การ์ดชื่อเรื่องที่สร้างขึ้นสำหรับ Drex Max v1.1 พร้อมคำบรรยายใต้ชื่อ 'เป็นอันดับหนึ่งใน Artificial Analysis Decision Index v2 โดยนำอยู่ 0.56 คะแนน' โดยมีชิปที่ระบุว่า 73.4 Decision Index, 275 ms ต่องาน, $102 ต่อ 1M งาน และขีดจำกัดคำขอ 262,144 โทเคน พร้อมแถบกระดานผู้นำที่แสดง 73.4, 72.8 และ 72.4 สำหรับสามโมเดลการตัดสินใจอันดับต้น
Guides & Insights

Drex Max v1.1 ครองอันดับหนึ่งใน Decision Index — แต่รายละเอียดจากคณะกรรมการเองทำให้ชัยชนะนี้มีเงื่อนไข

ผู้เขียน

Gideon Frost

วันที่เผยแพร่

โมเดลล่าสุด · 20ดูโมเดลทั้งหมด →
เบนช์มาร์ก: Artificial Analysis · อัปเดตทุกวัน
กลับไปยังโพสต์ทั้งหมด

Drex Max v1.1 โมเดลการตัดสินใจแบบหลายรูปแบบจาก Nace.AI ครองอันดับหนึ่งบน Artificial Analysis Decision Index v2 ด้วยคะแนน 73.4 ส่วนต่างอยู่ที่ 0.56 คะแนนเหนือ GLiDE v1.2 จาก Fastino Labs ที่ 72.8 และ 0.94 เหนือ Mammoth 27B ที่ 72.4 ตัวเลขทั้งสามนี้คือเรื่องราวทั้งหมดของอันดับต้น ๆ ในบอร์ด และยังเป็นเหตุผลที่พาดหัวข่าวต้องมีประโยคที่สอง: การประเมินเดียวกันระบุว่า GLiDE มีความแม่นยำกว่า Drex Max v1.1 และ Mammoth 27B ให้คำตอบเดียวกันเมื่อมีการถอดความได้บ่อยกว่ามาก

ตัวโมเดลเองไม่ใช่ของใหม่ในวันนี้ เอกสารอ้างอิงโมเดลของ Nace เองระบุว่า drex-max-v1.1 เปิดตัวเมื่อวันที่ 28 ตุลาคม 2026 และไอดี drex-max ที่เลิกใช้แล้วได้รับการตอบกลับด้วย v1.1 ตั้งแต่วันที่ 8 พฤศจิกายน สิ่งใหม่คือการวัด Artificial Analysis เผยแพร่ Decision Index v2 เมื่อวันที่ 8 พฤศจิกายน 2026 สองวันก่อนบทความนี้ และเป็นบอร์ดอิสระชุดแรกที่ให้คะแนนเช็กพอยต์นี้เทียบกับกลุ่มโมเดลเพื่อการตัดสินใจที่เหลือด้วยเครื่องมือชุดเดียว นั่นคือข่าว ไม่ใช่การเปิดตัว แต่เป็นตัวเลขจากภายนอกครั้งแรกสำหรับโมเดลที่เคยมีเพียงตัวเลขของผู้ขายเองเท่านั้น

สิ่งที่บอร์ดวัดจริง ๆ ในตอนนี้

Decision Index v2 เป็นเครื่องมือที่แตกต่างจากเครื่องมือที่สร้างค่า 64 ซึ่ง Drex Max ถืออยู่ในเดือนตุลาคม ดังนั้นทั้งสองจึงไม่สามารถนำมาเปรียบเทียบกันได้ และไม่ควรมีใครนำมาวางเทียบกัน ดัชนี v2 เป็นค่าเฉลี่ยถ่วงน้ำหนักของการประเมินหกรายการ และ 45% ของดัชนีนี้ปัจจุบันสร้างขึ้นจากข้อมูลส่วนบุคคล เพิ่มขึ้นจาก 25% ใน v1 — ซึ่งเป็นการเคลื่อนไหวโดยเจตนาเพื่อป้องกันการ overfit กับ 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% ของดัชนี — เอกสารส่วนตัว 1,500 ฉบับ (เรซูเม่ ใบเสร็จรับเงิน ใบแจ้งหนี้ บทความวิจัย) โดยแต่ละฉบับมีคำถามที่ต้องตัดสินใจห้าข้อและข้อเท็จจริงที่ต้องสกัดสิบข้อ ให้คะแนนเป็นเอกสารหนึ่งฉบับซึ่งจะนับก็ต่อเมื่อตอบถูกครบทั้งสิบห้าข้อ

• EvalSafe-O*NET-AA, 15% — การประเมินเอกสารในสถานที่ทำงาน สร้างขึ้นบนเกณฑ์มาตรฐาน O*NET ของ TypeSafe

• AA-Omniscience-Decision v1.1, 15% — ความรู้และการหลอน โดยมีตัวเลือก “ฉันไม่รู้” ที่ปรับถ้อยคำใหม่ 10 แบบ

• HLE-MultiChoice v1.1, 15% — ข้อสอบแบบเลือกตอบ Humanity's Last Exam พร้อมตัวเลือกในการปฏิเสธด้วย

• AA-Symmetry, 15% — คำถาม 120 ข้อถูกขยายเป็น 440 รูปแบบ โดยการจัดเรียงตัวเลือกใหม่ การสลับป้ายกำกับ และการกลับคำถามแบบใช่/ไม่ใช่ให้เป็นรูปปฏิเสธ

• When2Call, 10% — การประเมินการเรียกใช้เครื่องมือของ NVIDIA ลดลงจาก 25% ใน v1

ตัวชี้วัดหลักก็เป็นของใหม่เช่นกัน แต่ละคำถามได้คะแนน 50 × (1 + c − (p − c)²) โดย p คือความน่าจะเป็นที่โมเดลให้กับคำตอบของตน และ c คือคำตอบนั้นถูกหรือไม่ เมื่อรวมทั้งหมดแล้ว จะได้ 50 × (1 + ความแม่นยำ − Brier score) โมเดลได้ผลตอบแทนจากการตอบถูกและจากการรู้ว่าตนเองถูกแค่ไหน และถูกลงโทษมากกว่าสำหรับข้อผิดพลาดที่มั่นใจกว่าข้อผิดพลาดที่ลังเล เรื่องนี้สำคัญตรงนี้ เพราะสิ่งที่ Drex นำเสนอคือความน่าจะเป็นที่ปรับเทียบแล้ว ไม่ใช่ข้อความบรรยาย และนี่คือตารางคะแนนแรกที่ให้คะแนนการปรับเทียบโดยตรง แทนที่จะมองเป็นเพียงหมายเหตุข้างเคียง

Drex Max v1.1 ชนะในจุดใด ชนะมากน้อยเพียงใด และชนะใครบ้าง

คอมโพสิตนี้ซ่อนฟิลด์แบบแยกส่วน เมื่อแยกออกมา ส่วนนำของ {{1}}Drex Max v1.1{{/1}} มาจากสององค์ประกอบจากทั้งหมดหกองค์ประกอบ และหนึ่งในนั้นคือองค์ประกอบที่ {{2}}Nace{{/2}} สร้างแบบจำลองขึ้นมาเพื่อรองรับ

• AA-Paperclip (เอกสาร) — Drex Max v1.1 ได้คะแนน 72.8 จากคะแนนการตัดสินใจ โดย 63.0% ของเอกสารถูกต้องสมบูรณ์; d1-ultra จาก Liquid AI อยู่ที่ 64.7 และ 51.3%, Microsoft-Decision-1 อยู่ที่ 51.8 และ 20.9%

• When2Call (การเรียกใช้เครื่องมือ) — Drex Max v1.1 95.26 เทียบกับ 84.39 ของ Jev 1.14 และ 87.95 ของ Microsoft-Decision-1 ซึ่งเป็นช่องว่างในการประเมินเดี่ยวที่กว้างที่สุดในชุดการเปรียบเทียบ

• 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 อยู่ที่ 84.18 ซึ่งถือว่าอยู่ในระดับเดียวกัน

• AA-Omniscience-Decision — Drex Max v1.1 60.27, d1-ultra 64.39 รายการนี้ไปในทิศทางตรงกันข้าม และเป็นการประเมินเกี่ยวกับการรู้สิ่งต่าง ๆ มากกว่าการตัดสินใจ

• HLE-MultiChoice — Drex Max v1.1 ได้ 46.61 เทียบกับ 44.47 ของ Jev 1.14 แต่ d1-ultra อยู่ที่ 47.39 และความแม่นยำดิบอยู่ที่ 8.25% เทียบกับ 12.77% ของ Jev

• เวลาต่องาน — 275 ms สำหรับ Drex Max v1.1, 92 ms สำหรับ Jev 1.14, 295 ms สำหรับ d1-ultra. Drex เป็นโมเดลการตัดสินใจระดับ frontier-scale ที่เร็วที่สุดบนลีดเดอร์บอร์ด และช้ากว่าผู้เล่นรายเดิมที่มีต้นทุนการใช้งานต่ำที่สุดประมาณสามเท่า

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.

สี่คุณสมบัติที่คณะกรรมการเผยแพร่ แต่ข่าวประชาสัมพันธ์ไม่ได้เผยแพร่

Artificial Analysis ชี้แจงอย่างชัดเจนเป็นพิเศษว่าคะแนนสูงสุดของตนเองไม่ได้หมายความถึงอะไร และบทความที่ประกาศ v2 กล่าวถึงแต่ละประเด็นเหล่านี้ด้วยภาษาที่ตรงไปตรงมา

ข้อแรกคือความแม่นยำ “GLiDE v1.2 นำ Drex Max v1.1 ในเมตริกความแม่นยำ (60 ต่อ 58) ขณะที่ Drex Max v1.1 แซงขึ้นมาเล็กน้อยใน Decision Index” Drex ชนะคะแนนรวมเพราะปรับเทียบได้ดีกว่า ไม่ใช่เพราะตอบถูกมากกว่า หากไปป์ไลน์ของคุณทิ้งความน่าจะเป็นและเก็บไว้เพียง argmax คุณก็ซื้อส่วนของโมเดลที่คณะกรรมการไม่ได้ให้รางวัล

ข้อที่สองคือความสอดคล้องเมื่อเรียบเรียงถ้อยคำใหม่ Mammoth 27B เลือกคำตอบเดียวกันในรูปแบบที่แตกต่างกันของ AA-Symmetry ถึง 99% ของคำถาม; Drex Max v1.1 ทำได้ 91%, GLiDE ทำได้ 88% Drex ยังคงนำหน้าจุดที่ตัวเองเคยอยู่มาก และนำหน้า Jev แต่ “คำถามเดียวกันที่พูดสองแบบได้คำตอบเดียวกัน” เป็นคุณสมบัติที่ Mammoth มี และ Drex ยังมีไม่เต็มที่

ข้อที่สามคือการทดสอบเอกสารแบบได้ทั้งหมดหรือไม่ได้เลย Drex Max v1.1 ตอบคำถามเดี่ยวถูก 97% บน AA-Paperclip แต่ผ่านเพียง 63% ของเอกสาร เพราะคำตอบผิดหนึ่งข้อจากสิบห้าข้อทำให้เอกสารนั้นไม่ผ่าน มันตัดสินใจทั้งห้าจุดได้ถูกต้องใน 71% ของเอกสาร และดึงข้อมูลทั้งสิบรายการได้ถูกต้องใน 88% Claude Haiku 5.5 (Max) ซึ่งเป็นโมเดลภาษาทั่วไป ผ่าน 92% ช่องว่างระหว่างคำตอบ 97% กับเอกสาร 63% คือต้นทุนของการเชื่อมโยงการเรียกที่ต้องพึ่งพากันสิบห้าครั้งโดยไม่มีตัวตรวจสอบ

ข้อที่สี่คือการงดตอบ ในการประเมินด้าน omniscience นั้น d1-ultra เลือกที่จะไม่ตอบแทนการเดาใน 88.6% ของคำถามที่มันตอบไม่ได้; Drex Max v1.1 อยู่ที่ 65.3%; Microsoft-Decision-1 อยู่ที่ 21.7% Drex เป็นโมเดลที่ยอมเลือกที่จะตอบมากกว่าจะงดตอบ ซึ่งเป็นเรื่องที่ยอมรับได้เมื่อมีมนุษย์ตรวจทานส่วนปลายที่มีความมั่นใจต่ำ และมีต้นทุนสูงเมื่อไม่มีใครตรวจทาน

คอลัมน์ต้นทุนเป็นจุดแข็งที่สุดที่ Nace มี

ต้นทุนต่อ 1 ล้านงานบนบอร์ดเดียวกัน: 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 เหนือกลุ่มโมเดลตัดสินใจขึ้นไป GPT-6 Luna (Max) มีต้นทุน $1,530 และ Claude Haiku 5.5 (Max) $6,240 สำหรับสามถึงสี่คะแนนดัชนี

ส่วนหนึ่งของส่วนต่างนั้นคือราคาโทเคน และอีกส่วนคือรูปแบบการเรียกเก็บค่าบริการ และบอร์ดแยกสองส่วนนี้ออกจากกัน Drex Max v1.1 และ Decider v1.2 ประเมินเอกสารครั้งเดียวและตอบทุกคำถามจากการประมวลผลครั้งเดียวนั้น ดังนั้นงาน AA-Paperclip จึงใช้โทเคนอินพุตประมาณ 9,000 โทเคน GLiDE v1.2 และ Decider Flash v1.2 เรียกเก็บค่าอินพุตซ้ำสำหรับแต่ละคำถาม ประมาณ 63,000 โทเคนต่องาน ซึ่งเป็นเหตุให้ GLiDE อยู่ที่ $780 จากราคาตามรายการ $0.04 — เกือบแปดเท่าของต้นทุนของ Drex ที่อัตราโทเคนสูงกว่า 33% ตารางของ Nace เองรายงานว่า “$0.03 ต่อ 1,000 การตัดสินใจ” และบอร์ดรายงาน $102 ต่อ 1 ล้านงาน สิ่งเหล่านี้เป็นหน่วยที่แตกต่างกันซึ่งวัดปริมาณงานที่แตกต่างกัน และมีเพียงหน่วยที่สองเท่านั้นที่ให้คุณเปรียบเทียบข้ามโมเดลได้

หน้าผลิตภัณฑ์ของ Nace ยังพาดหัวว่า “เร็วกว่า Claude Haiku 5.5 (Max) ถึง 118×” ให้ถือสิ่งนี้เป็นคำกล่าวอ้างของผู้ขายที่ใช้ตัวหารของผู้ขาย หน่วยของบอร์ดคือเวลาต่องาน โดย Drex Max v1.1 อยู่ที่ 275 ms และบทความของ AA ระบุว่า GPT-6 Luna (Max) อยู่ที่ 11.34 s — ประมาณ 40 เท่า ตัวเลขทั้งสองสามารถเป็นจริงพร้อมกันได้ เพราะตัวหนึ่งนับการตัดสินใจครั้งเดียว ส่วนอีกตัวนับเอกสารคำถามสิบห้าข้อทั้งฉบับ วางแผนกำลังความสามารถจากตัวเลขต่องาน

id คือส่วนที่จะทำให้การผสานรวมของคุณล้มเหลว

สามเรื่องในเอกสารของ Nace ที่จะทำให้คุณเสียเวลาครึ่งวัน หากคุณพบมันหลังจากเชื่อมต่อไคลเอนต์เสร็จแล้ว

• drex-latest ไม่ได้ชี้ไปที่โมเดล Max โดยจะแปลงเป็น drex-v2.0 ซึ่งเป็นโมเดล Mixture of Experts แบบข้อความล้วนที่เปิดเผยน้ำหนัก และได้คะแนน 63.43 บนบอร์ดเดียวกัน คำขอที่ละเว้น model ทั้งหมดก็ได้รับการตอบโดย drex-v2.0 เช่นกัน หากคุณคัดลอก quickstart ที่ตั้งค่า TYPESAFE_DEFAULT_MODEL=drex-latest — และคำแนะนำด้านความเข้ากันได้กับ Jev ของ Nace เองก็บอกให้คุณทำเช่นนั้น — คุณกำลังเรียกโมเดลผิด และจะเห็นดัชนีลดลง 10 จุดโดยไม่มีข้อผิดพลาด

• drex-max เลิกใช้งานแล้วตั้งแต่ 8 พฤศจิกายน 2026 และให้บริการโดย drex-max-v1.1 ภายใต้ข้อจำกัดและราคาของ v1.1 ไคลเอนต์ที่มีอยู่ยังคงทำงานได้ การตอบสนองจะรายงาน id ของตัวที่มาแทน งานใหม่ควรส่ง drex-max-v1.1 อย่างชัดเจน

• ตัวเลขบริบทถูกระบุไว้สองครั้งไม่ตรงกัน คู่มือ API ระบุว่า 131,072 โทเค็นต่อคำถาม โดยนับโทเค็นของภาพด้วย ส่วนเอกสารอ้างอิงของโมเดลระบุว่าขีดจำกัดอินพุต 262,144 โทเค็นสำหรับคำขอที่แพ็กไว้ทั้งหมด รวมถึงสถานะ ภาพทั้งแปดภาพ ทุกคำถาม และการจัดรูปแบบของโมเดล ให้เผื่อไว้ตามตัวเลขที่น้อยกว่า เว้นแต่คุณจะทดสอบกับตัวเลขที่มากกว่าแล้ว

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.

ไม่มีสิ่งใดในเหล่านี้เป็นข้อบกพร่อง สิ่งเหล่านี้เป็นเศษซากธรรมดาของการทำเวอร์ชันแบบแก้ไขในตำแหน่งเดิม และนี่คือเหตุผลว่าทำไมวันที่เปิดตัวบนโมเดลจึงสำคัญกว่าหมายเลขเวอร์ชันในชื่อ

สิ่งนี้หมายความว่าอย่างไรหากคุณกำลังเลือกในวันนี้

Drex Max v1.1 ไม่มีอยู่ในเส้นทางใดที่เราให้บริการ แคตตาล็อกของ OrcaRouter ไม่มีรุ่นนี้ และไม่ควรตีความสิ่งใดที่นี่ว่าเป็นการรับประกันความพร้อมใช้งาน — Nace ขายรุ่นนี้ผ่าน API และคอนโซลของตนเอง ในราคา $0.03 ต่อหนึ่งล้านโทเค็นอินพุตในช่วงเปิดตัว ซึ่งลด 50% จากราคาตั้ง $0.06 สิ่งที่แคตตาล็อกมีอยู่จริงคือ รุ่นเดิมที่โมเดลนี้ถูกนำมาเปรียบเทียบด้วย: TypeSafe Jev 1.14 เป็นเส้นทางที่อยู่ในรายการในราคา $0.042 ต่อหนึ่งล้านโทเค็นอินพุต, โดยมีรูปแบบคำขอแบบคำถามที่กำหนดชนิดข้อมูลเหมือนกัน และได้ 66.96 บนบอร์ดเดียวกัน การรันทั้งสองรุ่นหมายถึงสัญญาสองฉบับและ SDK สองชุด ซึ่งเป็นต้นทุนที่แท้จริงของการทดสอบเปรียบเทียบ และเป็นเหตุผลปกติที่ผู้คนมักวางการเปรียบเทียบไว้หลังเราเตอร์แทน

การอ่านค่า 73.4 อย่างตรงไปตรงมานั้นแคบกว่าคำว่า “best decision model” Drex Max v1.1 มีคะแนนรวมดีที่สุดบนบอร์ดที่มีสัดส่วน private 45% และมีอายุสองวัน มันเป็นโมเดลที่เร็วที่สุด ณ คะแนนนั้นโดยทิ้งห่างมาก และเป็นอันดับสามที่ถูกที่สุดบน Pareto frontier มันไม่ใช่โมเดลที่แม่นยำที่สุด ไม่ใช่โมเดลที่สม่ำเสมอที่สุด และไม่ใช่โมเดลที่ยอมงดตอบมากที่สุด ว่าสี่ข้อนั้นข้อไหนสำคัญ ขึ้นอยู่ทั้งหมดกับว่ามนุษย์จะเห็นหางความเชื่อมั่นต่ำหรือไม่ — และคำถามนั้นไม่มีอยู่ใน leaderboard ใด ๆ

อะไรที่จะเปลี่ยนการตีความนี้ได้ คือบอร์ดอิสระชุดที่สองที่ให้ผลซ้ำได้ที่ 73.4 หรือ v1.2 ที่ดันความแม่นยำของ HLE-MultiChoice ให้สูงกว่า 12.77% ของ Jev ตอนนี้ทั้งสองอย่างยังไม่มีเลย จนกว่าจะมีอย่างใดอย่างหนึ่ง ตัวเลขที่ควรอ้างถึงคือ 73.4 พร้อมคำว่า "narrow" กำกับไว้

© 2026 OrcaRouter

สำหรับผู้ให้บริการ

ให้บริการแพลตฟอร์มการอนุมานอยู่หรือไม่ นำโมเดลของคุณขึ้น OrcaRouter

[email protected]

เข้าร่วมคอมมูนิตี้ของเรา

Discord[email protected]XLinkedInGitHubYouTube