การ์ดเปรียบเทียบที่สร้างขึ้นซึ่งมีหัวข้อ 'Drex Max v1.1 vs Liquid AI d1-ultra' พร้อมแถวสำหรับ Decision Index 73.4 เทียบกับ 70.4, คะแนนการตัดสินใจของเอกสาร 72.8 เทียบกับ 64.7, อัตราการไม่ตอบ 65.3 เปอร์เซ็นต์ เทียบกับ 88.6 เปอร์เซ็นต์, เวลาต่องาน 275 ms เทียบกับ 295 ms และค่าใช้จ่ายต่อ 1M งาน $102 เทียบกับ $132 โดยมีส่วนท้ายระบุว่า Artificial Analysis Decision Index v2, 8 พฤศจิกายน 2026
Guides & Insights

Drex Max v1.1 เทียบกับ Liquid AI d1-ultra: ตัวให้คะแนนมัลติโมดัลสองตัว และพาดหัวที่ไม่อาจยืนหยัดได้อีกต่อไป

ผู้เขียน

jinhao.song

วันที่เผยแพร่

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

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

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.

• 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

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.

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

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.

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

© 2026 OrcaRouter

สำหรับผู้ให้บริการ

ให้บริการแพลตฟอร์มการอนุมานอยู่หรือไม่ นำโมเดลของคุณขึ้น OrcaRouter

[email protected]

เข้าร่วมคอมมูนิตี้ของเรา

Discord[email protected]XLinkedInGitHubYouTube