Gemini Decision 1 vs Drex Max v1.1: ambos leen 262K tokens, solo uno tiene en cuenta los documentos

Si se colocan Gemini Decision 1 y Drex Max v1.1 uno al lado del otro, las hojas de especificaciones casi se solapan: ambos son modelos de decisión, ambos tienen una ventana de 262.144 tokens, ambos leen imágenes junto con texto y ambos devuelven probabilidades en lugar de prosa. La brecha se abre en un solo punto. En el componente de decisión documental del Artificial Analysis Decision Index v2.1 —la prueba ponderada al 30 % que pide a un modelo extraer cinco decisiones y diez hechos de un único documento denso y acertar en los quince— Drex Max v1.1 aprueba el 63 % de los documentos y Gemini Decision 1 aprueba el 33 %. Ese único componente es la mayor parte de la razón por la que uno obtiene 73 y el otro 66.

El resto de la diferencia es aritmética sobre la que puedes actuar. Drex Max v1.1 cuesta $0.03 por millón de tokens de entrada y Gemini Decision 1 cuesta $0.10; en un millón de tareas, eso es $103 frente a $345. Y Gemini Decision 1 admite hasta 1.000 preguntas por solicitud sobre una entrada compartida, mientras que Drex Max v1.1 espera un estado con un puñado de preguntas adjuntas. Cuál de esos números decide tu elección depende enteramente de si tus decisiones llegan de un documento a la vez o de cuarenta reglas a la vez.

Dos formas diferentes de la misma idea

Ambos modelos se niegan a generar texto, y ambos comparten una propiedad que importa para el modelado de costes: la entrada se lee una vez y cada pregunta se puntúa contra ella. Donde divergen es en lo que permiten incluir en esa entrada.

• Tipos de respuesta — Drex Max v1.1 ofrece choice, noul y score, la forma de solicitud que definió Jev de TypeSafe y que Nace adoptó. Gemini Decision 1 ofrece las mismas tres, con de 2 a 255 opciones en un choice y de 2 a 255 niveles de rúbrica, y se recomiendan de 2 a 10.

• Preguntas por llamada — hasta 1.000 para Gemini Decision 1, cada una evaluada de forma independiente en una sola pasada, con claves que usted proporciona; un puñado por estado para Drex Max v1.1, donde la unidad de trabajo es un elemento y sus preguntas.

• Modalidad — Gemini Decision 1 acepta texto, imagen, vídeo, audio y PDF; Drex Max v1.1 acepta texto y hasta ocho imágenes por solicitud. Ninguno acepta contenido multimedia dentro de las instrucciones de la pregunta; en Gemini Decision 1 eso es un límite documentado, y allí el contenido multimedia corresponde a la entrada compartida.

• Ventana — 262.144 tokens para Gemini Decision 1 entre la entrada compartida y todas las preguntas en conjunto; Drex Max v1.1 documenta 131.072 tokens por pregunta, con los tokens de imagen contados dentro de eso, y un límite de solicitud empaquetada de 262.144.

• Facturación — Gemini Decision 1 cobra $0.10 por millón de tokens de entrada y vuelve a facturar explícitamente en su totalidad la entrada compartida repetida, sin almacenamiento en caché y sin Batch API. Drex Max v1.1 cobra $0.03 por millón de tokens de entrada, una tarifa que Nace redujo a la mitad cuando vv1.1 sustituyó a v1 en el mismo lugar.

• Acceso — Gemini Decision 1 en la Gemini Developer API en v1beta, con un nivel gratuito y solicitudes diarias ilimitadas desde el Nivel 2. Drex Max v1.1 alojado por Nace.AI en POST /v1/systemone, sin checkpoint descargable.

Lee esa lista como una sola frase: Drex Max v1.1 está diseñado para una pantalla o una página y unos cuantos juicios sobre ella, y Gemini Decision 1 está diseñado para un contexto amplio y un reglamento extenso. El límite de 1.000 preguntas no es un adorno de ficha de especificaciones. Es la diferencia entre un modelo al que llamas cuarenta veces por solicitud y uno al que llamas una vez.

De dónde viene realmente la diferencia de 6,6 puntos

El Decision Index pondera seis evaluaciones, y ambos modelos se han ejecutado en las seis. Comparar sus componentes es más informativo que el compuesto:

• AA-Paperclip, 30 % — Drex Max v1.1 72,8, Gemini Decision 1 56,8. Quince respuestas por documento, todo o nada. Esta es la brecha de dieciséis puntos que decide la clasificación.

• EvalSafe-O*NET-AA, 15% — 88,3 frente a 87,1. Un empate en la práctica.

• When2Call, 10% — 95.3 frente a 80.5. Drex Max v1.1 es segundo en el campo aquí; Gemini Decision 1 es decimocuarto de dieciocho.

• AA-Omniscience-Decision v1.1, 15% — 60.3 frente a 66.3. Gemini Decision 1 se lleva esta, y su precisión bruta del 44.8% es la más alta de cualquier modelo de decisión de la tabla.

• HLE-MultiChoice v1.1, 15% — 46.6 frente a 48.7. Cerca, ambos cerca de la cima, ambos con una precisión bruta de un solo dígito.

• AA-Symmetry v1.1, 15 % — 79,8 frente a 70,5. Drex Max v1.1 mantiene su respuesta bajo reordenamiento y negación el 53,3 % de las veces; Gemini Decision 1, 38,3 %.

El patrón es consistente. Drex Max v1.1 gana los dos componentes que evalúan si una decisión es repetible y estructuralmente sólida. Gemini Decision 1 gana los dos que evalúan si sabe cosas y sabe cuándo no las sabe. Ambos son productos defendibles; están respondiendo a distintas preguntas sobre para qué sirve un modelo de decisión.

Una salvedad respecto a la cifra de Drex: los 103 dólares por millón de tareas que informa Artificial Analysis reflejan un precio de lanzamiento temporal, y la tabla señala en una nota que el precio estándar duplicaría el costo. A precio de lista, Drex Max v1.1 se sitúa cerca de los 206 dólares por millón de tareas, aún muy por debajo de los 345 dólares de Gemini Decision 1, pero ya no es un tercio de esa cifra. La latencia va en sentido contrario: 283 milisegundos por tarea para Drex Max v1.1 frente a 211 para Gemini Decision 1; ambos son más lentos que la mediana de 209 del sector.

Elige según la forma de tu solicitud, no por la puntuación.

Elige Drex Max v1.1 si tu decisión se refiere a un único artefacto con una respuesta que debe mantenerse. El triaje de siniestros de seguros sobre un formulario escaneado, el control de agentes basado en capturas de pantalla donde la misma decisión de clic se vuelve a plantear tras un nuevo renderizado, la revisión de contratos donde un sí/no invertido es un error real. La tasa de aprobación de documentos del 63% y la tasa de aprobación de simetría del 53,3% son las cifras que se amortizan por sí solas en esos casos, y 0,03 $ por millón de tokens de entrada hace que el argumento del volumen sea fácil.

Elija Gemini Decision 1 si su decisión es un conjunto de reglas aplicado a una sola entrada, o si la entrada no es texto e imágenes. Cuarenta comprobaciones de políticas sobre un ticket de soporte en una sola llamada es una carga de trabajo para la que se documentó Gemini Decision 1 y Drex Max v1.1 no, y si la entrada es una grabación de llamada o un PDF, solo uno de estos dos puede leerla. La documentación de Google enumera catorce capacidades no compatibles junto a la que sí admite, así que es fácil verificar la idoneidad antes de comprometerse: decisiones calibradas, todo lo demás desactivado.

No elijas ninguno, sin embargo, si la decisión depende del coste a escala. Gemini Decision 1 no tiene Batch API ni caché de contexto, lo que significa que un barrido nocturno de un millón de tickets históricos se factura a tarifa completa y el documento de políticas se vuelve a leer cada vez. El precio de lanzamiento de Drex Max v1.1 es temporal. Ninguno de los dos productos ofrece actualmente la estructura de descuentos que abarata un backfill, y eso importará más que seis puntos de índice a cualquiera que haga los números para un año de tickets.

Ejecutando ambos sin un segundo contrato

OrcaRouter no incluye ninguno de estos dos. Ambos son endpoints solo de probabilidades en lugar de destinos de chat-completions, y lo decimos en vez de insinuar lo contrario: el listado de modelos de decisión del catálogo es typesafe/jev-1.14 de TypeSafe, que se sitúa en 66.23 en la misma tabla entre los dos modelos de este artículo.

Lo que realmente te cuesta una comparativa es la parte que nunca aparece en un benchmark: dos SDK, dos formas de gestionar las claves, dos conjuntos de límites de velocidad sobre los que razonar. Esa es la razón por la que la mitad generativa de un pipeline de decisión debe estar detrás de un router, incluso cuando la mitad de puntuación no puede estarlo. La llamada que redacta la respuesta candidata, escribe la rúbrica o genera el resumen que se puntúa es exactamente la llamada en la que querrás cambiar de proveedor en una tarde: un único endpoint, más de 200 modelos, precio de lista del proveedor transferido con un 0 % de margen, y conmutación por error cuando un proveedor se degrada. Dirige la llamada de puntuación directamente a Google o Nace y mantén portable la llamada de escritura. El modelo que no puedes enrutar es la parte barata; el modelo que sí puedes es el que querrás cambiar.

Si pruebas ambos con tus propias etiquetas —y deberías hacerlo, porque ninguno de los dos proveedores publica una curva de calibración sobre tus datos—, ejecútalos sobre los mismos 200 documentos y con el mismo conjunto de preguntas, y compara la tasa de aprobación, no el índice. La brecha de 30 puntos del panel en Paperclip es un prior fuerte. No es una medición de tus documentos.