
Drex Max v1.1 เทียบกับ Liquid AI d1-ultra: ตัวให้คะแนนมัลติโมดัลสองตัว และพาดหัวที่ไม่อาจยืนหยัดได้อีกต่อไป
- Orcaใหม่OrcaCyber: Hy4 Flash Abliterated / Uncensored2026-11-18$0.07 / $0.28 ต่อ 1 ล้านโทเค็น · 180 tok/s
- tencentใหม่Tencent: Hy4 Flash2026-11-16$0.02 / $0.07 ต่อ 1 ล้านโทเค็น · 223 tok/s
- Googleใหม่Google: Gemini 4 Carbon2026-11-10$2.00 / $10.00 ต่อ 1 ล้านโทเค็น · 89 tok/s
- Anthropicใหม่Anthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 ต่อ 1 ล้านโทเค็น · 98 tok/s
- orcaใหม่Orca: OrcaC2 1.02026-11-079 tok/s
- OrcaOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 ต่อ 1 ล้านโทเค็น · 88 tok/s
- OrcaOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 ต่อ 1 ล้านโทเค็น · 134 tok/s
- OrcaOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$2.00 / $5.00 ต่อ 1 ล้านโทเค็น · 79 tok/s
- tencentTencent: Hy42026-11-04$0.83 / $2.50 ต่อ 1 ล้านโทเค็น · 94 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 ต่อ 1 ล้านโทเค็น · 118 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 ต่อ 1 ล้านโทเค็น · 68 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 ต่อ 1 ล้านโทเค็น · 94 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 ต่อ 1 ล้านโทเค็น · 44 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447ความฉลาด
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 ต่อ 1 ล้านโทเค็น · 199 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929ความฉลาด
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 ต่อ 1 ล้านโทเค็น · 114 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733ความฉลาด
- DeepSeekDeepSeek: DeepSeek V4.1 Flash 09102026-10-17$0.15 / $0.60 ต่อ 1 ล้านโทเค็น · 311 tok/s
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740ความฉลาด
Liquid AI d1-ultra เปิดตัวเมื่อวันที่ 15 ตุลาคม 2026 พร้อมประโยคที่ยังหาเหตุผลรองรับได้ในเวลานั้นว่า "มีประสิทธิภาพเหนือกว่าโมเดลตัดสินใจอื่นทั้งหมดบน Artificial Analysis Decision Index อย่างน้อย 8 คะแนน" สามสัปดาห์ต่อมา Artificial Analysis ได้แทนที่ดัชนีนั้นด้วย v2 ให้คะแนนโมเดลสิบเจ็ดรายการใหม่บนข้อมูลชุดใหม่ และ d1-ultra อยู่อันดับที่ห้าที่ 70.4 — ตามหลัง Drex Max v1.1 ที่ 73.4, GLiDE v1.2 ที่ 72.8, Mammoth 27B ที่ 72.4 และตามหลัง Perplexity's Decider v1.2 ที่ 70.5 อยู่สามในร้อยของคะแนน ความได้เปรียบแปดคะแนนหายไปแล้ว และมันไม่เคยถูกวัดด้วยเครื่องมือนี้เลย
นี่คือกรอบสำหรับการเปรียบเทียบนี้ และควรพูดให้ชัดเจนว่ามันหมายถึงอะไรและไม่หมายถึงอะไร มันไม่ได้หมายความว่า d1-ultra แย่ลง แต่หมายความว่ากระดานจัดอันดับเปลี่ยนไปภายใต้ข้อกล่าวอ้างที่อ้างอิงกับกระดานเดิม ซึ่งเป็นความเสี่ยงปกติของการอ้างตำแหน่งบนกระดานผู้นำเสมือนว่าเป็นคุณสมบัติของโมเดล ทั้งสองตัวนี้เป็นตัวให้คะแนนการตัดสินใจแบบมัลติโมดัลที่แข็งแกร่ง ทั้งยังใกล้เคียงกันกว่าที่การตลาดของผู้ขายแต่ละรายบอกเป็นนัย และเก่งในเรื่องที่แตกต่างกันอย่างเห็นได้ชัด
ในจุดที่แบบจำลองทั้งสองเห็นพ้องกัน ซึ่งคิดเป็นพื้นที่ผิวส่วนใหญ่
ทั้งสองเป็นโมเดลการตัดสินใจในความหมายเคร่งครัด: คุณส่งสถานะและคำถามที่มีการระบุชนิดไป การประมวลผลไปข้างหน้าหนึ่งรอบจะคืนค่าความน่าจะเป็นต่อตัวเลือกหนึ่งรายการ และไม่มีการสร้างข้อความ ทั้งสองรับภาพพร้อมกับข้อความ ทั้งสองตอบคำถามสามรูปแบบเดียวกัน — การเลือกจากตัวเลือกที่มีชื่อ, ใช่/ไม่ใช่, และคะแนนบนมาตรวัด ทั้งสองคิดค่าบริการเฉพาะอินพุต โดยไม่คิดค่าบริการเอาต์พุต เพราะไม่มีเอาต์พุต
• ประเภทข้อมูล — Drex Max v1.1 อ่านข้อความ ภาพหน้าจอ แผนภูมิ แบบฟอร์ม เอกสารที่สแกน รูปภาพ และเฟรมวิดีโอ โดยอ่านได้แปดภาพต่อหนึ่งคำขอ ส่วน d1-ultra อ่านข้อความ รูปภาพ หรือทั้งสองอย่าง ตัวอย่างการเปิดตัวของ Liquid คือภาพถ่ายแผงวงจรที่นำมาตรวจสอบเทียบกับสเปกของแผงวงจรนั้น
• ราคาต่อหนึ่งล้านโทเค็นอินพุต — $0.03 สำหรับ Drex Max v1.1 ในช่วงเปิดตัว (ลด 50% จากราคาปกติ $0.06), $0.042 สำหรับ d1-ultra วันนี้ Nace ถูกกว่าและอาจไม่เป็นเช่นนั้นหลังจากส่วนลดสิ้นสุดลง
• การคิดค่าบริการรูปภาพ — Drex Max v1.1 นับโทเค็นรูปภาพภายในขีดจำกัด 131,072 โทเค็นต่อคำถาม d1-ultra คิดค่าบริการ 1.5 โทเค็นต่อแพตช์ 32×32 พิกเซล ดังนั้นรูปภาพ 1024×1024 จึงมีค่าใช้จ่าย 1,536 โทเค็น และคิดค่าบริการแต่ละคำถามเป็นพรอมต์ของตัวเองโดยรวมรูปภาพทั้งหมด
• บริบท — 131,072 โทเคนต่อคำถามสำหรับ Drex Max v1.1 และ 262,144 โทเคนสำหรับคำขอแบบแพ็กทั้งชุด ส่วน Liquid ไม่ได้เปิดเผยขนาดหน้าต่างต่อคำถามที่เทียบเคียงได้
• ความพร้อมใช้งาน — Drex Max v1.1 จำหน่ายผ่าน API และคอนโซลของ Nace; d1-ultra ผ่าน API และคอนโซลของ Liquid ทั้งสองรายการไม่อยู่ในรายการเส้นทางของเรา และไม่มีสิ่งใดในที่นี้เป็นการยืนยันความพร้อมใช้งานจากเรา
กฎการคิดค่าบริการรายคำถามบน d1-ultra คือรายละเอียดที่ตัดสินต้นทุนในระดับเอกสาร และคณะกรรมการได้วัดผลแล้ว Artificial Analysis รายงานว่า Drex Max v1.1 ใช้ประมาณ 9,000 โทเค็นอินพุตสำหรับงานเอกสาร 15 คำถาม เทียบกับประมาณ 63,000 สำหรับโมเดลที่คิดค่าบริการอินพุตซ้ำต่อคำถาม — และต้นทุนต่องานของ d1-ultra ออกมาที่ $132 เทียบกับ $102 ของ Drex ซึ่งใกล้กับอัตราส่วนราคาตามรายการของทั้งสอง และแย่กว่าเล็กน้อย
บอร์ด ทีละองค์ประกอบ
ช่องว่างคอมโพสิตคือ 2.9 คะแนน ช่องว่างขององค์ประกอบไม่สม่ำเสมออย่างมาก และรูปแบบก็สอดคล้องกัน: Drex ชนะด้านเอกสาร ส่วน d1-ultra ชนะด้านการรู้ข้อเท็จจริงและด้านการปฏิเสธที่จะตอบ

• ดัชนีการตัดสินใจ v2 — Drex Max v1.1 73.39, d1-ultra 70.45
ดัชนีความแม่นยำ — Drex Max v1.1 58.41, d1-ultra 54.94 ซึ่งเป็นคะแนนเมื่อตัดองค์ประกอบการปรับเทียบออกแล้ว
• คะแนนการตัดสินใจเอกสาร AA-Paperclip — Drex Max v1.1 72.82, d1-ultra 64.69 อัตราตอบถูกทั้งสิบห้าข้อ: 63.0% เทียบกับ 51.3%
• การเรียกใช้เครื่องมือ When2Call — Drex Max v1.1 95.26, d1-ultra 93.83 ใกล้กัน และทั้งคู่สูงกว่า 84.39 ของ Jev 1.14 มาก
• ความสอดคล้องของการถอดความแบบ AA-Symmetry — Drex Max v1.1 84.96, d1-ultra 77.81 ซึ่งเป็นช่องว่าง 7 คะแนนที่เป็นความแตกต่างที่ใหญ่เป็นอันดับสองในชุดนี้
• AA-Omniscience-Decision — d1-ultra 64.39, Drex Max v1.1 60.27 การประเมินเพียงรายการเดียวที่ลำดับสลับกัน
• HLE-MultiChoice — d1-ultra 47.39, Drex Max v1.1 46.61 แต่เมื่อดูที่ความแม่นยำดิบ d1-ultra อยู่ที่ 6.09% และ Drex อยู่ที่ 8.25%
• การงดตอบ — d1-ultra งดตอบคำถามเกี่ยวกับความรู้รอบด้านที่ไม่สามารถตอบได้ 88.61% ส่วน Drex Max v1.1 งดตอบ 65.28% และ Microsoft-Decision-1 งดตอบ 21.74%
• เวลาต่อหนึ่งงาน — Drex Max v1.1 275 ms, d1-ultra 295 ms
• ต้นทุนต่อ 1 ล้านงาน — Drex Max v1.1 $102, d1-ultra $132
อ่านแถว abstention สองครั้ง เพราะมันอธิบายแถว omniscience และเป็นคุณสมบัติที่ตรงสัญชาตญาณน้อยที่สุดบนบอร์ด คะแนนการตัดสินใจด้าน omniscience ที่สูงกว่าของ d1-ultra ไม่ได้มาจากความรู้เป็นหลัก ความแม่นยำดิบของมันในส่วนนั้นอยู่ที่ 28.0% เท่ากับของ Drex Max v1.1 มันได้คะแนนสูงกว่าเพราะตอบว่า “ฉันไม่รู้” บ่อยกว่ามาก และฟังก์ชันการให้คะแนนให้รางวัลกับสิ่งนั้น Mammoth 27B และ Elephant 9B นำในการประเมิน symmetry ด้วยเหตุผลเดียวกัน — Artificial Analysis ระบุตรง ๆ ว่าโมเดลของ Baseten “ยอมรับอย่างสม่ำเสมอว่าตนไม่รู้คำตอบอย่างมั่นใจสูงในคำถามรูปแบบต่าง ๆ”
ไม่มีส่วนใดในนั้นเป็นข้อบกพร่องของตัวชี้วัด นั่นเป็นข้อความเกี่ยวกับสิ่งที่คุณกำลังซื้อ d1-ultra คือโมเดลที่คุณควรหยิบมาใช้เมื่อคำถามที่ยังไม่ได้ตอบมีต้นทุนต่ำกว่าคำตอบที่ผิด Drex Max v1.1 คือโมเดลที่คุณควรหยิบมาใช้เมื่อต้องมีบางสิ่งส่งกลับมาพร้อมการตัดสินใจ และส่วนปลายที่มีความมั่นใจต่ำจะถูกส่งให้มนุษย์ดูแล

สิ่งที่การประเมินของ Liquid เองวัดได้ และสิ่งที่ยังไม่ได้วัด
โพสต์เปิดตัวของ Liquid เปรียบเทียบ d1-ultra กับ d1 และ Jev 1.14 จากการประเมินที่ไม่ซ้ำกัน 112 รายการ และรายงานว่าเอาชนะ Jev ได้ในทุกการประเมิน พร้อมการคาลิเบรตที่ดีกว่าในราคาเดียวกัน นั่นคือการเปรียบเทียบที่ผู้ขายจัดทำขึ้นเองบนเครื่องมือที่ผู้ขายเลือกเอง และไม่ได้กล่าวถึง Drex Max เลย ซึ่งไม่ปรากฏอยู่ในนั้น ข้อกล่าวอ้างเรื่องดัชนีแปดจุดนั้นถูกกล่าวอ้างเทียบกับ Decision Index v1.0 ซึ่งเผยแพร่เมื่อวันที่ 13 ตุลาคม 2026 — สองวันก่อนที่ d1-ultra จะมีอยู่จริง — และกระดานจัดอันดับนั้นไม่เคยระบุ d1-ultra เลย
ผู้ขายมีข้อกล่าวอ้างหนึ่งข้อที่บอร์ดใหม่ยืนยันได้จริง: พวกเขาฝึก d1-ultra โดยเฉพาะให้มีความมั่นใจเกินจริงน้อยลง และการปรับเทียบที่ปรากฏเป็น 64.39 ในด้าน omniscience เทียบกับ 60.14 ของ Jev พร้อมคะแนนรวมสูงกว่าของ Jev 2.0 จุดที่ความแม่นยำใกล้เคียงกันนั้นเป็นของจริง d1-ultra ที่ 70.45 เทียบกับ Jev 1.14 ที่ 66.96 บนเครื่องมือเดียวกันถือเป็นการปรับปรุงที่แท้จริงเหนือระบบเดิม โดยวัดอย่างเป็นอิสระ

ข้อกล่าวอ้างที่ไม่สามารถยืนได้คือการจัดอันดับ บน v2 นั้น d1-ultra อยู่อันดับห้าจากสิบเจ็ด และสี่โมเดลที่อยู่เหนือขึ้นไปนั้นล้วนอยู่ในช่วง 3 คะแนน การกระจายเพียง 3 คะแนนทั่วห้าอันดับแรกไม่ใช่ลำดับชั้น แต่เป็นการเสมอกันที่ถูกตัดสินด้วยว่าภาระงานของคุณให้น้ำหนักกับองค์ประกอบใด
สิ่งที่ต้องรันจริง ๆ
โมเดลทั้งสองถูกโฮสต์ไว้ โดยไม่มีตัวใดอยู่ในแคตตาล็อกของเรา และวิธีเลือกระหว่างสองตัวนี้อย่างตรงไปตรงมาคือการทดสอบเปรียบเทียบ (bake-off) บนสถานะของคุณเอง ไม่ใช่บนชุดทดสอบของผู้ขายรายใดรายหนึ่ง หากคุณจะทดสอบ ก็ให้ทดสอบกับสิ่งที่คณะกรรมการลงโทษ นั่นคือเอกสารแบบได้ทั้งหมดหรือไม่ได้เลย โมเดลที่ตอบคำถามแต่ละข้อถูก 97% และทำให้เอกสารถูกทั้งหมด 63% ไม่ได้ดีเป็นสองเท่าของโมเดลที่ได้ 51% แต่ดีเท่ากับความน่าจะเป็นที่คำตอบที่พึ่งพากันสิบห้าข้อจะไม่มีข้อใดผิดเลย ซึ่งเป็นสิ่งที่ไปป์ไลน์ของคุณจะต้องเผชิญ
สิ่งที่เราเตอร์เปลี่ยนตรงนี้ไม่ใช่การเลือกระหว่างสองตัวนี้ — เราไม่ได้มีให้บริการทั้งสองตัว — แต่เป็นรูปร่างของไปป์ไลน์ที่อยู่รอบๆ สิ่งเหล่านี้ ทั้งสองเป็นตัวให้คะแนนที่อยู่ต้นน้ำของบางสิ่งซึ่งทำหน้าที่เขียน ขั้นตอนการเขียนคือการเรียกใช้โมเดลทั่วไป และนั่นคือส่วนที่ปลายทางเดียวที่มีโมเดล 200+ ตัว ราคาตามรายการของผู้ให้บริการถูกส่งผ่านโดยไม่มีการบวกเพิ่มต่อโทเค็น และการสลับสำรองอัตโนมัติช่วยคุณประหยัดการผสานรวมหนึ่งครั้งได้จริง เพราะโมเดลที่คุณกำหนดเส้นทางไปจะเปลี่ยนบ่อยกว่าตัวให้คะแนน
หากคุณต้องการเหตุผลเดียวที่จะทำให้ prefer Drex Max v1.1 ในวันนี้ นั่นไม่ใช่คะแนนรวม 2.9 จุด แต่เป็นเพราะมันเร็วกว่า ถูกกว่าต่องาน และสอดคล้องกันมากกว่าเจ็ดจุดเมื่อคำถามเดียวกันถูกใช้ถ้อยคำต่างกันสองแบบ — และความสอดคล้องคือคุณสมบัติที่พังเงียบ ๆ ในโปรดักชัน มากกว่าจะพังดัง ๆ ในเบนช์มาร์ก หากคุณต้องการเหตุผลเดียวที่จะทำให้ prefer d1-ultra นั่นคือมันปฏิเสธ ทั้งสองอย่างมีเหตุผลรองรับได้ คำโฆษณาหลักของผู้ขายทั้งสองรายไม่ใช่
