כרטיס כותרת שנוצר עבור Drex Max v1.1, עם כותרת משנה 'ראשון ב-Artificial Analysis Decision Index v2, בפער של 0.56 נקודות', עם צ'יפים המציגים 73.4 Decision Index, 275 מ"ש למשימה, $102 לכל 1M משימות ומגבלת בקשה של 262,144 טוקנים, ובנוסף רצועת לוח מובילים המציגה 73.4, 72.8 ו-72.4 עבור שלושת מודלי קבלת ההחלטות המובילים.
Guides & Insights

Drex Max v1.1 עומד בראש מדד ההחלטות — אך הפרטים של הדירקטוריון עצמו מסייגים את הזכייה

מחבר

Gideon Frost

תאריך פרסום

מודלים אחרונים · 20צפו בכל המודלים →
בנצ'מרקים: Artificial Analysis · מתעדכן יומית
חזרה לכל הפוסטים

Drex Max v1.1, מודל ההחלטות הרב-מודלי של Nace.AI, נמצא במקום הראשון ב-Artificial Analysis Decision Index v2 עם ציון של 73.4. הפער הוא 0.56 נקודות מעל GLiDE v1.2 של Fastino Labs עם 72.8, ו-0.94 מעל Mammoth 27B עם 72.4. שלושת המספרים האלה הם כל הסיפור של צמרת הטבלה, והם גם הסיבה לכך שהכותרת זקוקה למשפט שני: אותה הערכה אומרת ש-GLiDE מדויק יותר מ-Drex Max v1.1, ושה-Mammoth 27B שומר על אותה תשובה לאורך פרפרזות לעתים קרובות בהרבה.

המודל עצמו אינו חדש היום. ברשימת המודלים של Nace עצמה, drex-max-v1.1 מופיע כמי ששוחרר ב-28 באוקטובר 2026, והמזהה drex-max שהוצא משימוש מקבל מענה מ-v1.1 מאז 8 בנובמבר. מה שחדש הוא המדידה. Artificial Analysis פרסמה את Decision Index v2 ב-8 בנובמבר 2026, יומיים לפני המאמר הזה, והוא לוח הדירוג העצמאי הראשון שמדרג את הצ'קפוינט הזה מול שאר תחום מודלי ההחלטה בכלי אחד. זו החדשות: לא השקה, אלא המספר החיצוני הראשון עבור מודל שעד כה סיפק רק את זה של הספק שלו.

מה שהדירקטוריון למעשה מודד כעת

Decision Index v2 הוא כלי שונה מזה שהפיק את ה-64 ש-Drex Max נשא באוקטובר, ולכן השניים אינם ברי-השוואה ואיש לא צריך להעמיד אותם זה מול זה. מדד ה-v2 הוא ממוצע משוקלל של שש הערכות, ו-45% ממנו מבוססים כעת על נתונים פרטיים, לעומת 25% ב-v1 — מהלך מכוון נגד התאמת-יתר לבנצ'מרק.

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% מהמדד — 1,500 מסמכים פרטיים (קורות חיים, קבלות, חשבוניות, מאמרי מחקר), שכל אחד מהם כולל חמש החלטות ועשר עובדות לחילוץ, ומדורג כמסמך אחד שנחשב רק אם כל חמש עשרה התשובות נכונות.

• EvalSafe-O*NET-AA, 15% — שיפוט של מסמכי מקום עבודה, המבוסס על בנצ'מרק O*NET של T​ypeSafe.

• AA-Omniscience-Decision v1.1, 15% — ידע והזיות, כאשר האפשרות "אני לא יודע" מנוסחת מחדש בעשרה אופנים.

HLE-MultiChoice v1.1, 15% — שאלות אמריקאיות מתוך Humanity's Last Exam, גם עם אפשרות לסירוב.

• AA-Symmetry, 15% — 120 שאלות שהורחבו ל-440 וריאציות על ידי סידור מחדש של האפשרויות, החלפת תוויות ושלילת שאלות כן/לא.

• When2Call, 10% — הערכת ה-tool-calling של NVIDIA, ירידה מ-25% ב-v1.

מדד הכותרת הוא גם חדש. כל שאלה מקבלת ניקוד של 50 × (1 + c − (p − c)²), כאשר p היא ההסתברות שהמודל העניק לתשובתו ו-c מציין אם התשובה הייתה נכונה. במצטבר זה 50 × (1 + דיוק − ציון Brier). מודל מתוגמל על כך שהוא צודק ועל כך שהוא יודע עד כמה הוא צודק, והוא נענש יותר על טעות בטוחה מאשר על טעות מהססת. זה חשוב כאן, מפני שהפיץ' של Drex הוא הסתברות מכוילת ולא פרוזה, וזהו הלוח הראשון שמנקד את הכיול ישירות במקום להתייחס אליו כהערת שוליים.

היכן Drex Max v1.1 מנצח, בכמה, ומול מי

המדד המשולב מסתיר שדה מפוצל. כשמפרקים אותו, ההובלה של Drex Max v1.1 מגיעה משני רכיבים מתוך שישה, ואחד מהם הוא זה שנאס בנה עבורו את המודל.

• AA-Paperclip (מסמכים) — Drex Max v1.1 משיג 72.8 בציון ההחלטות, כאשר 63.0% מהמסמכים נכונים לחלוטין; d1-ultra של Liquid AI עומד על 64.7 ו-51.3%, ו-Microsoft-Decision-1 על 51.8 ו-20.9%.

• When2Call (קריאה לכלים) — Drex Max v1.1 עם 95.26 לעומת 84.39 של Jev 1.14 ו-87.95 של Microsoft-Decision-1, הפער הגדול ביותר בהערכה בודדת בקבוצת ההשוואה.

• AA-Symmetry — Drex Max v1.1 84.96, Jev 1.14 79.31, d1-ultra 77.81, Microsoft-Decision-1 75.25. GLiDE v1.2 נמצא ב־84.18, למעשה באותה רמה.

• AA-Omniscience-Decision — Drex Max v1.1 60.27, d1-ultra 64.39. זה הולך בכיוון ההפוך, וזו ההערכה שעוסקת בידיעת דברים ולא בקבלת החלטות.

• HLE-MultiChoice — Drex Max v1.1 46.61 לעומת 44.47 של Jev 1.14, אבל d1-ultra עומד על 47.39 והדיוק הגולמי הוא 8.25% לעומת 12.77% של Jev.

• זמן לכל משימה — 275 מ״ש עבור Drex Max v1.1, 92 מ״ש עבור Jev 1.14, 295 מ״ש עבור d1-ultra. Drex הוא מודל קבלת ההחלטות המהיר ביותר בקנה מידה חזיתי בטבלה, והוא איטי פי שלושה בערך מהמתחרה הזול ביותר להפעלה.

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.

ארבע הסתייגויות שהדירקטוריון מפרסם וההודעה לעיתונות לא

חברת Artificial Analysis מפורשת באופן יוצא דופן לגבי מה שהציון העליון שלה עצמה אינו אומר, והמאמר שמכריז על v2 אומר כל אחד מאלה בשפה פשוטה.

הראשון הוא דיוק. "GLiDE v1.2 מוביל על Drex Max v1.1 במדדי דיוק (60 לעומת 58), בעוד ש-Drex Max v1.1 מקדים במעט ב-Decision Index." Drex מנצח בציון המשולב משום שהכיול שלו טוב יותר, לא משום שהוא עונה נכון על יותר תשובות. אם צינור העיבוד שלך משליך את ההסתברות ושומר רק את ה-argmax, רכשת את החלק של המודל שהמועצה לא תגמלה.

השנייה היא עקביות תחת ניסוח מחדש. Mammoth 27B בוחר באותה תשובה לאורך הווריאציות של AA-Symmetry ב-99% מהשאלות; Drex Max v1.1 עושה זאת ב-91%, ו-GLiDE ב-88%. Drex עדיין נמצא הרבה לפני המקום שבו היה, ולפני Jev, אבל "אותה שאלה בשני ניסוחים מקבלת אותה תשובה" היא תכונה שיש ל-Mammoth ול-Drex אין אותה במלואה.

השלישי הוא מבחן המסמך „הכל או כלום”. Drex Max v1.1 משיג 97% תשובות נכונות לשאלות בודדות ב-AA-Paperclip אך עובר רק 63% מהמסמכים, מפני שתשובה שגויה אחת מתוך חמש-עשרה מכשילה את המסמך. הוא מקבל נכון את כל חמש ההחלטות ב-71% מהמסמכים ואת כל עשר החילוצים ב-88%. Claude Haiku 5.5 (Max), מודל שפה לשימוש כללי, עובר 92%. הפער בין 97% מהתשובות ל-63% מהמסמכים הוא המחיר של שרשור חמישה-עשר קריאות תלויות ללא בודק.

הרביעי הוא הימנעות. בהערכת הידע המקיף, d1-ultra נמנע מלנחש ב-88.6% מהשאלות שאינו יכול לענות עליהן; Drex Max v1.1 ב-65.3%; Microsoft-Decision-1 ב-21.7%. Drex הוא מודל שמעדיף להתחייב מאשר להימנע, וזה בסדר כאשר אדם בוחן את זנב המקרים בעלי הביטחון הנמוך, ויקר כאשר שום דבר לא עושה זאת.

עמודת העלות היא הדבר החזק ביותר שיש ל-Nace

עלות לכל מיליון משימות על אותו לוח: 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. מעל למודלי ההחלטה, GPT-6 Luna (Max) עולה $1,530 ו-Claude Haiku 5.5 (Max) $6,240 עבור שלוש עד ארבע נקודות מדד.

חלק מהפער הזה הוא מחיר הטוקן וחלקו צורת החיוב, והלוח מפריד ביניהם. Drex Max v1.1 ו-Decider v1.2 מעריכים מסמך פעם אחת ועונים על כל שאלה מאותה מעבר יחיד, כך שמשימת AA-Paperclip משתמשת בערך ב-9,000 טוקני קלט. GLiDE v1.2 ו-Decider Flash v1.2 מחייבים את הקלט שוב עבור כל שאלה, כ-63,000 טוקנים למשימה, וכך GLiDE מגיע ל-$780 במחיר רשימה של $0.04 — כמעט פי שמונה מהעלות של Drex בשיעור טוקנים גבוה ב-33%. הטבלה של Nace עצמה מדווחת על "$0.03 ל-1,000 החלטות" והלוח מדווח $102 למיליון משימות; אלה יחידות שונות שמודדות עומסי עבודה שונים, ורק השנייה מאפשרת השוואה בין מודלים.

גם בעמוד המוצר של Nace מופיע בכותרת "118× faster than Claude Haiku 5.5 (Max)". יש להתייחס לכך כאל טענת ספק עם מכנה של הספק. יחידת המידה של הלוח היא זמן למשימה, כאשר Drex Max v1.1 עומד על 275 ms והכתיבה של AA מציבה את GPT-6 Luna (Max) על 11.34 s — בערך פי 40. שני המספרים יכולים להיות נכונים בו-זמנית משום שאחד סופר החלטה בודדת והאחר סופר מסמך שלם בן חמש-עשרה שאלות. יש לתכנן קיבולת לפי הנתון למשימה.

ה-id הוא החלק שישבור את האינטגרציה שלך

שלושה דברים בתיעוד של Nace יגרמו לך לבזבז אחר צהריים שלם אם תגלה אותם לאחר חיבור הלקוח.

• drex-latest אינו מצביע על מודל Max. הוא מפנה ל-drex-v2.0, תערובת מומחים במשקלים פתוחים לטקסט בלבד שמשיגה 63.43 באותו לוח. בקשה שמשמיטה את model לחלוטין נענית גם היא על ידי drex-v2.0. אם העתקת מדריך התחלה מהירה שמגדיר TYPESAFE_DEFAULT_MODEL=drex-latest — והוראות התאימות של Nace עצמה ל-Jev אומרות לך לעשות זאת — אתה קורא למודל הלא נכון ותראה ירידה של 10 נקודות באינדקס ללא שגיאה.

• drex-max הוצא משימוש החל מ-8 בנובמבר 2026 והוא מטופל על ידי drex-max-v1.1 במגבלות ובמחיר של v1.1. לקוחות קיימים ממשיכים לעבוד; התגובה מדווחת את ה-id של המחליף. עבודה חדשה צריכה לשלוח drex-max-v1.1 באופן מפורש.

• נתון ההקשר מופיע פעמיים, באופן שונה. מדריך ה-API אומר 131,072 טוקנים לכל שאלה כאשר טוקנים של תמונות נספרים; התייחסות הדגם אומרת מגבלת קלט של 262,144 טוקנים לבקשה הארוזה כולה, כולל מצב, כל שמונת התמונות, כל שאלה והפורמט של הדגם. תכננו לפי המספר הקטן יותר אלא אם כן בדקתם את הגדול.

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.

אף אחד מאלה אינו פגם. הם הפסולת הרגילה של גירסור במקום, ולכן תאריך ההפצה על הדגם חשוב יותר ממספר הגרסה שבשם.

מה זה אומר אם אתם בוחרים היום

Drex Max v1.1 אינו נמצא באף מסלול שאנו מציעים. הקטלוג של OrcaRouter אינו כולל אותו, ואין לקרוא דבר כאן כהצהרת זמינות — Nace מוכרת אותו דרך ה-API והקונסולה שלה, ב-$0.03 למיליון טוקני קלט בתקופת ההשקה, 50% הנחה ממחיר מחירון של $0.06. מה שכן מופיע בקטלוג הוא המתחרה שמולו נמדד המודל הזה: TypeSafe Jev 1.14 הוא מסלול רשום ב-$0.042 למיליון טוקני קלט, עם אותו מבנה בקשה לשאלה עם טיפוסים וציון 66.96 באותו לוח. הרצת שניהם משמעה שני חוזים ושתי ערכות SDK, וזו העלות האמיתית של תחרות השוואתית, וזו הסיבה הרגילה שאנשים שמים את ההשוואה מאחורי ראוטר במקום.

הקריאה הכנה של 73.4 צרה יותר מ"מודל ההחלטות הטוב ביותר". Drex Max v1.1 הוא הציון המשולב הטוב ביותר על לוח שהוא 45% פרטי ובן יומיים, הוא המודל המהיר ביותר בציון הזה בפער גדול, והוא השלישי בזול ביותר על חזית פארטו. הוא אינו המדויק ביותר, הוא אינו העקבי ביותר, והוא אינו הנוטה ביותר להימנע מתשובה. איזה מארבעת אלה חשוב תלוי כולו בשאלה אם אדם רואה את הזנב בעל הביטחון הנמוך — ושאלה זו אינה נמצאת באף לוח דירוג.

מה היה משנה את הקריאה הזו: לוח שני ובלתי תלוי שמשחזר את 73.4, או גרסת v1.2 שמעלה את דיוק HLE-MultiChoice מעל 12.77% של Jev. אף אחד מהם עדיין לא קיים. עד שאחד מהם יתקיים, המספר שיש לצטט הוא 73.4 עם המילה "צר" בצמוד.