'Karpo Decision 31B vs Drex Max 1.1'이라는 제목과 '두 개의 보드, 각각 하나의 숫자 — 그리고 직접 비교는 없음'이라는 부제가 달린 생성된 타이틀 카드. 나란히 놓인 두 개의 둥근 패널에는 각각 'Decision Index'와 'Artificial Analysis v2.1'이라는 라벨이 붙어 있고, 첫 패널에는 'Karpo Decision 31B 73.9', 둘째 패널에는 'Drex Max 1.1 72.62'가 적혀 있다. 두 패널 사이의 틈에는 '공유된 측정 도구 없음'이라고 적힌 작은 세로 칩이 있다.
Guides & Insights

Karpo Decision 31B vs Drex Max 1.1: 보드 두 개, 숫자 하나씩

작성자

Elias Hawthorne

게시일

최신 모델 · 20모든 모델 보기 →
벤치마크: Artificial Analysis · 매일 업데이트
모든 게시물로 돌아가기

Karpo Decision 31B와 Drex Max 1.1은 크기, 형태, 용도 설명이 충분히 비슷해서 스펙 시트만 보면 두 회사가 만든 같은 제품처럼 보인다. 둘 다 약 30B의 고밀도 모델로, 텍스트를 생성하지 않고 한 번의 순전파로 상태에 관한 입력 질문에 답하도록 미세 조정되었다. 둘 다 255-way 판독 헤드를 탑재하고, 둘 다 이미지를 받아들이며, 너무 큰 질문을 잘라내지 않고 거부한다. 차이는 아키텍처에 있지 않다. 각 벤더가 다른 누군가에게 무엇을 측정하도록 허용해 왔는지, 그리고 이후 가중치로 무엇을 할 수 있는지에 있다. MachinePulse의 Karpo는 제3자 Full 점수가 있고 가격은 없다. Nace.AI의 Drex Max 1.1은 독립적인 Artificial Analysis 수치, 공개된 요금, 상업적 사용을 제한하는 라이선스를 갖고 있다.

그 두 거래 중 어느 쪽도 명백히 옳은 선택은 아니다. 다음은 그 거래의 각 측이 실제로 치르는 비용이다.

숫자가 어디서 나오는지, 그것들은 같은 곳에서 나오는 것이 아니기 때문이다

불편한 부분부터 시작하겠습니다: 오늘 어떤 단일 리더보드에서도 두 모델 모두 점수를 갖고 있지 않습니다.

Karpo Decision 31B는 TypeSafe의 Je​v에 대한 공개 재현을 추적하는 커뮤니티 보드인 Decision Index에 등장합니다. Full 점수는 73.9로, 보드 유지관리자가 비공개 테스트에서 계산한 값이며, 현재 73.4의 GLiDE 27B와 공동 1위입니다. 75.05의 공개 지수는 MachinePulse가 공식 키트를 직접 실행한 결과에서 나왔고 보드에서 채택되었으며, 140,178개 요청 결과 파일이 누구나 다시 실행할 수 있도록 공개되었습니다. Artificial Analysis에는 Karpo에 대한 행이 전혀 없습니다.

Drex Max 1.1은 거울상입니다. Artificial Analysis는 Decision Index v2.1에서 이를 72.62점으로 평가합니다 — 25개 의사결정 모델 중 2위로, 74.85점의 Liquid AI d1.2-ultra 뒤에 있고 72.58점의 SubQ Snap 1.2 앞에 있습니다. 그 수치는 AA의 것이며, AA의 하드웨어와 AA의 비공개 문서 세트로 측정한 것입니다. Karpo에는 있지만 Drex Max 1.1에는 없는 것: Je​v tracker에는 Drex Max v1에 대한 행이 66.60 Full로 있고, v1.1에 대한 행은 전혀 없습니다.

따라서 이용 가능한 유일한 동일 도구 비교는 Karpo Decision 31B의 73.9 대 Drex Max v1의 66.6입니다 — 한 보드에서 7.3점 격차이며, Nace 모델의 서로 다른 두 버전에 걸쳐 있는데, 이는 당신이 어느 쪽을 편들든 그쪽을 띄워 주는 바로 그런 종류의 비교입니다. 반대로 기준을 잡으면 Drex Max 1.1은 72.62가 표기되어 있지만 Karpo는 아무것도 표기되어 있지 않습니다. 두 문장 모두 사실입니다. 두 문장 중 어느 것도 일대일 직접 비교는 아닙니다.

사양, 차원별로

A generated two-column scoreboard titled 'Karpo Decision 31B vs Drex Max 1.1 — the scoreboard'. The Karpo column reads 'Params: 31.3B, 62.5 GB bf16', 'Context: 32,768 tokens', 'Score: 73.9, Decision Index', 'Price: none published', 'Licence: Apache-2.0' and 'Hosting: self-host only'; the Drex Max 1.1 column reads 'Params: dense 27B, 49 GB bf16', 'Context: 16,384 default, up to 131,072', 'Score: 72.62, Artificial Analysis', 'Price: $0.03 per million input', 'Licence: Nace.AI Open RAIL-M' and 'Hosting: served by Nace.AI'. The footer reads 'Karpo figures per the Decision Index and its model card; Drex figures per Artificial Analysis and Nace.AI.'

• 파라미터 — bf16의 Karpo 31.3B와 255 × 5,376 fp32 리드아웃, 디스크에서 약 62.5GB; Drex Max 1.1은 덴스 27B로, bf16에서 약 49GB이고 백본이 8비트일 때 26GB입니다.

• 기본 모델 — Gemma 4 31B는 Karpo용으로 인스트럭션 튜닝되었고, Qwen3.8-27B는 Drex Max 1.1용입니다. 사전 학습 코퍼스도, 토크나이저도, 다운스트림의 모든 것도 다릅니다.

• 컨텍스트 — Karpo는 시퀀스당 32,768개 토큰을 사용하며 더 긴 요청을 질문별로 분할하고, 각 부분은 전체 상태를 유지합니다. Drex Max 1.1은 요청당 기본 16,384개 토큰이며, 공급업체 문서에서는 이를 질문당 131,072개로 늘립니다.

• 멀티모달리티 — 둘 다 이미지를 기본적으로 읽으며, 둘 다 요청 내의 한 질문이 아니라 모든 질문에서 스크린샷을 볼 수 있게 합니다.

• 질문 유형 — 동일한 표면: choice는 최대 255개 옵션, true/false에는 noul, 순서가 있는 레벨에는 score.

• 인터페이스 — Karpo는 자체 Python 패키지에서 System One에 POST /v1/systemone을(를) 제공합니다. Drex Max 1.1은 같은 형태이며, Apple 실리콘 및 CPU용 llama.cpp와 Ollama 포크도 함께 제공합니다.

• 라이선스 — Karpo의 가중치와 코드에는 Apache-2.0; Drex Max 1.1에는 Nace.AI Open RAIL-M이 적용되며, 이는 사용 제한이 부가된 오픈 가중치입니다.

• 호스팅 — Karpo는 제공하지 않습니다. Drex Max 1.1은 Nace.AI가 백만 입력 토큰당 $0.03에 제공하며, AA board에 임시 출시 가격으로 표시되어 있습니다.

A capture of the community Decision Index leaderboard, headed with the multimodalart jev-decision-index attribution, listing Karpo Decision 31B at 73.86 in first place ahead of GLiDE 27B at 73.37, REAX 1.3 at 72.64, Logits Sigma-1 Duo at 72.28, Copernicus-31B at 72.11, KnowLine 31B Gen1.5 at 71.91, Copernicus-57B at 71.8, FlexDM-LoRA 2.1 at 71.66, Sieve 31B v3 at 71.10, OneJev1.6g-31B at 70.86 and Turion Jev 31B at 70.47.

컨텍스트 행은 사람들이 대충 훑고 지나가는 부분이다. 명시적인 거부가 따르는 32,768토큰의 하드 상한선은, 환경 변수 하나로 131,072까지 올릴 수 있는 16,384토큰 기본값과는 차원이 다른 엔지니어링 제약이다. 당신의 상태가 송장과 지원 티켓이라면 두 숫자 모두 중요하지 않다. 당신의 상태가 계약서라면, Nace 모델에는 그중 열 개를 맡길 수 있지만 Karpo에는 하나도 맡길 수 없다.

파이프라인에서 11포인트의 보정 차이가 어떤 모습인지

정확도는 사람들이 자주 인용하는 숫자이자, 이 부류의 모델에서는 가장 중요하지 않은 숫자입니다. 의사결정 모델의 핵심은 그 출력이 임계값이 작동할 수 있는 확률이라는 점에 있으므로, 문제는 그 확률이 정직한가입니다.

Karpo의 카드에는 보정 오차가 4.8포인트라고 보고됩니다. 모델이 0.9라고 말할 때 그것이 맞을 확률은 90%보다 다소 낮으며, 평균적으로 약 5포인트 낮습니다. Drex Max 1.1의 AA 프로필은 전체 질문 세트에서 브라이어 점수 0.16을 기록하는데, 이는 다른 통계량이라 직접 비교할 수는 없지만, 같은 보드에는 신뢰도 사다리도 표시됩니다. 0.98 신뢰도 구간에서 모델이 맞을 확률은 97.5%입니다. 이는 최고 신뢰도 답변을 액면 그대로 믿을 수 있는 모델입니다.

Drex Max 1.1에서 흥미로운 구분점은 지식 평가에 있습니다. AA-Omniscience에서 의사결정 점수 60.3을 기록하지만, 이 복합 점수는 원시 정확도 28%와 비환각률 65.3%에서 나옵니다. 두 수치를 함께 읽어 보면, 이 모델은 지식 질문의 약 4분의 1을 정확히 답하고 나머지 중 상당 부분은 답변을 거부하는 모델입니다. 이 지수는 지어내기보다 답변을 거부하는 쪽에 점수를 주는데, 이는 의사결정 계층에는 의도된 동작이지만 실제 답변이 필요한 용도에는 잘 맞지 않습니다.

카르포에게도 같은 본능이 다른 지점에서 드러난다. 140,178건 중 9건의 요청은 질문과 그 상태가 윈도를 넘쳐서 아예 거부되었다. 조용한 잘림보다 거부가 올바른 기본값이다. 그것은 또한 우회해야 하는 실패 모드이며, 32,768토큰 상한은 그것을 더 자주 발생하게 만든다.

지연 시간과 배포의 형태

Karpo의 기록된 중앙값은 트래커의 기준 하드웨어에서 요청당 94ms이며, GPU 1개로 한 번에 요청 하나를 처리한 조건입니다. AA는 Drex Max 1.1을 작업당 283ms, 현재 출시 가격 기준 백만 작업당 비용 $102.7로 측정합니다. 두 수치는 동일한 측정이 아닙니다 — 요청당 대 작업당이라는 차이가 있고, AA의 문서 세트에서 한 작업은 긴 문서 하나를 두고 여러 차례 판단하는 것을 뜻합니다 — 따라서 이 격차는 정밀한 값이 아니라 방향성 지표로 보아야 합니다.

방향성만 보면 그것은 실제로 맞는 말을 한다. 단일 공유 상태 패스를 사용하는 31B Gem​ma 기반 리드아웃은 비인과적 어텐션 레이어가 전체 시퀀스를 다시 쓰는 27B 모델보다 더 간결한 구조다. 더 간결한 것이 중요한지는 호출이 어디에 위치하느냐에 달려 있다. 모든 도구 호출 전에 작동하는 게이트는 턴 예산 안에 들어와야 한다. 매일 밤 천 개의 티켓을 재점수화하는 작업은 200ms에 신경 쓰지 않는다.

구매팀이 물을 때까지 아무도 하지 않는 라이선스 질문

Karpo Decision 31B는 가중치와 코드 모두 Apache-2.0이며, 저장소에는 Gem​ma 4의 자체 라이선스가 함께 포함되어 있습니다. 이는 오픈의 허용적 끝단에 해당합니다.

Drex Max 1.1은 Nace.AI Open RAIL-M 라이선스 하에 있습니다. Open RAIL-M은 진정으로 개방되어 있어 다운로드, 실행, 수정 및 재배포가 가능하지만, 다운스트림 사용자에게까지 적용되는 사용 제한을 가지며, 동일한 제한을 전달할 의무가 있습니다. 연구용 노트북에서는 그 구분이 보이지 않습니다. 모델이 고객 대면 파이프라인 안에 있는 제품의 경우 이는 법률 검토 사안이며, 검토에서는 이를 파인튜닝하여 파생물을 배포할 때 어떤 일이 발생하는지 묻습니다. 답은 "제한이 함께 따른다"입니다.

의사결정 계층이 내부 툴링이라면, 라이선스는 각주에 불과합니다. 판매하는 제품에 내장되어 있다면, Apache-2.0은 크리티컬 패스에서 회의 하나를 없애줍니다.

어느 것이 실제로 맞나요?

원하지 않았던 계산을 하지 않아도 되는 숫자, 예산에 넣을 수 있는 가격, 그리고 오래 지속되는 상태를 원한다면 Drex Max 1.1을 선택하세요. 그것은 오늘 측정 가능하고, 오늘 호스팅되며, 상단 구간의 신뢰도 사다리는 자동화된 임계값을 방어 가능하게 만드는 속성입니다. 비용은 라이선스 제한과 AA가 명시적으로 한시적이라고 표시한 출시 가격입니다.

호스팅 엔드포인트의 부재가 문제가 되지 않는다면 — GPU가 있거나 배치 작업이 가능하고 — Apache-2.0의 허용성이 중요하며, 보드의 Full 점수가 신뢰하는 증거라면 Karpo Decision 31B를 선택하세요. 비용은 62.5 GB의 가중치, 32,768토큰 상한, 그리고 가격도 제품 페이지도 공지도 공개하지 않은 벤더입니다.

세 번째 선택지가 있으며, 대부분의 팀에게 이번 달 올바른 선택은 바로 그것, 즉 어느 쪽도 아닙니다. Karpo는 출시된 지 2주 되었고 공동 선두이며 독립적인 점수는 없습니다. Drex Max 1.1은 만료되는 할인 가격으로 책정되어 있습니다. 두 모델을 모두 직접 라벨링한 샘플에 대해 실행하고, 헤드라인 점수 대신 확신했지만 틀린 비율을 비교하세요. 그 섀도 테스트에서 기준으로 삼을 모델로는 가장 저렴하게 이용할 수 있는 참조가 TypeSafe 자체 모델입니다 — Jev 1.14가 저희 카탈로그에 있습니다, 따라서 임계값 정책을 모든 오픈 재현이 쫓고 있는 대상에 대해, Qwen3.8-27B나 Gemma 4 31B에 사용할 것과 동일한 키로 검증할 수 있습니다. 이 두 모델은 이 체크포인트들이 기반으로 만들어진 두 베이스 모델입니다. 두 베이스 모두 200개 이상 모델을 공급자 정가로 마크업 없이 제공하는 하나의 API를 통해 제공되며, 이는 결정 계층이 바로 모델은 바꾸고 코드는 유지하고 싶은 곳이기 때문에 정확히 유용합니다.

이 맞대결을 결판낼 단 한 가지는 숫자 하나다: AA 보드에 Karpo Decision 31B가 등장하는 것. 그때까지 이 비교는 같은 논문을 평가한 적 없는 두 조직이 산출한, 잘 문서화된 73.9 대 잘 문서화된 72.62일 뿐이다.

A capture of the Artificial Analysis Decision Index v2.1 page showing the six weighted evaluations — AA-Paperclip at 30%, EvalSafe-O*NET-AA at 15%, When2Call at 10%, AA-Omniscience-Decision at 15%, HLE-MultiChoice at 15% and AA-Symmetry at 15% — the methodology note that all evaluations are conducted independently by Artificial Analysis, the 'Update Oct 30, 2026' stamp, and the worked example of a support-ticket state scored by a decision model.