Một thẻ tiêu đề được tạo có tiêu đề ‘2.2 điểm cách biệt, và một mức giá tăng gấp đôi’, phụ đề ‘d1.2-ultra so với Drex Max v1.1 - Decision Index v2.1’. Hai thẻ bo góc ghi ‘d1.2-ultra’ trên ‘75’ và ‘Drex Max v1.1’ trên ‘73’, ngăn cách bởi một vạch dọc mảnh; bên dưới chúng là một dải rộng ghi ‘$133 mỗi 1 triệu tác vụ so với $103 hiện tại, khoảng $206 theo giá tiêu chuẩn’, và một chip viền ghi ‘bảng độc lập, cả hai mô hình đều do Artificial Analysis vận hành’. Biểu trưng OrcaRouter được ghép ở góc dưới bên phải.
Guides & Insights

d1.2-ultra vs Drex Max 1.1: Khoảng cách 2,2 điểm và mức giá tăng gấp đôi vào tháng 12

Tác giả

jinhao.song

Ngày đăng

Mô hình mới nhất · 20Xem tất cả mô hình →
Benchmark: Artificial Analysis · cập nhật hằng ngày
Quay lại tất cả bài viết

Liquid AI d1.2-ultra dẫn trước Drex Max v1.1 của Nace.AI 2.23 điểm trên Artificial Analysis Decision Index v2.1 — 74.85 so với 72.62 — và xét theo giá niêm yết thì đây là mô hình đắt hơn, ở mức $0.042 mỗi triệu token đầu vào so với $0.03. Cả hai con số đó đều đúng ở thời điểm hiện tại và chỉ một trong hai sẽ vẫn đúng khi ưu đãi ra mắt phía Nace hết hạn. Artificial Analysis gắn dấu hoa thị vào dòng chi phí của Drex Max v1.1: mức $103 mỗi triệu tác vụ mà họ báo cáo “phản ánh giá ra mắt tạm thời”, và ở mức giá tiêu chuẩn thì chi phí đó sẽ tăng gấp đôi. Điều đó có nghĩa là cặp mô hình trông như một mô hình cao cấp đối đầu với một mô hình giá trị, xét theo chi phí thực sự quyết định việc triển khai, lại là ngược lại.

Thứ hạng này là thật và được đo lường độc lập — cả hai mô hình đều được Artificial Analysis chạy trên phần cứng của chính họ, không phải bởi bất kỳ nhà cung cấp nào — vì vậy đây là so sánh giữa hai hàng có điểm số chứ không phải giữa hai thông cáo báo chí. Phần tiếp theo sẽ phân tách những điểm sẽ tồn tại qua thay đổi giá với những điểm sẽ không.

Đầu tiên, chú thích cuối trang tác động thế nào đến việc so sánh chi phí

A generated two-column scoreboard titled ‘d1.2-ultra vs Drex Max v1.1 - the scoreboard’. The d1.2-ultra column reads Decision Index 75, AA-Paperclip 75.8 at 67.7% all-pass, AA-Symmetry 86.3, HLE accuracy 2.36%, context window 66k and cost per 1M tasks $133. The Drex Max v1.1 column reads Decision Index 73, AA-Paperclip 72.8 at 63.0% all-pass, AA-Symmetry 79.8, HLE accuracy 8.25%, context window 262k and cost per 1M tasks $103 at launch price. The footer reads ‘Both figures per Artificial Analysis Decision Index v2.1; Drex cost reflects a temporary launch price and would double at standard pricing.’

Giá theo token là con số sai để lập kế hoạch khi một trong hai nhà cung cấp đang giảm giá. Chi phí theo tác vụ mới là con số đúng, vì nó tính gộp số token mỗi mô hình tiêu tốn để trả lời cùng một tài liệu, và đó là thứ Artificial Analysis công bố cùng với chỉ số.

• Mỗi triệu token đầu vào — d1.2-ultra 0,042 USD, Drex Max v1.1 0,03 USD.

• Mỗi một triệu tác vụ theo giá hiện tại — d1.2-ultra $133, Drex Max v1.1 $103, mức giá sau được ghi chú là giá ra mắt tạm thời.

• Mỗi triệu tác vụ ở mức giá tiêu chuẩn — d1.2-ultra $133, Drex Max v1.1 khoảng $206 theo ghi chú của chính hội đồng rằng chi phí của nó sẽ gấp đôi.

• Trung vị của lớp — 135 đô la mỗi triệu tác vụ, vì vậy mô hình Liquid nằm ngay dưới mức đó và mô hình Nace sẽ nằm cao hơn hẳn mức đó.

Sự đảo ngược đó quan trọng hơn mức mà khoảng cách hai xu mỗi token gợi ý, vì nó thay đổi mẫu bạn chọn khi dùng với khối lượng lớn. Dòng Drex đã là lựa chọn rẻ trong danh mục này kể từ khi v2 ra mắt ngày 8 tháng 11; nếu mức giảm giá là khuyến mãi ra mắt chứ không phải điều chỉnh lại giá, thì lựa chọn rẻ sẽ trở thành lựa chọn đắt mà không có một benchmark nào thay đổi. Bất kỳ ai đã gắn ngân sách với con số $103 nên hỏi Nace khi nào giá tiêu chuẩn có hiệu lực trước khi họ dồn lưu lượng của một quý vào đó.

2.2 điểm đó thực chất được tạo nên từ gì

A headless-browser screenshot of the Artificial Analysis model page for Drex Max v1.1, captured 17 November 2026 in English, showing the Nace.AI vendor label, the heading ‘Drex Max v1.1: Release, Decision Index Score, Performance & Price’, a Decision Index score of 73, a 262k-token context window, and a summary describing the model as amongst the leading decision models and reasonably priced, but notably slow.

Chỉ số tổng hợp thì sát. Các thành phần thì không, và chúng chỉ về những hướng khác nhau, đó mới là phần hữu ích.

• AA-Symmetry, 15% — khoảng cách rộng nhất trong sáu hạng mục. d1.2-ultra đạt 86,34 so với 79,82 của Drex Max v1.1. Ở thước đo all-pass khắt khe hơn, yêu cầu cùng một câu trả lời trên các cách diễn đạt lại thay vì một mức trung bình tốt, nó đạt 56,7% so với 53,3%. Drex Max v1.1 vốn đã là mô hình tốt thứ hai trong cùng dòng của nó ở bài kiểm tra này; mô hình Liquid chỉ đơn giản là ổn định hơn khi bị diễn đạt lại.

• AA-Paperclip, 30% — 75,81 so với 72,82 về điểm quyết định, và 67,7% so với 63,0% tài liệu đúng hoàn toàn. Ba điểm về tỷ lệ tài liệu đạt tất cả là yếu tố đóng góp lớn nhất vào khoảng cách chỉ số, và đây là yếu tố ánh xạ trực tiếp nhất sang một pipeline trích xuất thực tế, vì một tài liệu bỏ sót một trong mười lăm câu trả lời thì dù thế nào vẫn bị tính là thất bại.

• When2Call, 10% — 96,49 so với 95,26. Cả hai đều gần mức trần của bài đánh giá; 1,25 điểm trong một bài kiểm tra mà toàn bộ top 10 nằm trong dải hai điểm thì không tạo ra sự khác biệt.

• EvalSafe-O*NET-AA, 15% — 89.53 so với 88.32, cũng là mức chênh lệch ngang một lần tung đồng xu.

• AA-Omniscience-Decision v1.1, 15% — 60,80 so với 60,27. Thực tế là hòa nhau về điểm số, và có sự chia rẽ ở bên dưới: Drex trả lời đúng nhiều câu hỏi này hơn, 28,0% so với 23,6%, trong khi d1.2-ultra từ chối trả lời một cách trung thực hơn, 83,8% không ảo giác so với 65,3%.

• HLE-MultiChoice v1.1, 15% — 46,36 so với 46,61, điểm quyết định duy nhất mà Nace thắng, với cách biệt một phần tư điểm. Bên dưới con số đó, khoảng cách độ chính xác thô không phải là một phần tư điểm: 8,25% so với 2,36%.

Drex Max 1.1 vẫn thắng ở những điểm nào, và vì sao đó không phải là sai số làm tròn

Có ba điều trên bảng ủng hộ mô hình Nace, và hai điều đầu tiên là những yếu tố quyết định liệu một khối lượng công việc có thể thực hiện được hay không.

Cửa sổ ngữ cảnh là yếu tố lớn nhất. Drex Max v1.1 chấp nhận 262k token; d1.2-ultra chấp nhận 66k, con số này tự nó đã gấp đôi mức mà mô hình hàng đầu trước đó của Liquid đảm nhiệm. Đó là mức chênh lệch gấp bốn lần về kích thước trạng thái bạn có thể đưa cho mô hình trong một lần gọi, và cả hai mô hình đều không sinh token đầu ra, nên không có ngân sách đầu ra để đánh đổi với nó. Một hợp đồng 200 trang, một hồ sơ yêu cầu bồi thường dài, hoặc một bộ hồ sơ vụ việc gồm nhiều tài liệu mà vừa trong một yêu cầu Drex đều phải được chia nhỏ, hỏi lại và lắp ghép lại ở phía Liquid — và mỗi ranh giới chunk là một chỗ mà câu hỏi xuyên tài liệu không còn trả lời được.

Yếu tố thứ hai là kiến thức. Trên HLE-MultiChoice, Drex trả lời đúng 8,25% số câu hỏi so với 2,36%, và trên AA-Omniscience-Decision, mô hình trả lời đúng 28,0% so với 23,6% — trong khi ít từ chối trả lời hơn nhiều. Tỷ lệ không ảo giác cao của d1.2-ultra vừa là một điểm tốt, vừa là một triệu chứng: một mô hình nói “Tôi không biết” ba lần trong bốn lần là được hiệu chỉnh tốt và không hữu ích lắm với một câu hỏi thực sự có đáp án. Nếu nhiệm vụ của bạn là ra quyết định về tài liệu, sự đánh đổi đó là ổn. Nếu đó là những quyết định đòi hỏi phải biết điều gì đó, Drex là mô hình biết nhiều hơn.

Điểm thứ ba là tốc độ, chỉ trên giấy tờ. 283 ms so với 218 ms mỗi tác vụ trên chỉ số, cả hai đều chậm hơn mức trung vị 209 ms của nhóm, và cả hai đều đủ nhanh để không cái nào trở thành nút thắt cổ chai trong một pipeline có làm bất cứ việc gì khác.

Hai mô hình không thể thay thế cho nhau, điều này giúp việc lựa chọn trở nên đơn giản hơn.

Không có lượng số học chỉ mục nào khiến những thứ này có thể hoán đổi cho nhau, và việc giả vờ ngược lại chính là chỗ mà hầu hết các bài so sánh mắc lỗi. Một bên là trình đọc tài liệu 66k token được tinh chỉnh để ổn định hiệu chuẩn và diễn đạt lại; bên kia là trình đọc 262k token có giá rẻ hơn và trả lời được nhiều câu hỏi khó hơn. Điểm giao nhau không phải là điểm số, mà là kích thước trạng thái.

• Nếu các trạng thái của bạn vừa trong 66k và bạn đặt ngưỡng theo xác suất — tự động phê duyệt khi trên 0,9, chuyển lên xử lý khi dưới — thì d1.2-ultra là công cụ tốt hơn. Điểm Brier tốt nhất trong 24 mô hình trên bảng, đạt 0,150, so với 0,160 của Drex, và điểm đối xứng cao hơn sáu điểm rưỡi.

• Nếu các trạng thái của bạn vượt quá 66k, hoặc các câu hỏi của bạn đòi hỏi kiến thức thay vì chỉ đọc, thì Drex Max v1.1 là lựa chọn duy nhất trong hai lựa chọn có thể làm được việc này, và khoảng cách chỉ số không còn là con số quyết định.

• Nếu bạn nhạy cảm về chi phí ở quy mô lớn và giá Nace giữ nguyên, thì Drex hiện rẻ hơn trên mỗi tác vụ. Nếu giá quay lại như cũ, nó sẽ là lựa chọn đắt hơn trong hai và mô hình Liquid thắng về cả điểm số lẫn chi phí.

Thử cả hai mà không đặt cược vào bên nào

Cả hai mô hình đều không có trong danh mục của chúng tôi, và không có gì ở đây là tuyên bố về tính sẵn có cho cả hai: d1.2-ultra được phục vụ từ API riêng của Liquid, còn Drex Max v1.1 từ Nace. Đó chính xác là tình huống mà một lớp định tuyến chứng tỏ giá trị của mình chứ không chỉ là một mục chi phí, bởi vì câu hỏi mà một nhóm thực sự có — liệu khoảng cách 2,2 điểm có tái lập trên tài liệu của tôi không? — được trả lời bằng cách chạy cùng các trạng thái qua cả hai, chứ không phải bằng cách đọc bảng xếp hạng.

Mô hình thứ ba đáng đưa vào bài kiểm tra đó là Jev 1.14, mà chúng tôi có host với giá $0,042 cho mỗi triệu token đầu vào theo cùng systemone dạng yêu cầu. Nó dẫn đầu EvalSafe-O*NET-AA với 91,14, thành phần duy nhất mà cả hai mô hình này đều không đứng đầu, và nó phản hồi trong 92 ms — nhanh nhất trong ba mô hình, bỏ xa hai mô hình còn lại. Một lần chạy shadow ba chiều trên một khóa, với routing DSL gửi cùng một payload đến từng mô hình và automatic failover giữ cho một đường dẫn production luôn hoạt động nếu một nhà cung cấp gặp trục trặc, là cách rẻ hơn để giải quyết chuyện này so với một chu kỳ mua sắm.

Xem gì và khi nào

Hai mốc thời gian quyết định cuộc đối đầu này. Mốc đầu tiên là thời điểm giá ra mắt của Nace kết thúc: ở mức $103 mỗi triệu tác vụ, Drex Max v1.1 là lựa chọn đáng tiền; ở khoảng $206, nó là lựa chọn cao cấp, và điểm chỉ số không thay đổi dù theo hướng nào. Hãy hỏi trước khi bạn lập ngân sách.

Điểm thứ hai là lần sửa đổi chỉ số tiếp theo. Decision Index v2.1 đủ mới đến mức bảng vẫn còn ghi chú rằng nó đã được cập nhật vào ngày 16 tháng 11, và khoảng cách 2,2 điểm giữa hạng nhất và hạng nhì nằm trong phạm vi mà một lần sửa đổi thành phần có thể làm dịch chuyển. Nếu bộ tài liệu riêng của AA-Paperclip được làm mới, thì thành phần có trọng số 30% tạo ra phần lớn khoảng cách đó chính là thành phần sẽ dịch chuyển trước tiên.

Cho đến lúc đó, bản tóm tắt trung thực là thế này: d1.2-ultra là mô hình tốt hơn dựa trên bằng chứng, với khoảng cách nhỏ ở điểm tổng hợp và lớn ở đối xứng cùng tỷ lệ đạt tất cả trên tài liệu, và nó là mô hình rẻ hơn trên mỗi tác vụ ngay khi ưu đãi Nace hết hạn. Drex Max v1.1 vẫn là mô hình duy nhất trong hai mô hình có thể xử lý được trạng thái 200k token, và với những câu hỏi cần kiến thức thay vì đọc hiểu, nó vẫn là mô hình mạnh hơn trong cặp. Hãy chọn theo kích thước trạng thái trước, giá sau, và chỉ số sau cùng.

A headless-browser screenshot of the OrcaRouter model page for typesafe/jev-1.14, captured 17 November 2026 in English, showing the /v1/systemone endpoint, Zero Data Retention availability, an input and output list price of $0.04, and measured latencies of 182 ms and 372 ms.