「Drex Max v1.1 vs Liquid AI d1-ultra」という見出しの生成済み比較カード。行は、Decision Index 73.4 対 70.4、文書判断スコア 72.8 対 64.7、棄権率 65.3% 対 88.6%、タスクあたり時間 275 ms 対 295 ms、100万タスクあたりコスト $102 対 $132。フッターには Artificial Analysis Decision Index v2、2026年11月8日と記載。
Guides & Insights

Drex Max v1.1 vs Liquid AI d1-ultra:2つのマルチモーダルスコアラー、そしてもはや通用しない見出し

著者

jinhao.song

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

Liquid AI d1-ultraは2026年10月15日、当時なら正当化できた一文を携えて出荷された。すなわち「Artificial Analysis Decision Indexにおいて、他のあらゆる意思決定モデルを少なくとも8ポイント上回る」というものだ。3週間後、Artificial Analysisはこのインデックスをv2に置き換え、17のモデルを新たなデータで再採点した。その結果、d1-ultraは70.4で5位に沈み、Drex Max v1.1の73.4、GLiDE v1.2の72.8、Mammoth 27Bの72.4、そして0.03ポイント差でPerplexityのDecider v1.2の70.5に後れを取った。8ポイントのリードは消え去った——しかもそれは、そもそもこの計測器で測られたものではなかった。

これがこの比較を捉える枠組みであり、それが何を意味し、何を意味しないのかについては正確に述べておく価値がある。d1-ultra が悪くなったという意味ではない。それは、古いボードに対してなされた主張の下でボードが変わったということであり、リーダーボード上の順位をあたかもモデルの性質であるかのように引用することに伴うありふれた危険だ。どちらも強力なマルチモーダル意思決定スコアラーである。また両者は、どちらのベンダーのマーケティングが示唆するよりも互いに近く、目に見えて異なる点で優れている。

2つのモデルが一致する箇所、つまり表面の大部分では

どちらも厳密な意味での決定モデルです。状態と型付きの質問を送ると、1回のフォワードパスで選択肢ごとの確率が返り、テキストは生成されません。どちらもテキストと一緒に画像を受け取ります。どちらも同じ3種類の質問形式に答えます — 名前付き選択肢の中からの選択、はい/いいえ、スケール上のスコアです。どちらも入力のみが課金対象で、出力は課金されません。出力が存在しないからです。

• モダリティ — Drex Max v1.1 は、テキスト、スクリーンショット、チャート、フォーム、スキャンした文書、写真、動画フレームを読み取り、1リクエストにつき8枚の画像を処理します。d1-ultra はテキスト、画像、またはその両方を読み取ります。Liquid のローンチ例は、回路基板の写真をその仕様と照合するものです。

• 100万入力トークンあたりの価格 — Drex Max v1.1はローンチ期間中$0.03(定価$0.06の50%オフ)、d1-ultraは$0.042。Naceは現時点では安いが、割引終了後はそうでない可能性がある。

• 画像の課金 — Drex Max v1.1 は、質問ごとの上限 131,072 トークン内で画像トークンをカウントします。d1-ultra は 32×32 ピクセルのパッチごとに 1.5 トークンを課金するため、1024×1024 の画像には 1,536 トークンかかり、各質問をすべての画像を含む独立したプロンプトとして課金します。

• コンテキスト — {{1}}Drex Max v1.1{{/1}}では質問あたり131,072トークン、パックされたリクエスト全体では262,144トークンです。{{2}}Liquid{{/2}}は同等の質問あたりウィンドウを公開していません。

• 可用性 — Drex Max v1.1 は Nace の API とコンソール経由で販売され、d1-ultra は Liquid の API とコンソール経由で販売されています。どちらも当社のルートリストには含まれておらず、本記載は当社による可用性の表明ではありません。

d1-ultraの質問ごとの課金ルールは、ドキュメント規模でのコストを左右する詳細であり、取締役会がそれを測定した。Artificial Analysisによると、Drex Max v1.1は15問のドキュメントタスクで入力トークン数が約9,000であるのに対し、入力を質問ごとに再課金するモデルでは約63,000だった。そしてd1-ultraのタスクあたりコストは$132で、Drexの$102に対して、両者の定価の比率に近く、やや悪い結果だった。

基板を、コンポーネントごとに

総合ギャップは2.9ポイントです。構成要素ごとの差は大きくばらついていますが、パターンは一貫しています。Drexは文書で勝ち、d1-ultraは知識と回答を控える点で勝っています。

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

• Decision Index v2 — Drex Max v1.1 73.39、d1-ultra 70.45。

• 精度指数 — Drex Max v1.1 58.41、d1-ultra 54.94(キャリブレーション成分を除いたスコア)

• AA-Paperclip 文書判定スコア — Drex Max v1.1 72.82、d1-ultra 64.69。全15問正解率:63.0% 対 51.3%。

• When2Callのツール呼び出し — Drex Max v1.1 95.26、d1-ultra 93.83。僅差で、どちらもJev 1.14の84.39を大きく上回っています。

• AA-Symmetry の言い換え一貫性 — Drex Max v1.1 84.96、d1-ultra 77.81、このセットで2番目に大きい乖離となる7ポイント差。

• AA-Omniscience-Decision — d1-ultra 64.39、Drex Max v1.1 60.27。順序が逆転する唯一の評価です。

• HLE-MultiChoice — d1-ultra 47.39、Drex Max v1.1 46.61。ただし、生の正解率では d1-ultra が 6.09%、Drex が 8.25% です。

• 回答保留 — d1-ultra は、自分が答えられない全知質問の88.61%で回答を辞退し、Drex Max v1.1 は65.28%、Microsoft-Decision-1 は21.74%でした。

• タスクあたりの時間 — Drex Max v1.1 275 ms、d1-ultra 295 ms。

• 100万タスクあたりのコスト — Drex Max v1.1 $102、d1-ultra $132。

棄権の行を2回読んでください。なぜなら、それは全知の行を説明しており、ボード上で最も直感に反する特性だからです。d1-ultraの全知判断スコアが高いのは、主に知識によるものではありません。そこでの生の正答率は28.0%で、Drex Max v1.1と同じです。より高くスコアするのは、「わからない」とはるかに頻繁に言い、採点関数がそれに加点するからです。Mammoth 27BとElephant 9Bが対称性評価で首位なのも同じ理由です——Artificial Analysisは、Basetenのモデルが「問題のバリエーションを通じて、答えを高い確信度で知らないと一貫して認める」とはっきり述べています。

それはどれも指標の欠陥ではない。何を買っているかについての表明だ。d1-ultra は、答えが出ない問いのほうが誤った答えより安くつくときに選ぶモデルだ。Drex Max v1.1 は、何かが判断を伴って返ってくる必要があり、信頼度の低い裾野は人間が引き受けるときに選ぶモデルだ。

A generated scoreboard headed 'Two multimodal scorers, five uneven gaps', listing Drex Max v1.1 against Liquid AI d1-ultra on document decision score at 72.8 versus 64.7, paraphrase symmetry at 85.0 versus 77.8, tool calling at 95.3 versus 93.8, knowledge and abstention at 60.3 versus 64.4, and abstention on unanswerable items at 65.3 percent versus 88.6 percent.

Liquid自身の評価が測定したもの、そして測定しなかったもの

Liquidのローンチ記事は、{{1}}d1-ultra{{/1}}を{{2}}d1{{/2}}および{{3}}Jev 1.14{{/3}}と「{{4}}112件の独自評価{{/4}}」にわたって比較し、同じ価格でより優れたキャリブレーションを備え、すべての評価でJevを上回ると報告している。これはベンダーが実施し、ベンダーが選んだ指標による比較であり、{{5}}Drex Max{{/5}}については何も述べておらず、同製品はそこに登場しない。8ポイント指数の主張は、{{6}}Decision Index v1.0{{/6}}({{7}}2026年10月13日{{/7}}公開)に対してなされたもので、{{8}}d1-ultra{{/8}}が存在する2日前のことだったが、そのボードに{{9}}d1-ultra{{/9}}が記載されたことはなかった。

ベンダーは、新しいボードが裏付ける主張を確かに一つしている。それは、{{1}}d1-ultra{{/1}}を過信しにくくなるよう特別に訓練したということであり、omniscienceで64.39を示し、Jevの60.14に対して、同等の精度でJevより2.0ポイント高い複合スコアを記録したというキャリブレーションは本物だ。同じ計器で{{2}}d1-ultra{{/2}}が70.45、Jev 1.14が66.96というのは、独立に測定された、現行製品に対する真の改善である。

Screenshot of Liquid AI's d1-ultra announcement dated October 15, 2026, headed 'Introducing the World's Best Decision Model', describing the model as built for harder real-world cases such as spotting a defect on a circuit board against its spec or checking a damage claim against a customer photo, and stating availability on the Liquid API at $0.042 per million input tokens.

生き残らない主張はランキングだ。v2では、d1-ultraは17モデル中5位で、その上にある4モデルはすべて3ポイント以内に収まっている。上位5モデル間の3ポイントの差は階層ではなく、ワークロードがたまたまどの構成要素を重く見るかで決まる同点の決着にすぎない。

実際に何を実行するか

両モデルはホスト済みで、どちらも当社のカタログには載っていません。正直に選ぶなら、どちらかのベンダーのスイートではなく、自社の状態で比較検証するのが筋です。やるなら、取締役会がペナルティを課す対象、つまり全か無かの文書で実施してください。個々の回答の97%と文書全体の63%を正解するモデルは、51%のモデルの2倍優れているわけではありません。15個の依存した回答のどれ一つ誤らない確率とちょうど同じ性能であり、それがあなたのパイプラインで起きることです。

ここでルーターが変えるのは、この2つのどちらを選ぶかという点ではありません(当社はどちらも扱っていません)が、その2つを取り巻くパイプラインの形です。どちらも、何かを書き出す処理の上流に位置するスコアラーです。書き出しのステップは汎用モデルの呼び出しであり、まさにそこにおいて200以上のモデルを備えた単一のエンドポイント、プロバイダーの定価をトークンごとの上乗せなしでそのまま適用、そして自動フェイルオーバーが実際に統合を1つ節約してくれます。というのも、ルーティング先のモデルはスコアラーよりも頻繁に変わるからです。

今日 Drex Max v1.1 を選ぶ理由をひとつだけ挙げるなら、それは 2.9 ポイントの総合スコアではない。タスクあたりのコストがより低く、同じ質問を2通りに表現したときの一貫性が7ポイント高いことだ。そして一貫性とは、ベンチマークで大げさに壊れるのではなく、本番環境で静かに壊れる性質である。d1-ultra を選ぶ理由をひとつだけ挙げるなら、それは断るということだ。どちらも擁護できる。どちらのベンダーの見出しも擁護できない。