Drex Max v1.1 の生成タイトルカード。サブタイトルは「Artificial Analysis Decision Index v2 で0.56ポイント差の首位」で、チップには 73.4 Decision Index、275 ms/タスク、$102/100万タスク、262,144トークンのリクエスト上限が表示され、さらに上位3つの意思決定モデルの73.4、72.8、72.4を示すリーダーボード帯が付いている。
Guides & Insights

Drex Max v1.1がDecision Indexで首位——だが取締役会自身の詳細がその勝利に条件を付ける

著者

Gideon Frost

公開日

最新モデル · 20すべてのモデルを見る →
ベンチマーク:Artificial Analysis · 毎日更新
すべての記事に戻る

Drex Max v1.1は、Nace.AIのマルチモーダル意思決定モデルであり、Artificial Analysis Decision Index v2でスコア73.4を記録して首位に位置する。Fastino LabsのGLiDE v1.2(72.8)を0.56ポイント上回り、Mammoth 27B(72.4)を0.94ポイント上回る。この3つの数値がランキング首位の全貌であり、見出しに2文目が必要になる理由でもある。同じ評価によれば、GLiDEはDrex Max v1.1より正確で、Mammoth 27Bは言い換え間で同じ回答をはるかに頻繁に保持する。

モデル自体は今日新しいものではない。Nace自身のモデルリファレンスには、drex-max-v1.1が2026年10月28日にリリースされたと記載されており、廃止されたdrex-max IDには11月8日以降v1.1が応答している。新しいのは測定結果だ。Artificial Analysisはこの記事の2日前にあたる2026年11月8日にDecision Index v2を公開した。これは、このチェックポイントを単一の評価指標で意思決定モデル分野の他のモデルと比較採点する、最初の独立系ボードである。それがニュースだ。ローンチではなく、ベンダー自身の数値しか出していなかったモデルについて、初めて外部の数値が出たということである。

取締役会が現在実際に測定しているもの

Decision Index v2は、Drex Maxが10月に用いた64を算出したものとは別の指標であるため、両者は比較可能ではなく、誰も並べて論じるべきではない。v2指標は6つの評価の加重平均であり、その45%は現在プライベートデータに基づいている。これはv1の25%からの増加であり、ベンチマークへの過適合に対抗する意図的な措置だ。

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、インデックスの30% — 1,500件の非公開文書(履歴書、領収書、請求書、研究論文)。各文書には抽出すべき5つの判断と10の事実があり、15の回答すべてが正しい場合にのみ1文書として採点される。

• EvalSafe-O*NET-AA、15% — 職場文書の判定、TypeSafeのO*NETベンチマークに基づく。

• AA-Omniscience-Decision v1.1、15% — 知識とハルシネーション。「わからない」オプションを10通りに言い換えたもの。

• HLE-MultiChoice v1.1、15% — Humanity's Last Exam の多肢選択式。棄権の選択肢もあり。

• AA-Symmetry、15% — 選択肢の並べ替え、ラベルの入れ替え、はい/いいえ質問の否定により、120問が440通りのバリエーションに拡張されました。

• When2Call、10% — NVIDIAのツール呼び出し評価で、v1の25%から低下。

主要指標も新しい。各問題は 50 × (1 + c − (p − c)²) で採点される。ここで p はモデルがその回答に置いた確率、c はその回答が正しかったかどうかである。全体では 50 × (1 + 正解率 − ブライアスコア) になる。モデルは正しいこと、そして自分がどれだけ正しいかを把握していることに対して報酬を得て、自信過剰な誤りはためらいがちな誤りよりも重く罰せられる。ここでそれが重要なのは、Drex の売りが文章ではなく較正された確率であり、これが較正を脚注扱いせず直接採点する最初のボードだからである。

Drex Max v1.1 がどこで、どれだけの差で、誰に対して勝っているか

合成指標は分割されたフィールドを隠している。分解すると、Drex Max v1.1の優位性は6つのうち2つのコンポーネントに由来しており、そのうちの1つはNaceがモデルを構築した対象のコンポーネントだ。

• AA-Paperclip(ドキュメント)— Drex Max v1.1 は意思決定スコアで 72.8 を記録し、文書の 63.0% が完全に正しいです。Liquid AI の d1-ultra は 64.7 と 51.3%、Microsoft-Decision-1 は 51.8 と 20.9% です。

• When2Call(ツール呼び出し)— Drex Max v1.1 の 95.26 に対し、Jev 1.14 の 84.39、Microsoft-Decision-1 の 87.95。これは比較セット内で単一評価における最大の差です。

• 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 は 84.18 で、実質的に同等です。

• AA-Omniscience-Decision — Drex Max v1.1 は 60.27、d1-ultra は 64.39。これは逆方向の結果で、意思決定ではなく知識に関する評価です。

• HLE-MultiChoice — Drex Max v1.1 の 46.61 に対し Jev 1.14 は 44.47 だが、d1-ultra は 47.39 で、生の精度は 8.25% に対し Jev は 12.77%。

• タスクあたりの時間 — Drex Max v1.1は275 ms、Jev 1.14は92 ms、d1-ultraは295 ms。Drexはこのボード上で最速のフロンティア規模の意思決定モデルであり、最も低コストで運用できる既存モデルより約3倍遅い。

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.

取締役会が公表しているが、プレスリリースには記載されていない4つの条件

Artificial Analysisは、自社の最高スコアが意味しないことについて異例なほど明示しており、v2を発表する記事ではこれらの点をそれぞれ平易な言葉で述べている。

第一は精度です。{{1}}「GLiDE v1.2は精度指標でDrex Max v1.1を上回り(60対58)、一方、Drex Max v1.1はDecision Indexでわずかに先行します。」{{/1}} Drexが総合指標で勝つのは、より優れたキャリブレーションを備えているからであり、正答数が多いからではありません。パイプラインが確率を捨ててargmaxだけを保持するなら、あなたはボードが評価しなかったモデルの部分を買ったことになります。

2つ目は言い換えに対する一貫性です。Mammoth 27BはAA-Symmetryのバリエーション間で99%の質問において同じ回答を選びます。Drex Max v1.1は91%、GLiDEは88%です。Drexは以前よりはるかに前進しており、Jevよりも先んじていますが、「同じ質問を2通りに表現しても同じ回答が得られる」という性質はMammothが備えていて、Drexが完全には備えていないものです。

3つ目はオール・オア・ナッシングの文書テストです。Drex Max v1.1はAA-Paperclipで個々の回答の97%を正しく答えますが、文書の合格率はわずか63%です。なぜなら、15問中1問でも間違えるとその文書は不合格になるからです。文書の71%で5つの判断すべてを正しく行い、88%で10の抽出すべてを正しく行います。汎用言語モデルであるClaude Haiku 5.5 (Max)は92%の文書に合格します。回答の97%と文書の63%の間のギャップは、チェッカーなしで15個の依存する呼び出しを連鎖させることのコストです。

第四は回答を控えることです。全知性評価では、d1-ultra は答えられない質問の 88.6% で推測せず回答を控えます。Drex Max v1.1 は 65.3%、Microsoft-Decision-1 は 21.7% です。Drex は回答を控えるより断言する方を選ぶモデルで、人間が低信頼度の裾を確認するなら問題ありませんが、誰も確認しないなら高コストになります。

コスト列は、Naceが持つ最も強力なものだ

同じボード上で100万タスクあたりのコスト: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。これらの判断モデルより上位では、GPT-6 Luna(Max)が$1,530、Claude Haiku 5.5(Max)が$6,240で、3~4インデックスポイント分です。

その差の一部はトークン価格で、一部は課金形態であり、ボードはそれらを分けて示している。Drex Max v1.1 と Decider v1.2 は文書を一度評価し、その1回のパスからすべての質問に答えるため、AA-Paperclip タスクでは約9,000入力トークンを使用する。GLiDE v1.2 と Decider Flash v1.2 は質問ごとに入力を再課金し、タスクあたり約63,000トークンになる。これによりGLiDEは$0.04の定価で$780となり、トークン単価が33%高いにもかかわらず、Drexのコストのほぼ8倍になる。Nace自身の表は「1,000件の意思決定あたり$0.03」と報告し、ボードは100万タスクあたり$102と報告している。これらは異なるワークロードを測る異なる単位であり、モデル間で比較できるのは2つ目だけだ。

Naceの製品ページも「Claude Haiku 5.5 (Max)より118倍高速」と見出しに掲げている。これはベンダー側の分母に基づくベンダー主張として扱うべきだ。ボードの単位はタスクあたりの時間で、Drex Max v1.1は275 ms、AAの記事ではGPT-6 Luna (Max)が11.34秒——およそ40倍となる。一方は単一の意思決定を数え、もう一方は15問からなる文書全体を数えているため、両方の数字が同時に真であり得る。キャパシティ計画はタスクあたりの数値に基づいて立てること。

ID が、あなたの統合を壊す部分です。

Nace のドキュメントにある3つの点は、クライアントを接続した後に見つけると、半日を無駄にすることになります。

• drex-latest は Max モデルを指していません。解決先は drex-v2.0 で、同じベンチマークで 63.43 を記録するオープンウェイトのテキスト専用 Mixture of Experts です。model を完全に省略したリクエストも drex-v2.0 によって応答されます。TYPESAFE_DEFAULT_MODEL=drex-latest を設定するクイックスタートをコピーした場合 — そして Nace 自身の Jev 互換性手順もそうするよう指示しています — あなたは誤ったモデルを呼び出しており、エラーも出ずにインデックスの 10 ポイント低下が発生します。

• drex-max は 2026年11月8日をもって廃止され、v1.1 の制限と価格で drex-max-v1.1 が処理します。既存のクライアントは引き続き動作し、レスポンスには後継の ID が報告されます。新しい作業では drex-max-v1.1 を明示的に送信してください。

• コンテキストの数値が、異なる内容で2回記載されています。APIガイドでは、画像トークンも含めて数えた場合、質問あたり131,072トークンとされています。一方、モデルリファレンスでは、状態、8枚すべての画像、すべての質問、モデルのフォーマットを含む、パックされたリクエスト全体に対して262,144トークンの入力上限とされています。より大きい数値を検証済みでない限り、小さい方の数値に合わせてサイズ設定してください。

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.

これらはいずれも欠陥ではない。同じ製品名のまま版を重ねることに伴う、ありふれた残骸にすぎない。だからこそ、名前のバージョン番号よりもモデルの発売日のほうが重要なのである。

今日選ぶなら、これが意味すること

Drex Max v1.1 は当社が提供するどのルートにもありません。OrcaRouter のカタログには掲載されておらず、ここでの記述は可用性に関する主張として読まれるべきではありません——Nace は自社 API と自社コンソールを通じて販売しており、ローンチ期間中は100万入力トークンあたり $0.03、$0.06 の定価から50%オフです。カタログに掲載されているのはこのモデルの比較対象となる既存モデル: TypeSafe Jev 1.14 は100万入力トークンあたり $0.042 の掲載ルートで、同じ型付き質問のリクエスト形式を持ち、同じボードで66.96です。両方を実行するには2つの契約と2つのSDKが必要で、これが比較評価の実コストであり、人々が比較をルーターの背後に置く通常の理由でもあります。

73.4の正直な読み方は「最良の意思決定モデル」よりも狭い。Drex Max v1.1は、45%が非公開で2日前の評価ボード上で最高の総合スコアを持ち、そのスコアでの最速モデルとして大差をつけており、パレートフロンティア上では3番目に安い。最も正確でもなく、最も一貫しているわけでもなく、最も棄権しやすいわけでもない。その4つのどれが重要かは、人間が低信頼度のテールを見るかどうかに完全に依存しており、その問いはどのリーダーボードにも載っていない。

この評価を変えるのは、73.4を再現する独立した2つ目のボードか、HLE-MultiChoiceの精度をJevの12.77%より上に引き上げるv1.2だ。どちらもまだ存在しない。どちらかが存在するまで、引用すべき数字は「narrow」という言葉を添えた73.4だ。