Сгенерированная титульная карточка для Drex Max v1.1 с подзаголовком «первое место в Artificial Analysis Decision Index v2 с отрывом в 0,56 балла», плашками с надписями: Decision Index 73,4; 275 мс на задачу; 102 $ за 1 млн задач и лимит запроса 262 144 токена, а также строкой таблицы лидеров, показывающей 73,4, 72,8 и 72,4 для трёх лучших моделей принятия решений.
Guides & Insights

Drex Max v1.1 возглавляет Decision Index — а собственные детали совета делают эту победу условной

Автор

Gideon Frost

Дата публикации

Новые модели · 20Все модели →
Бенчмарки: Artificial Analysis · обновляется ежедневно
Назад ко всем статьям

Drex Max v1.1, мультимодальная модель принятия решений от Nace.AI, занимает первое место в Artificial Analysis Decision Index v2 с результатом 73,4. Отрыв составляет 0,56 балла от GLiDE v1.2 от Fastino Labs с 72,8 и 0,94 — от Mammoth 27B с 72,4. Эти три числа — вся картина вершины рейтинга, и они же — причина, по которой заголовку нужно второе предложение: та же оценка показывает, что GLiDE точнее Drex Max v1.1, а Mammoth 27B гораздо чаще сохраняет один и тот же ответ при перефразированиях.

Сама модель сегодня не новая. В собственном справочнике моделей Nace указано, что drex-max-v1.1 выпущена 28 октября 2026 года, а с 8 ноября на запросы к выведенному из эксплуатации идентификатору drex-max отвечает v1.1. Новое здесь — измерение. Artificial Analysis опубликовала Decision Index v2 8 ноября 2026 года, за два дня до этой публикации, и это первый независимый рейтинг, который оценивает этот чекпоинт наравне с остальными моделями класса моделей принятия решений с помощью единого инструмента. Вот в чём новость: не запуск, а первая внешняя численная оценка для модели, которая до этого располагала только собственной оценкой поставщика.

Что совет директоров на самом деле измеряет сейчас

Decision Index v2 — это другой инструмент, не тот, что дал 64, который Drex Max имел в октябре, поэтому эти два инструмента несопоставимы, и никто не должен ставить их в один ряд. Индекс v2 — это взвешенное среднее шести оценок, и 45% его теперь основано на закрытых данных, тогда как в v1 эта доля составляла 25%, — сознательный шаг против переобучения на бенчмарках.

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% индекса — 1500 частных документов (резюме, квитанции, счета-фактуры, научные работы), каждый содержит пять решений и десять фактов для извлечения; оценивается как один документ, который засчитывается только при условии, что все пятнадцать ответов верны.

• EvalSafe-O*NET-AA, 15% — оценка рабочих документов, основанная на бенчмарке O*NET от T​ypeSafe.

• AA-Omniscience-Decision v1.1, 15% — знания и галлюцинации, а вариант «Я не знаю» переформулирован десятью способами.

• HLE-MultiChoice v1.1, 15% — Humanity's Last Exam с множественным выбором, также с вариантом отказа.

• AA-Symmetry, 15% — 120 вопросов, расширенных до 440 вариаций за счёт переупорядочивания вариантов, замены меток и отрицания вопросов с ответом «да/нет».

• When2Call, 10% — оценка вызова инструментов от NVIDIA, снизилась с 25% в v1.

Ключевой показатель тоже новый. Каждый вопрос оценивается как 50 × (1 + c − (p − c)²), где p — вероятность, которую модель приписала своему ответу, а c — был ли этот ответ правильным. В совокупности это 50 × (1 + точность − показатель Бриера). Модель вознаграждается за правильность и за понимание того, насколько она права, и за уверенную ошибку её наказывают сильнее, чем за неуверенную. Здесь это важно, потому что посыл Drex — калиброванная вероятность, а не проза, и это первый рейтинг, который оценивает калибровку напрямую, а не считает её сноской.

Где Drex Max v1.1 побеждает, с каким отрывом и против кого

Составной показатель скрывает разделённое поле. Если разложить его, преимущество Drex Max v1.1 обеспечивают два компонента из шести, и один из них — тот, для которого Nace создавал модель.

• AA-Paperclip (документы) — Drex Max v1.1 набирает 72,8 балла по оценке принятия решений, при этом 63,0% документов полностью верны; d1-ultra от Liquid AI — 64,7 и 51,3%, Microsoft-Decision-1 — 51,8 и 20,9%.

• When2Call (вызов инструментов) — Drex Max v1.1 с результатом 95,26 против 84,39 у Jev 1.14 и 87,95 у Microsoft-Decision-1; это самый большой разрыв по отдельной оценке во всём наборе сравнения.

• 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 находится на уровне 84,18, фактически на том же уровне.

• AA-Omniscience-Decision — Drex Max v1.1 60.27, d1-ultra 64.39. Здесь всё наоборот: это оценка того, насколько хорошо модель знает факты, а не того, насколько хорошо она принимает решения.

• HLE-MultiChoice — Drex Max v1.1 — 46,61 против 44,47 у Jev 1.14, но d1-ultra находится на уровне 47,39, а сырая точность составляет 8,25% против 12,77% у Jev.

• Время на задачу — 275 мс для Drex Max v1.1, 92 мс для Jev 1.14, 295 мс для d1-ultra. Drex — самая быстрая модель принятия решений фронтирного масштаба в рейтинге, и при этом примерно втрое медленнее, чем самый дешёвый в эксплуатации действующий игрок.

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.

Четыре оговорки, которые совет публикует, а пресс-релиз — нет

Artificial Analysis на удивление прямо говорит о том, чего не означает его собственный высший балл, и статья, анонсирующая v2, излагает каждый из этих пунктов простым языком.

Первое — точность. «GLiDE v1.2 опережает Drex Max v1.1 по метрикам точности (60 против 58), а Drex Max v1.1 немного впереди по Индексу решений». Drex выигрывает по составному показателю потому, что он лучше откалиброван, а не потому, что даёт больше правильных ответов. Если ваш конвейер отбрасывает вероятность и сохраняет только argmax, вы купили ту часть модели, которую совет директоров не вознаградил.

{{1}}Второе — это согласованность при перефразировании.{{/1}} {{2}}Mammoth 27B выбирает один и тот же ответ среди вариантов AA-Symmetry в 99% вопросов; Drex Max v1.1 — в 91%, GLiDE — в 88%.{{/2}} {{3}}Drex по-прежнему значительно опережает свои прежние показатели и опережает Jev, но «один и тот же вопрос, сформулированный двумя способами, получает один и тот же ответ» — это свойство, которое есть у Mammoth и которого у Drex нет в полной мере.{{/3}}

Третье — это тест документов по принципу «всё или ничего». Drex Max v1.1 даёт 97% правильных ответов на отдельные вопросы в AA-Paperclip, но проходит только 63% документов, потому что один неверный ответ из пятнадцати приводит к провалу документа. Он принимает все пять решений правильно в 71% документов и выполняет все десять извлечений в 88%. Claude Haiku 5.5 (Max), универсальная языковая модель, проходит 92%. Разрыв между 97% ответов и 63% документов — это цена цепочки из пятнадцати зависимых вызовов без проверяющего компонента.

Четвёртое — воздержание от ответа. В оценке на всезнание d1-ultra отказывается отвечать, а не строит догадки, на 88,6% вопросов, на которые не может ответить; Drex Max v1.1 — на 65,3%; Microsoft-Decision-1 — на 21,7%. Drex — это модель, которая скорее даст ответ, чем воздержится; это нормально, когда человек просматривает хвост с низкой уверенностью, и дорого обходится, когда никто этого не делает.

Колонка затрат — это самое сильное, что есть у Nace.

Стоимость 1 миллиона задач на одной и той же доске: 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. Выше моделей принятия решений GPT-6 Luna (Max) стоит $1,530, а Claude Haiku 5.5 (Max) — $6,240 за три-четыре пункта индекса.

Часть этого разброса — это цена за токены, а часть — схема тарификации, и в панели они разделены. Drex Max v1.1 и Decider v1.2 оценивают документ один раз и отвечают на каждый вопрос по результатам этого единственного прохода, поэтому задача AA-Paperclip использует примерно 9 000 входных токенов. GLiDE v1.2 и Decider Flash v1.2 снова тарифицируют входные данные для каждого вопроса — около 63 000 токенов на задачу, поэтому GLiDE выходит на $780 при прайс-листовой цене $0.04 — почти в восемь раз дороже Drex при ставке за токены на 33% выше. В собственной таблице Nace указано «$0.03 за 1 000 решений», а в панели указано $102 за 1 млн задач; это разные единицы измерения для разных рабочих нагрузок, и только вторая позволяет сравнивать модели между собой.

На странице продукта Nace также вынесен заголовок «В 118 раз быстрее, чем Claude Haiku 5.5 (Max)». Считайте это заявлением вендора с вендорским знаменателем. Единица измерения в таблице — время на задачу: у Drex Max v1.1 это 275 мс, а в материале AA для GPT-6 Luna (Max) указано 11,34 с — примерно в 40 раз больше. Оба числа могут быть верны одновременно, потому что одно считает одно решение, а другое — целый документ из пятнадцати вопросов. Планируйте ресурсы исходя из показателя времени на задачу.

Идентификатор — это та часть, которая сломает вашу интеграцию.

Три вещи в документации Nace обойдутся в полдня, если обнаружить их после подключения клиента.

• drex-latest не указывает на модель Max. Он разрешается в drex-v2.0 — открытую по весам текстовую смесь экспертов, которая набирает 63,43 балла в том же лидерборде. Запрос, в котором параметр model вообще не указан, также обрабатывается drex-v2.0. Если вы скопировали пример быстрого старта, в котором задаётся TYPESAFE_DEFAULT_MODEL=drex-latest, — а собственные инструкции Nace по совместимости с Jev велят вам сделать именно это, — вы вызываете не ту модель и увидите падение индекса на 10 пунктов без какого-либо сообщения об ошибке.

• drex-max выведен из эксплуатации с 8 ноября 2026 года, и его обслуживает drex-max-v1.1 в пределах лимитов и по цене v1.1. Существующие клиенты продолжают работать; в ответе указывается id преемника. Для новых задач следует явно указывать drex-max-v1.1.

• Значение контекста приводится дважды и по-разному. В руководстве по API говорится о 131 072 токенах на вопрос с учётом токенов изображений; в справочнике модели указан лимит входных данных 262 144 токена для всего упакованного запроса, включая состояние, все восемь изображений, каждый вопрос и форматирование модели. Ориентируйтесь на меньшее число, если только вы не протестировали большее.

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.

Ничто из этого не является дефектом. Это обычные следы версионирования на месте, и именно поэтому дата выпуска на модели важнее номера версии в названии.

Что это значит, если вы выбираете сегодня

Drex Max v1.1 не входит ни в один из обслуживаемых нами маршрутов. В каталоге OrcaRouter её нет, и ничто здесь не следует воспринимать как утверждение о доступности — Nace продаёт эту модель через собственный API и собственную консоль по цене $0.03 за миллион входных токенов в течение стартового периода, что на 50% ниже прайс-листовой цены $0.06. А вот что в каталоге действительно есть, так это действующий эталон, с которым сравнивают эту модель: TypeSafe Jev 1.14 — это указанный в каталоге маршрут по $0.042 за миллион входных токенов, с той же структурой запроса в виде типизированного вопроса и результатом 66,96 в том же рейтинге. Запуск обоих означает два контракта и два SDK — вот настоящая цена сравнительного тестирования, и обычно именно поэтому сравнение предпочитают проводить через роутер.

Честное прочтение 73.4 уже́, чем «лучшая модель для принятия решений». Drex Max v1.1 — лучший составной балл на таблице, которая на 45% приватна и которой всего два дня; это самая быстрая модель с таким баллом с большим отрывом, и она третья по дешевизне на границе Парето. Она не самая точная, не самая стабильная и не самая склонная воздерживаться от ответа. Что из этих четырёх важно, полностью зависит от того, видит ли человек хвост низкой уверенности, — а этого вопроса нет ни в одном лидерборде.

Что изменило бы эту интерпретацию: вторая независимая панель, воспроизводящая показатель 73,4, или v1.2, которая поднимает точность HLE-MultiChoice выше показателя Jev в 12,77%. Ни того, ни другого пока не существует. Пока не появится хотя бы одно из них, цитировать следует 73,4 со словом «narrow».