Ett genererat jämförelsekort med rubriken "Drex Max v1.1 vs Liquid AI d1-ultra", med rader för Decision Index 73,4 mot 70,4, dokumentbeslutspoäng 72,8 mot 64,7, avståendefrekvens 65,3 procent mot 88,6 procent, tid per uppgift 275 ms mot 295 ms och kostnad per 1 miljon uppgifter 102 USD mot 132 USD, med en sidfot som lyder Artificial Analysis Decision Index v2, 8 november 2026.
Guides & Insights

Drex Max v1.1 vs Liquid AI d1-ultra: Två multimodala poängsättare, och en rubrik som inte längre håller

Författare

jinhao.song

Publiceringsdatum

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

Liquid AI d1-ultra lanserades den 15 oktober 2026 med en formulering som gick att försvara då: den "överträffar alla andra beslutsmodeller i Artificial Analysis Decision Index med minst 8 poäng". Tre veckor senare ersatte Artificial Analysis det indexet med v2, poängsatte om sjutton modeller på ny data, och d1-ultra landade på femte plats med 70,4 — bakom Drex Max v1.1 med 73,4, GLiDE v1.2 med 72,8, Mammoth 27B med 72,4 och, med tre hundradelars marginal, Perplexitys Decider v1.2 med 70,5. Ledningen på åtta poäng är borta, och den mättes aldrig med det här instrumentet.

Det är inramningen för den här jämförelsen, och det är värt att vara precis om vad den innebär och inte innebär. Det innebär inte att d1-ultra blev sämre. Det innebär att resultattavlan förändrades under ett påstående som hade gjorts mot den gamla, vilket är den vanliga risken med att citera en placering på en resultattavla som om den vore en egenskap hos modellen. Båda dessa är starka multimodala beslutsbedömare. De ligger också närmare varandra än någon av leverantörernas marknadsföring antyder, och de är bra på synbart olika saker.

Där de två modellerna är överens, vilket utgör större delen av ytan

Båda är beslutsmodeller i strikt mening: du skickar ett tillstånd och typade frågor, en framåtpassning returnerar en sannolikhet per alternativ, och ingen text genereras. Båda tar emot bilder tillsammans med text. Båda besvarar samma tre frågeformat – ett val bland namngivna alternativ, ett ja/nej och en poäng på en skala. Båda debiterar endast för indata, medan utdata inte debiteras, eftersom det inte finns någon utdata.

• Modalitet – Drex Max v1.1 läser text, skärmbilder, diagram, formulär, skannade dokument, foton och videorutor, åtta bilder per begäran. d1-ultra läser text, bilder eller båda; Liquids lanseringsexempel är ett fotografi av ett kretskort som kontrolleras mot dess specifikation.

• Pris per miljon indatatoken – 0,03 USD för Drex Max v1.1 under lanseringsperioden (50 % rabatt på ett listpris på 0,06 USD), 0,042 USD för d1-ultra. Nace är billigare idag och kanske inte efter att rabatten har upphört.

• Bilddebitering – Drex Max v1.1 räknar bildtokens inom gränsen på 131 072 tokens per fråga. d1-ultra debiterar 1,5 tokens per 32×32-pixelruta, så en 1024×1024-bild kostar 1 536 tokens, och debiterar varje fråga som en egen prompt inklusive alla bilder.

• Kontext — 131 072 tokens per fråga för Drex Max v1.1, med 262 144 för hela den packade förfrågan. Liquid publicerar inte ett jämförbart fönster per fråga.

• Tillgänglighet — Drex Max v1.1 säljs via Naces API och konsol; d1-ultra via Liquid API och konsol. Ingen av dem finns på vår ruttlista, och inget här är ett tillgänglighetspåstående från oss.

Regeln om fakturering per fråga på d1-ultra är detaljen som avgör kostnaden i dokumentskala, och styrelsen mätte den. Artificial Analysis rapporterar att Drex Max v1.1 ligger på cirka 9 000 indatatokens för en dokumentuppgift med femton frågor, mot ungefär 63 000 för modeller som debiterar indata igen per fråga – och d1-ultras kostnad per uppgift landade på $132 mot Drex $102, nära förhållandet mellan deras listpriser och något sämre.

Styrelsen, komponent för komponent

Det sammansatta gapet är 2,9 poäng. Komponentgapen är mycket ojämna, och mönstret är konsekvent: Drex vinner på dokument, d1-ultra vinner på att kunna saker och på att avstå från att svara.

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.

Beslutsindex v2 — Drex Max v1.1 73,39, d1-ultra 70,45.

• Noggrannhetsindex — Drex Max v1.1 58,41, d1-ultra 54,94, vilket är poängen med kalibreringskomponenten borttagen.

• AA-Paperclip poäng för dokumentbeslut — Drex Max v1.1 72,82, d1-ultra 64,69. Andel med alla femton korrekta: 63,0 % mot 51,3 %.

• When2Call-verktygsanrop — Drex Max v1.1 95,26, d1-ultra 93,83. Tätt, och båda ligger långt över Jev 1.14:s 84,39.

• AA-symmetri parafraskonsistens — Drex Max v1.1 84,96, d1-ultra 77,81, en skillnad på 7 punkter som är den näst största avvikelsen i uppsättningen.

• AA-Omniscience-Decision — d1-ultra 64.39, Drex Max v1.1 60.27. Den enda utvärderingen där rangordningen vänds.

• HLE-MultiChoice — d1-ultra 47,39, Drex Max v1.1 46,61, men i rå noggrannhet ligger d1-ultra på 6,09 % och Drex på 8,25 %.

• Avståenden — d1-ultra avstår från att svara på 88,61 % av de allvetande frågor som den inte kan besvara, Drex Max v1.1 på 65,28 %, Microsoft-Decision-1 på 21,74 %.

• Tid per uppgift — Drex Max v1.1 275 ms, d1-ultra 295 ms.

• Kostnad per 1 miljon uppgifter — Drex Max v1.1 $102, d1-ultra $132.

Läs avståenderaden två gånger, eftersom den förklarar allvetenhetsraden och den är den minst intuitiva egenskapen på tavlan. d1-ultras högre beslutspoäng för allvetenhet handlar inte främst om kunskap: dess råa träffsäkerhet där är 28,0 %, samma som Drex Max v1.1:s. Den får högre poäng eftersom den säger "jag vet inte" mycket oftare och poängfunktionen belönar det. Mammoth 27B och Elephant 9B leder symmetriutvärderingen av samma anledning – Artificial Analysis säger rakt ut att Basetens modeller "konsekvent medger att de inte vet ett svar med hög säkerhet över olika frågevariationer."

Inget av det är en brist i metriken. Det säger något om vad du köper. d1-ultra är modellen man tar till när en obesvarad fråga är billigare än en felaktig. Drex Max v1.1 är modellen man tar till när något måste komma tillbaka med ett beslut, och svansen med låg konfidens får en människa.

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.

Vad Liquids egen utvärdering mätte, och vad den inte mätte

Liquids lanseringsinlägg jämför d1-ultra med d1 och Jev 1.14 över "112 unika utvärderingar" och rapporterar att den slår Jev i samtliga, med bättre kalibrering till samma pris. Det är en leverantörsdriven jämförelse på ett av leverantören valt instrument, och den säger ingenting om Drex Max, som inte förekommer i den. Påståendet om åttapunktsindexet gjordes mot Decision Index v1.0, publicerad 13 oktober 2026 – två dagar innan d1-ultra fanns – och den resultattavlan listade aldrig d1-ultra.

Leverantören framför verkligen ett påstående som den nya styrelsen bekräftar: att den specifikt tränade d1-ultra för att vara mindre överdrivet självsäker, och att kalibreringen som visar 64,39 på omniscience mot Jevs 60,14 och ett 2,0 poäng högre kompositpoäng än Jev vid jämförbar noggrannhet är verklig. d1-ultra på 70,45 mot Jev 1.14 på 66,96 på samma instrument är en genuin förbättring jämfört med den nuvarande, mätt oberoende.

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.

Det påstående som inte håller är rangordningen. På v2 är d1-ultra femma av sjutton, och de fyra modellerna ovanför den ligger alla inom 3 poäng. Ett spann på 3 poäng över de fem bästa är inte en hierarki; det är ett dött lopp som avgörs av vilken komponent din arbetsbelastning råkar vikta.

Vad man faktiskt ska köra

Båda modellerna är värdbaserade, ingen av dem finns i vår katalog, och det ärliga sättet att välja mellan dem är ett bake-off på era egna tillstånd snarare än på endera leverantörens testsvit. Om ni kör det, kör det på det som styrelsen straffar: allt-eller-inget-dokument. En modell som får 97 % av enskilda svar rätt och 63 % av dokumenten helt rätt är inte dubbelt så bra som en modell med 51 %; den är exakt lika bra som sannolikheten att inget av femton beroende svar är fel, vilket är vad er pipeline kommer att uppleva.

Det en router ändrar här är inte valet mellan dessa två — vi har ingen av dem — utan formen på pipelinen runt dem. Båda är poängsättare som sitter uppströms om något som skriver. Skrivsteget är ett allmänt modellanrop, och det är den del där en endpoint med 200+ modeller, leverantörens listpris vidarebefordrat utan påslag per token och automatisk failover faktiskt sparar dig en integration, eftersom modellen du routar till kommer att ändras oftare än poängsättaren gör.

Om du vill ha ett enda skäl att föredra Drex Max v1.1 i dag är det inte den sammansatta poängen på 2,9. Det är att den är snabbare, billigare per uppgift och sju punkter mer konsekvent när samma fråga formuleras på två sätt – och konsekvens är den egenskap som brister tyst i produktion snarare än högljutt i ett benchmark. Om du vill ha ett enda skäl att föredra d1-ultra är det att den avböjer. Båda är försvarbara. Ingen av leverantörernas rubriker är det.