Ett genererat titelkort för Drex Max v1.1 med underrubriken "etta på Artificial Analysis Decision Index v2, med 0,56 poäng", med chips som visar 73,4 i Decision Index, 275 ms per uppgift, 102 USD per 1 miljon uppgifter och en gräns på 262 144 token per begäran, samt en topplistrad som visar 73,4, 72,8 och 72,4 för de tre bästa beslutsmodellerna.
Guides & Insights

Drex Max v1.1 toppar Decision Index — och styrelsens egna detaljer nyanserar segern

Författare

Gideon Frost

Publiceringsdatum

Senaste modellerna · 20Visa alla modeller →
Benchmarks: Artificial Analysis · uppdateras dagligen
Tillbaka till alla inlägg

Drex Max v1.1, den multimodala beslutsmodellen från Nace.AI, ligger etta på Artificial Analysis Decision Index v2 med en poäng på 73,4. Marginalen är 0,56 poäng över GLiDE v1.2 från Fastino Labs på 72,8, och 0,94 över Mammoth 27B på 72,4. De tre siffrorna berättar hela historien om listans topp, och de är också anledningen till att rubriken behöver en andra mening: samma utvärdering säger att GLiDE är mer korrekt än Drex Max v1.1, och att Mammoth 27B mycket oftare behåller samma svar genom omformuleringar.

Själva modellen är inte ny i dag. Naces egen modellreferens listar drex-max-v1.1 som släppt den 28 oktober 2026, och det pensionerade drex-max-id:t har besvarats av v1.1 sedan den 8 november. Det som är nytt är mätningen. Artificial Analysis publicerade Decision Index v2 den 8 november 2026, två dagar före den här artikeln, och det är den första oberoende resultattavlan som poängsätter den här checkpointen mot resten av fältet av beslutsmodeller med ett och samma instrument. Det är nyheten: inte en lansering, utan den första utomstående siffran för en modell som bara hade levererat leverantörens egen.

Vad styrelsen faktiskt mäter nu

Decision Index v2 är ett annat instrument än det som producerade 64:an som Drex Max bar i oktober, så de två är inte jämförbara och ingen bör ställa dem mot varandra. v2-indexet är ett viktat genomsnitt av sex utvärderingar, och 45 % av det bygger nu på privata data, upp från 25 % i v1 – ett medvetet drag mot överanpassning till benchmark.

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 % av indexet — 1 500 privata dokument (CV:n, kvitton, fakturor, forskningsartiklar), där varje dokument innehåller fem beslut och tio fakta som ska extraheras, och bedöms som ett enda dokument som bara räknas om alla femton svar är korrekta.

• EvalSafe-O*NET-AA, 15 % — bedömning av arbetsplatsdokument, byggd på T​ypeSafe:s O*NET-benchmark.

• AA-Omniscience-Decision v1.1, 15 % — kunskap och hallucination, med alternativet ”jag vet inte” omformulerat på tio sätt.

• HLE-MultiChoice v1.1, 15 % — Humanity's Last Exam flervalsfrågor, även med ett alternativ att avstå.

• AA-Symmetry, 15 % – 120 frågor utökade till 440 variationer genom att ordna om alternativen, byta etiketter och negera ja/nej-frågor.

• When2Call, 10 % – NVIDIAs utvärdering av verktygsanrop, ned från 25 % i v1.

Huvudmåttet är också nytt. Varje fråga poängsätts som 50 × (1 + c − (p − c)²), där p är sannolikheten som modellen satte på sitt svar och c är huruvida det svaret var rätt. Sammanlagt blir det 50 × (1 + träffsäkerhet − Brier score). En modell belönas för att ha rätt och för att veta hur rätt den har, och den straffas hårdare för ett självsäkert fel än för ett tveksamt. Det spelar roll här, eftersom Drex:s pitch är kalibrerad sannolikhet snarare än prosa, och detta är den första resultattavlan som poängsätter kalibreringen direkt i stället för att behandla den som en fotnot.

Var Drex Max v1.1 vinner, med hur mycket och mot vem

Kompositen döljer ett delat fält. När man drar isär den kommer Drex Max v1.1:s försprång från två av sex komponenter, och en av dem är den som Nace byggde modellen för.

• AA-Paperclip (dokument) — Drex Max v1.1 får 72,8 i beslutspoäng, med 63,0 % av dokumenten helt korrekta; d1-ultra från Liquid AI ligger på 64,7 och 51,3 %, Microsoft-Decision-1 på 51,8 och 20,9 %.

• When2Call (verktygsanrop) — Drex Max v1.1 95,26 mot Jev 1.14:s 84,39 och Microsoft-Decision-1:s 87,95, den största enskilda utvärderingsskillnaden i jämförelseuppsättningen.

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 ligger på 84,18, i praktiken samma nivå.

• AA-Omniscience-Decision — Drex Max v1.1 60.27, d1-ultra 64.39. Den här går åt andra hållet, och det är utvärderingen om att veta saker snarare än att fatta beslut.

HLE-MultiChoice — Drex Max v1.1 46,61 mot Jev 1.14:s 44,47, men d1-ultra ligger på 47,39 och den råa noggrannheten är 8,25 % mot Jevs 12,77 %.

• Tid per uppgift – 275 ms för Drex Max v1.1, 92 ms för Jev 1.14, 295 ms för d1-ultra. Drex är den snabbaste beslutsmodellen i frontlinjeskala på listan och ungefär tre gånger långsammare än den billigaste att driva av de befintliga.

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.

Fyra förbehåll som styrelsen publicerar och pressmeddelandet inte

Artificial Analysis är ovanligt tydliga med vad deras eget toppresultat inte betyder, och artikeln som tillkännager v2 säger var och en av dessa i klarspråk.

Det första är träffsäkerhet. "GLiDE v1.2 leder över Drex Max v1.1 i träffsäkerhetsmått (60 mot 58), medan Drex Max v1.1 tar ledningen i Decision Index." Drex vinner sammanvägningen eftersom det är bättre kalibrerat, inte för att det får fler rätta svar. Om din pipeline kastar bort sannolikheten och bara behåller argmax, har du köpt den del av modellen som styrelsen inte belönade.

Den andra är konsekvens vid omformulering. Mammoth 27B väljer samma svar i AA-Symmetrys variationer på 99 % av frågorna; Drex Max v1.1 gör detsamma på 91 %, GLiDE på 88 %. Drex ligger fortfarande klart bättre till än tidigare, och före Jev, men ”samma fråga formulerad på två sätt får samma svar” är en egenskap som Mammoth har och Drex inte fullt ut har.

Det tredje är dokumenttestet med allt eller inget. Drex Max v1.1 har rätt på 97 % av de enskilda svaren på AA-Paperclip men klarar bara 63 % av dokumenten, eftersom ett felaktigt svar av femton underkänner dokumentet. Den fattar alla fem beslut korrekt i 71 % av dokumenten och gör alla tio utdrag korrekt i 88 %. Claude Haiku 5.5 (Max), en allmän språkmodell, klarar 92 %. Klyftan mellan 97 % av svaren och 63 % av dokumenten är kostnaden för att kedja femton beroende anrop utan en kontroll.

Den fjärde är avstående. I allvetandeutvärderingen avstår d1-ultra hellre än gissar på 88,6 % av frågorna som den inte kan svara på; Drex Max v1.1 på 65,3 %; Microsoft-Decision-1 på 21,7 %. Drex är en modell som hellre satsar än avstår, vilket är okej när en människa granskar svansen med låg konfidens och dyrt när ingen gör det.

Kostnadskolumnen är det starkaste Nace har.

Kostnad per 1 miljon uppgifter på samma resultattavla: 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. Ovanför beslutsmodellerna kostar GPT-6 Luna (Max) $1 530 och Claude Haiku 5.5 (Max) $6 240 för tre till fyra indexpoäng.

En del av den spridningen är tokenpris och en del är faktureringsform, och tavlan skiljer dem åt. Drex Max v1.1 och Decider v1.2 utvärderar ett dokument en gång och besvarar alla frågor utifrån den enda genomgången, så en AA-Paperclip-uppgift använder ungefär 9 000 indatatoken. GLiDE v1.2 och Decider Flash v1.2 fakturerar indata igen för varje fråga, cirka 63 000 token per uppgift, vilket är hur GLiDE hamnar på $780 vid ett listpris på $0,04 – nästan åtta gånger Drexs kostnad vid ett 33 % högre tokenpris. Naces egen tabell anger ”$0,03 per 1 000 beslut” och tavlan anger $102 per 1 miljon uppgifter; det är olika enheter som mäter olika arbetsbelastningar, och bara den andra gör det möjligt att jämföra mellan modeller.

Naces produktsida har också rubriken "118× snabbare än Claude Haiku 5.5 (Max)". Betrakta det som ett leverantörspåstående med leverantörens nämnare. Tavlans enhet är tid per uppgift, där Drex Max v1.1 ligger på 275 ms och AA:s sammanställning anger GPT-6 Luna (Max) till 11,34 s – ungefär 40×. Båda siffrorna kan vara sanna samtidigt eftersom den ena räknar ett enda beslut och den andra räknar ett helt dokument med femton frågor. Planera kapaciteten utifrån siffran per uppgift.

ID:t är den del som får din integration att gå sönder.

Tre saker i Naces dokumentation kostar en eftermiddag om du upptäcker dem efter att ha kopplat upp klienten.

• drex-latest pekar inte på en Max-modell. Den motsvarar drex-v2.0, en textbaserad mixture-of-experts-modell med öppna vikter som får 63,43 på samma leaderboard. En förfrågan som helt utelämnar model besvaras också av drex-v2.0. Om du kopierade en quickstart som anger TYPESAFE_DEFAULT_MODEL=drex-latest – och Naces egna Jev-kompatibilitetsinstruktioner säger att du ska göra det – anropar du fel modell och kommer att se en indexnedgång på 10 punkter utan att något fel visas.

• drex-max är avvecklad från och med den 8 november 2026 och hanteras av drex-max-v1.1 inom v1.1:s gränser och till v1.1:s pris. Befintliga klienter fortsätter att fungera; svaret rapporterar efterträdarens id. Nytt arbete bör uttryckligen skicka drex-max-v1.1.

• Kontextsiffran anges två gånger, på olika sätt. API-guiden säger 131 072 token per fråga, med bildtoken inräknade; modellreferensen säger en indatagräns på 262 144 token för hela den packade förfrågan, inklusive tillstånd, alla åtta bilder, varje fråga och modellens formatering. Dimensionera för det mindre talet om du inte har testat det större.

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.

Inget av detta är en defekt. De är det vanliga skräpet från versionering på plats, och de är anledningen till att releasedatumet på modellen spelar större roll än versionsnumret i namnet.

Vad detta innebär om du väljer idag

Drex Max v1.1 finns inte på någon rutt vi tillhandahåller. OrcaRouter-katalogen har den inte, och inget här bör läsas som ett påstående om tillgänglighet — Nace säljer den via sitt eget API och sin egen konsol, för $0,03 per miljon indatatoken under lanseringsperioden, 50 % rabatt på ett listpris på $0,06. Det katalogen däremot har är den etablerade aktör som den här modellen mäts mot: TypeSafe Jev 1.14 är en listad rutt till $0,042 per miljon indatatoken, med samma begäransform för typade frågor och 66,96 på samma resultattavla. Att köra båda innebär två avtal och två SDK:er, vilket är den verkliga kostnaden för en jämförelse, och det är den vanliga anledningen till att man lägger jämförelsen bakom en router i stället.

Den ärliga tolkningen av 73.4 är snävare än "bästa beslutsmodell". Drex Max v1.1 har den bästa sammansatta poängen på en resultattavla som är 45 % privat och två dagar gammal, den är den snabbaste modellen vid den poängen med god marginal, och den är tredje billigaste på Paretofronten. Den är inte den mest exakta, den är inte den mest konsekventa och den är inte den mest benägna att avstå. Vilken av dessa fyra som spelar roll beror helt på om en människa ser lågkonfidenssvansen – och den frågan finns inte på någon resultattavla.

Vad skulle ändra den här tolkningen: en andra oberoende panel som reproducerar 73,4, eller en v1.2 som höjer noggrannheten i {{1}}HLE-MultiChoice{{/1}} över Jevs 12,77 %. Ingen av dem finns ännu. Tills en av dem gör det är siffran att citera 73,4 med ordet "narrow" tillagt.