en una tabla de clasificación como si fuera una propiedad del modelo. Ambos son potentes evaluadores de decisiones multimodales. También están más cerca de lo que implica el marketing de cualquiera de los proveedores, y son buenos en cosas visiblemente diferentes.
Donde los dos modelos coinciden, que es la mayor parte de la superficie
Ambos son modelos de decisión en sentido estricto: se les envía un estado y preguntas tipadas, una pasada hacia adelante devuelve una probabilidad por opción y no se genera texto. Ambos aceptan imágenes junto con texto. Ambos responden a las mismas tres formas de pregunta: una elección entre opciones con nombre, un sí/no y una puntuación en una escala. Ambos solo facturan la entrada, y la salida no se factura, porque no hay salida.
• Modalidad — Drex Max v1.1 lee texto, capturas de pantalla, gráficos, formularios, documentos escaneados, fotos y fotogramas de video, ocho imágenes por solicitud. d1-ultra lee texto, imágenes o ambos; el ejemplo de lanzamiento de Liquid es una fotografía de una placa de circuito verificada contra su especificación.
• Precio por millón de tokens de entrada — $0.03 para Drex Max v1.1 durante su periodo de lanzamiento (50% de descuento sobre un precio de lista de $0.06), $0.042 para d1-ultra. Nace es más barato hoy y puede que no lo sea después de que termine el descuento.
• Facturación de imágenes — Drex Max v1.1 cuenta los tokens de imagen dentro del límite de 131.072 tokens por pregunta. d1-ultra factura 1,5 tokens por cada parche de 32×32 píxeles, por lo que una imagen de 1024×1024 cuesta 1536 tokens, y factura cada pregunta como su propio prompt incluyendo todas las imágenes.
• Contexto — 131.072 tokens por pregunta para Drex Max v1.1, con 262.144 para toda la solicitud empaquetada. Liquid no publica una ventana comparable por pregunta.
• Disponibilidad — Drex Max v1.1 se comercializa a través de la API y la consola de Nace; d1-ultra, a través de la API y la consola de Liquid. Ninguno está en nuestra lista de rutas, y nada de esto constituye una declaración de disponibilidad por nuestra parte.
Esa regla de facturación por pregunta en d1-ultra es el detalle que decide el coste a escala de documento, y el consejo lo midió. Artificial Analysis informa que Drex Max v1.1 consume alrededor de 9.000 tokens de entrada en una tarea de documento de quince preguntas, frente a aproximadamente 63.000 en modelos que vuelven a facturar la entrada por pregunta; y el coste por tarea de d1-ultra resultó de $132 frente a los $102 de Drex, cerca de la proporción de sus precios de lista y ligeramente peor.
La placa, componente por componente
La brecha compuesta es de 2,9 puntos. Las brechas por componente son muy desiguales, y el patrón es consistente: Drex gana en documentos, d1-ultra gana en saber cosas y en negarse a responder.

• Decision Index v2 — Drex Max v1.1 73,39, d1-ultra 70,45.
• Índice de precisión — Drex Max v1.1 58.41, d1-ultra 54.94, que es la puntuación con el componente de calibración eliminado.
• Puntuación de decisión de documento de AA-Paperclip — Drex Max v1.1 72,82, d1-ultra 64,69. Tasa de las quince correctas: 63,0 % frente a 51,3 %.
• Llamada a herramientas de When2Call — Drex Max v1.1 95.26, d1-ultra 93.83. Están cerca, y ambos muy por encima del 84.39 de Jev 1.14.
• Consistencia de paráfrasis de AA-Symmetry — Drex Max v1.1 84.96, d1-ultra 77.81, una brecha de 7 puntos que es la segunda mayor divergencia del conjunto.
• AA-Omniscience-Decision — d1-ultra 64.39, Drex Max v1.1 60.27. La única evaluación en la que se invierte el orden.
• HLE-MultiChoice — d1-ultra 47,39, Drex Max v1.1 46,61, pero en precisión bruta d1-ultra está en 6,09% y Drex en 8,25%.
• Abstención — d1-ultra se abstiene en el 88,61 % de las preguntas de omnisciencia que no puede responder, Drex Max v1.1 en el 65,28 %, Microsoft-Decision-1 en el 21,74 %.
• Tiempo por tarea — Drex Max v1.1 275 ms, d1-ultra 295 ms.
• Coste por 1M de tareas — Drex Max v1.1 $102, d1-ultra $132.
Lee la fila de abstención dos veces, porque explica la fila de omnisciencia y es la propiedad menos intuitiva del tablero. La puntuación de decisión de omnisciencia más alta de d1-ultra no se debe principalmente al conocimiento: su precisión bruta ahí es del 28,0 %, la misma que la de Drex Max v1.1. Obtiene una puntuación más alta porque dice "no lo sé" con mucha más frecuencia y la función de puntuación lo recompensa. Mammoth 27B y Elephant 9B lideran la evaluación de simetría por la misma razón — Artificial Analysis afirma directamente que los modelos de Baseten "admiten de forma consistente que no conocen una respuesta con alta confianza a través de variaciones de las preguntas".
Nada de eso es un defecto de la métrica. Es una declaración sobre lo que estás comprando. d1-ultra es el modelo al que recurrir cuando una pregunta sin responder sale más barata que una respuesta equivocada. Drex Max v1.1 es el modelo al que recurrir cuando algo tiene que volver con una decisión, y la cola de baja confianza pasa a manos de una persona.

Qué midió la propia evaluación de Liquid y qué no
La publicación de lanzamiento de Liquid compara d1-ultra con d1 y Jev 1.14 en «112 evaluaciones únicas» e informa que le gana a Jev en todas, con mejor calibración al mismo precio. Esa es una comparación ejecutada por el proveedor sobre un instrumento elegido por el proveedor, y no dice nada sobre Drex Max, que no aparece en ella. La afirmación del índice de ocho puntos se hizo contra Decision Index v1.0, publicado el 13 de octubre de 2026 —dos días antes de que existiera d1-ultra—, y esa tabla nunca incluyó a d1-ultra.
El proveedor sí hace una afirmación que la nueva tabla corrobora: entrenó a d1-ultra específicamente para que fuera menos sobreconfiado, y la calibración que aparece como 64.39 en omnisciencia frente al 60.14 de Jev y un compuesto 2.0 puntos superior al de Jev con una precisión comparable es real. d1-ultra con 70.45 frente a Jev 1.14 con 66.96 en el mismo instrumento es una mejora genuina sobre el actual, medida de forma independiente.

La afirmación que no resiste es la del ranking. En v2, d1-ultra es quinto de diecisiete, y los cuatro modelos por encima están todos a menos de 3 puntos. Una diferencia de 3 puntos entre los cinco primeros no es una jerarquía; es un empate que se desempata según qué componente pondere tu carga de trabajo.
Qué ejecutar realmente
Ambos modelos están alojados, ninguno está en nuestro catálogo, y la forma honesta de elegir entre ellos es una prueba comparativa con sus propios estados en lugar de con el conjunto de pruebas de cualquiera de los proveedores. Si la ejecuta, hágalo sobre aquello que la junta penaliza: los documentos de todo o nada. Un modelo que acierta el 97 % de las respuestas individuales y el 63 % de los documentos completos no es el doble de bueno que uno con el 51 %; es exactamente tan bueno como la probabilidad de que ninguna de quince respuestas dependientes sea incorrecta, que es lo que experimentará su pipeline.
Lo que un router cambia aquí no es la elección entre estos dos —no ofrecemos ninguno de los dos— sino la forma del pipeline que los rodea. Ambos son scorers que se sitúan aguas arriba de algo que escribe. El paso de escritura es una llamada a un modelo general, y ahí es donde un solo endpoint con más de 200 modelos, precio de lista del proveedor pasado sin recargo por token y failover automático realmente te ahorra una integración, porque el modelo al que enrutás va a cambiar más a menudo que el scorer.
Si quieres una sola razón para preferir Drex Max v1.1 hoy, no es el compuesto de 2,9 puntos. Es que es más rápido, más económico por tarea y siete puntos más consistente cuando la misma pregunta se formula de dos maneras; y la consistencia es la propiedad que falla en silencio en producción en lugar de estrepitosamente en un benchmark. Si quieres una sola razón para preferir d1-ultra, es que se niega a responder. Ambas son defendibles. Ninguna de las afirmaciones estrella de los proveedores lo es.
