Сгенерированная карточка сравнения с заголовком «Drex Max v1.1 vs Liquid AI d1-ultra», содержащая строки для индекса решений 73,4 против 70,4, оценки решений по документам 72,8 против 64,7, доли воздержаний 65,3 процента против 88,6 процента, времени на задачу 275 мс против 295 мс и стоимости за 1 млн задач $102 против $132, с нижним колонтитулом: Artificial Analysis Decision Index v2, 8 ноября 2026 г.
Guides & Insights

Drex Max v1.1 против Liquid AI d1-ultra: два мультимодальных оценщика и заголовок, который больше не соответствует действительности

Автор

jinhao.song

Дата публикации

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

Liquid AI d1-ultraвышла 15 октября 2026 года с фразой, которую на тот момент можно было отстоять: она «превосходит все остальные модели принятия решений в Artificial Analysis Decision Index как минимум на 8 пунктов». Три недели спустя Artificial Analysis заменила этот индекс на v2, пересчитала баллы семнадцати моделей на новых данных, и d1-ultra оказалась пятой с результатом 70.4 — позади Drex Max v1.1 с 73.4, GLiDE v1.2 с 72.8, Mammoth 27B с 72.4 и — с отставанием в три сотых пункта — Decider v1.2 от Perplexity с 70.5. Восьмипунктовое преимущество исчезло, и на этом инструменте оно никогда не измерялось.

Вот в каких рамках стоит рассматривать это сравнение, и стоит точно понимать, что оно означает, а что нет. Это не значит, что d1-ultra стала хуже. Это значит, что таблица изменилась под утверждением, которое было сделано относительно старой версии, — обычная опасность ссылаться на позицию в рейтинге так, будто это свойство модели. Оба они — сильные мультимодальные скореры для принятия решений. Они также ближе друг к другу, чем подразумевает маркетинг любого из вендоров, и они хороши в заметно разных вещах.

Там, где обе модели совпадают, а это большая часть поверхности

Обе являются моделями принятия решений в строгом смысле: вы отправляете состояние и типизированные вопросы, один прямой проход возвращает вероятность для каждого варианта, и текст не генерируется. Обе принимают изображения вместе с текстом. Обе отвечают на одни и те же три формы вопросов — выбор среди именованных вариантов, да/нет и оценка по шкале. Обе тарифицируют только вход, а выход не тарифицируется, поскольку выхода нет.

• Модальность — Drex Max v1.1 читает текст, скриншоты, диаграммы, формы, отсканированные документы, фотографии и кадры видео, восемь изображений на запрос. d1-ultra читает текст, изображения или и то и другое; пример запуска Liquid — фотография платы, сверяемая с её спецификацией.

• Цена за миллион входных токенов — $0.03 для Drex Max v1.1 в течение периода запуска (скидка 50% от каталожной цены $0.06), $0.042 для d1-ultra. Сегодня Nace дешевле, но после окончания скидки это может измениться.

• Оплата изображений — Drex Max v1.1 учитывает токены изображений в пределах лимита 131,072 токена на вопрос. d1-ultra начисляет 1,5 токена за каждый фрагмент 32×32 пикселя, поэтому изображение 1024×1024 стоит 1 536 токенов, а каждый вопрос тарифицируется как отдельный промпт, включая все изображения.

• Контекст — 131 072 токена на вопрос для Drex Max v1.1, при этом 262 144 на весь упакованный запрос. Liquid не публикует сопоставимое окно на один вопрос.

• {{1}}Доступность{{/1}} — Drex Max v1.1 продается через API и консоль Nace; d1-ultra — через API и консоль Liquid. Ни один из них не входит в наш список маршрутов, и ничто здесь не является заявлением о доступности с нашей стороны.

Это правило оплаты за каждый вопрос в d1-ultra — та деталь, которая определяет стоимость при работе с документами в масштабе, и совет директоров это измерил. Artificial Analysis сообщает, что Drex Max v1.1 использует около 9 000 входных токенов для задачи с документом из пятнадцати вопросов против примерно 63 000 у моделей, которые повторно тарифицируют входные данные за каждый вопрос, — а стоимость d1-ultra за задачу составила $132 против $102 у Drex, что близко к соотношению их цен по прайс-листу и немного хуже.

Плата, компонент за компонентом

Совокупный разрыв составляет 2,9 балла. Разрывы по компонентам крайне неравномерны, и закономерность устойчива: Drex выигрывает в работе с документами, а d1-ultra — в знании фактов и в воздержании от ответа.

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.

• Индекс решений v2 — Drex Max v1.1 73.39, d1-ultra 70.45.

• Индекс точности — Drex Max v1.1 58.41, d1-ultra 54.94, то есть оценка без компонента калибровки.

• Оценка решения по документу AA-Paperclip — Drex Max v1.1 72,82, d1-ultra 64,69. Доля случаев со всеми пятнадцатью правильными ответами: 63,0% против 51,3%.

• Вызов инструментов When2Call — Drex Max v1.1 95.26, d1-ultra 93.83. Близко, и оба намного выше 84.39 у Jev 1.14.

• Согласованность перефразирований AA-Symmetry — Drex Max v1.1 84.96, d1-ultra 77.81, разрыв в 7 пунктов, который является вторым по величине расхождением в наборе.

• AA-Omniscience-Decision — d1-ultra 64.39, Drex Max v1.1 60.27. Единственная оценка, в которой порядок меняется на обратный.

• HLE-MultiChoice — d1-ultra 47.39, Drex Max v1.1 46.61, но по чистой точности d1-ultra — 6.09%, а Drex — 8.25%.

• Отказ от ответа — d1-ultra отказывается отвечать на 88,61% вопросов на всезнание, на которые не может ответить, Drex Max v1.1 — на 65,28%, Microsoft-Decision-1 — на 21,74%.

• Время на одну задачу — Drex Max v1.1 275 мс, d1-ultra 295 мс.

• Стоимость за 1 млн задач — Drex Max v1.1 $102, d1-ultra $132.

Прочитайте строку воздержания от ответа дважды, потому что она объясняет строку всеведения, и это наименее интуитивное свойство в таблице. Более высокая оценка решения по всеведению у d1-ultra обусловлена не столько знаниями: её сырая точность там составляет 28,0% — столько же, сколько у Drex Max v1.1. Она получает более высокую оценку, потому что гораздо чаще говорит «Я не знаю», и функция оценки вознаграждает это. Mammoth 27B и Elephant 9B лидируют в оценке симметрии по той же причине — Artificial Analysis прямо говорит, что модели Baseten «последовательно признают, что не знают ответа, с высокой уверенностью при вариациях вопросов».

Ничто из этого не является недостатком метрики. Это утверждение о том, что вы покупаете. d1-ultra — это модель, к которой стоит обратиться, когда неотвеченный вопрос обходится дешевле, чем неверный. Drex Max v1.1 — это модель, к которой стоит обратиться, когда нужно получить результат с решением, а случаи с низкой уверенностью передаются человеку.

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.

Что измерила собственная оценка Liquid, а что — нет

В посте Liquid о запуске d1-ultra сравнивается с d1 и Jev 1.14 по «112 уникальным оценкам» и сообщается, что он превосходит Jev в каждой из них, демонстрируя лучшую калибровку при той же цене. Это сравнение, проведённое поставщиком на выбранном поставщиком инструменте, и в нём ничего не говорится о Drex Max, который в нём не фигурирует. Утверждение о восьмибалльном индексе было сделано на основе Decision Index v1.0, опубликованного 13 октября 2026 года — за два дня до появления d1-ultra — и в этой таблице d1-ultra никогда не значился.

Производитель действительно делает одно утверждение, которое подтверждает новая таблица лидеров: он специально обучал d1-ultra быть менее самоуверенным, и то, что калибровка показывает 64,39 по omniscience против 60,14 у Jev, а составной показатель на 2,0 пункта выше, чем у Jev, при сопоставимой точности — это реально. d1-ultra с 70,45 против 66,96 у Jev 1.14 на том же инструменте — это подлинное улучшение по сравнению с действующим решением, измеренное независимо.

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.

Утверждение, которое не выдерживает проверки, — это рейтинг. В v2 d1-ultra занимает пятое место из семнадцати, и все четыре модели выше неё укладываются в 3 балла. Разброс в 3 балла среди первых пяти — это не иерархия; это ничья, которую разрешает то, какой компонент случайно оказывается весомее для вашей нагрузки.

Что именно запускать

Обе модели предоставляются как хостинговые, ни одна из них не входит в наш каталог, и честный способ выбрать между ними — это сравнительное испытание на ваших собственных состояниях, а не на наборе тестов любого из поставщиков. Если вы его проведёте, проводите его на том, за что наказывает совет: документах по принципу «всё или ничего». Модель, которая даёт 97% правильных отдельных ответов и 63% полностью правильных документов, не вдвое лучше модели с 51%; она ровно так же хороша, как вероятность того, что ни один из пятнадцати зависимых ответов не окажется неверным, — а именно с этим и столкнётся ваш конвейер.

Что здесь меняет роутер — это не выбор между этими двумя (мы не поддерживаем ни один из них), а форма пайплайна вокруг них. Оба — это скореры, которые стоят выше по потоку от компонента, выполняющего запись. Этап записи — это вызов универсальной модели, и именно здесь один эндпоинт с более чем 200 моделями, передача цены провайдера по прайс-листу без наценки за токен и автоматическое переключение при сбое действительно избавляют вас от необходимости в отдельной интеграции, потому что модель, на которую вы маршрутизируете, будет меняться чаще, чем скорер.

Если вам нужна единственная причина предпочесть сегодня Drex Max v1.1, то дело не в составном показателе в 2,9 пункта. Дело в том, что он быстрее, дешевле в расчёте на задачу и на семь пунктов последовательнее, когда один и тот же вопрос сформулирован двумя способами, — а согласованность — это свойство, которое тихо ломается в продакшене, а не громко на бенчмарке. Если вам нужна единственная причина предпочесть d1-ultra, то она в том, что он отказывается. Обе позиции защитимы. Ни один из главных тезисов вендоров — нет.

© 2026 OrcaRouter