
Drex Max v1.1 đứng đầu Chỉ số Quyết định — và chính những chi tiết do Hội đồng đưa ra khiến chiến thắng này có điều kiện.
- OrcaMỚIOrcaCyber: Hy4 Flash Abliterated / Uncensored2026-11-18$0.07 / $0.28 trên 1 triệu token · 183 tok/s
- tencentMỚITencent: Hy4 Flash2026-11-16$0.02 / $0.07 trên 1 triệu token · 741 tok/s
- AlibabaMỚIQwen: Qwen4 Max2026-11-16$1.50 / $4.50 trên 1 triệu token · 407 tok/s
- GoogleMỚIGoogle: Gemini 4 Carbon2026-11-10$2.00 / $10.00 trên 1 triệu token · 87 tok/s
- AnthropicMỚIAnthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 trên 1 triệu token · 150 tok/s
- OrcaOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 trên 1 triệu token · 99 tok/s
- OrcaOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 trên 1 triệu token · 134 tok/s
- OrcaOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$2.00 / $5.00 trên 1 triệu token · 83 tok/s
- tencentTencent: Hy42026-11-04$0.83 / $2.50 trên 1 triệu token · 119 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 trên 1 triệu token · 108 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 trên 1 triệu token · 67 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 trên 1 triệu token · 90 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 trên 1 triệu token · 41 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447Trí tuệ
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 trên 1 triệu token · 212 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929Trí tuệ
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 trên 1 triệu token · 109 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733Trí tuệ
- DeepSeekDeepSeek: DeepSeek V4.1 Flash 09102026-10-17$0.15 / $0.60 trên 1 triệu token · 160 tok/s
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740Trí tuệ
Drex Max v1.1, mô hình quyết định đa phương thức của Nace.AI, đứng đầu Artificial Analysis Decision Index v2 với điểm 73,4. Cách biệt là 0,56 điểm so với GLiDE v1.2 của Fastino Labs ở 72,8, và 0,94 điểm so với Mammoth 27B ở 72,4. Ba con số đó nói lên toàn bộ câu chuyện ở vị trí đầu bảng, và cũng là lý do tiêu đề cần thêm một câu thứ hai: cùng một đánh giá cho thấy GLiDE chính xác hơn Drex Max v1.1, và Mammoth 27B giữ nguyên cùng một câu trả lời qua các cách diễn đạt lại thường xuyên hơn nhiều.
Bản thân mô hình không phải là mới vào hôm nay. Danh mục tham chiếu mô hình của chính Nace ghi drex-max-v1.1 phát hành ngày 28 tháng 10 năm 2026, và id drex-max đã ngừng sử dụng đã được v1.1 trả lời kể từ ngày 8 tháng 11. Cái mới là phép đo. Artificial Analysis công bố Decision Index v2 vào ngày 8 tháng 11 năm 2026, hai ngày trước bài viết này, và đây là bảng xếp hạng độc lập đầu tiên chấm điểm checkpoint này so với phần còn lại của lĩnh vực mô hình ra quyết định trên cùng một công cụ đo. Đó chính là tin tức: không phải một màn ra mắt, mà là con số bên ngoài đầu tiên cho một mô hình mà trước đó chỉ có con số do chính nhà cung cấp đưa ra.
Những gì hội đồng quản trị thực sự đo lường hiện nay
Decision Index v2 là một công cụ khác với công cụ đã tạo ra con số 64 mà Drex Max đã mang vào tháng 10, nên hai công cụ này không thể so sánh với nhau và không ai nên xếp chúng cạnh nhau. Chỉ số v2 là mức trung bình có trọng số của sáu đánh giá, và 45% của nó hiện được xây dựng trên dữ liệu riêng, tăng từ 25% ở v1 — một động thái có chủ đích nhằm chống lại hiện tượng quá khớp với benchmark.

• AA-Paperclip, 30% của chỉ số — 1.500 tài liệu riêng tư (sơ yếu lý lịch, biên lai, hóa đơn, bài báo nghiên cứu), mỗi tài liệu gồm năm quyết định và mười sự kiện cần trích xuất, được chấm như một tài liệu chỉ được tính nếu cả mười lăm câu trả lời đều đúng.
• EvalSafe-O*NET-AA, 15% — đánh giá tài liệu tại nơi làm việc, được xây dựng trên chuẩn O*NET của TypeSafe.
• AA-Omniscience-Decision v1.1, 15% — kiến thức và ảo giác, với tùy chọn "Tôi không biết" được diễn đạt lại theo mười cách.
• HLE-MultiChoice v1.1, 15% — Humanity's Last Exam dạng trắc nghiệm, cũng có tùy chọn từ chối.
• AA-Symmetry, 15% — 120 câu hỏi được mở rộng thành 440 biến thể bằng cách sắp xếp lại các lựa chọn, hoán đổi nhãn và phủ định các câu hỏi có/không.
• When2Call, 10% — đánh giá gọi công cụ của NVIDIA, giảm từ 25% ở v1.
Chỉ số chính cũng mới. Mỗi câu hỏi được tính điểm 50 × (1 + c − (p − c)²), trong đó p là xác suất mà mô hình đặt cho câu trả lời của mình và c là việc câu trả lời đó có đúng hay không. Tính tổng hợp, đó là 50 × (1 + độ chính xác − Brier score). Một mô hình được thưởng khi đúng và khi biết mình đúng đến mức nào, và bị phạt nặng hơn nếu mắc lỗi một cách tự tin so với khi do dự. Điều đó quan trọng ở đây, vì lời chào hàng của Drex là xác suất đã hiệu chỉnh chứ không phải văn xuôi, và đây là bảng đầu tiên chấm điểm trực tiếp độ hiệu chuẩn thay vì coi đó như một chú thích.
Drex Max v1.1 thắng ở đâu, với cách biệt bao nhiêu và trước ai
Tổ hợp này che giấu một lĩnh vực bị tách rời. Khi tách rời ra, lợi thế dẫn đầu của Drex Max v1.1 đến từ hai trong số sáu thành phần, và một trong số đó chính là thành phần mà Nace đã xây dựng mô hình cho.
• AA-Paperclip (tài liệu) — Drex Max v1.1 đạt 72,8 điểm trên điểm quyết định với 63,0% tài liệu chính xác hoàn toàn; d1-ultra của Liquid AI đạt 64,7 và 51,3%, Microsoft-Decision-1 đạt 51,8 và 20,9%.
• When2Call (gọi công cụ) — Drex Max v1.1 đạt 95,26 so với 84,39 của Jev 1.14 và 87,95 của Microsoft-Decision-1, mức chênh lệch trong một đánh giá duy nhất lớn nhất trong nhóm so sánh.
• 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 ở mức 84.18, thực tế là ngang bằng.
• AA-Omniscience-Decision — Drex Max v1.1 60.27, d1-ultra 64.39. Cái này thì đi theo hướng ngược lại, và đây là đánh giá về việc biết mọi thứ thay vì quyết định mọi thứ.
• HLE-MultiChoice — Drex Max v1.1 đạt 46,61 so với 44,47 của Jev 1.14, nhưng d1-ultra đang ở 47,39 và độ chính xác thô là 8,25% so với 12,77% của Jev.
• Thời gian mỗi tác vụ — 275 ms đối với Drex Max v1.1, 92 ms đối với Jev 1.14, 295 ms đối với d1-ultra. Drex là mô hình ra quyết định quy mô tiên phong nhanh nhất trên bảng xếp hạng và chậm hơn khoảng ba lần so với mô hình hiện hành rẻ nhất về chi phí vận hành.

Bốn tiêu chuẩn mà hội đồng công bố và thông cáo báo chí không công bố
Artificial Analysis rõ ràng một cách khác thường về những gì điểm số cao nhất của chính nó không có nghĩa là, và bài viết công bố v2 nói rõ từng điểm này bằng ngôn ngữ bình dị.
Đầu tiên là độ chính xác. "GLiDE v1.2 dẫn trước Drex Max v1.1 về các chỉ số độ chính xác (60 so với 58), trong khi Drex Max v1.1 nhích lên dẫn trước ở Chỉ số Quyết định." Drex thắng điểm tổng hợp vì được hiệu chỉnh tốt hơn, không phải vì trả lời đúng nhiều hơn. Nếu quy trình của bạn vứt bỏ xác suất và chỉ giữ argmax, bạn đã mua phần của mô hình mà hội đồng không thưởng.
Điều thứ hai là tính nhất quán khi diễn đạt lại. Mammoth 27B chọn cùng một câu trả lời trên các biến thể của AA-Symmetry ở 99% số câu hỏi; Drex Max v1.1 làm được điều này ở 91%, GLiDE ở 88%. Drex vẫn vượt xa so với trước đây, và vượt cả Jev, nhưng "cùng một câu hỏi được diễn đạt theo hai cách vẫn cho cùng một câu trả lời" là một thuộc tính mà Mammoth có còn Drex chưa có đầy đủ.
Thứ ba là bài kiểm tra tài liệu kiểu được ăn cả ngã về không. Drex Max v1.1 trả lời đúng 97% các câu trả lời riêng lẻ trên AA-Paperclip nhưng chỉ đạt 63% số tài liệu, vì chỉ một câu trả lời sai trong mười lăm câu là tài liệu đó không đạt. Nó đưa ra đúng cả năm quyết định trên 71% số tài liệu và đúng cả mười phép trích xuất trên 88%. Claude Haiku 5.5 (Max), một mô hình ngôn ngữ đa dụng, đạt 92%. Khoảng cách giữa 97% câu trả lời và 63% tài liệu chính là cái giá của việc nối chuỗi mười lăm lệnh gọi phụ thuộc lẫn nhau mà không có bộ kiểm tra.
Thứ tư là việc từ chối trả lời. Trong đánh giá về khả năng hiểu biết toàn diện, d1-ultra từ chối thay vì đoán ở 88,6% các câu hỏi mà nó không thể trả lời; Drex Max v1.1 ở 65,3%; Microsoft-Decision-1 ở 21,7%. Drex là một mô hình thà đưa ra câu trả lời còn hơn từ chối, điều này ổn khi có con người xem xét phần đuôi có độ tin cậy thấp và tốn kém khi không có ai làm việc đó.
Cột chi phí là điều mạnh nhất mà Nace có.
Chi phí cho 1 triệu tác vụ trên cùng một bảng: 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. Cao hơn các mô hình quyết định, GPT-6 Luna (Max) có giá $1,530 và Claude Haiku 5.5 (Max) $6,240 cho ba đến bốn điểm chỉ số.
Một phần của khoảng chênh lệch đó là giá token và một phần là cách tính phí, và bảng tách riêng hai yếu tố này. Drex Max v1.1 và Decider v1.2 đánh giá một tài liệu một lần và trả lời mọi câu hỏi từ lần xử lý duy nhất đó, vì vậy một tác vụ AA-Paperclip dùng khoảng 9.000 token đầu vào. GLiDE v1.2 và Decider Flash v1.2 tính phí lại phần đầu vào cho từng câu hỏi, khoảng 63.000 token mỗi tác vụ, đó là cách GLiDE rơi vào mức $780 với giá niêm yết $0,04 — gần gấp tám lần chi phí của Drex ở mức giá token cao hơn 33%. Bảng của chính Nace báo cáo "$0,03 cho mỗi 1.000 quyết định" và bảng báo cáo $102 cho mỗi 1 triệu tác vụ; đây là những đơn vị khác nhau đo các khối lượng công việc khác nhau, và chỉ đơn vị thứ hai mới cho phép bạn so sánh giữa các mô hình.
Trang sản phẩm của Nace cũng giật tít “nhanh hơn Claude Haiku 5.5 (Max) 118×”. Hãy coi đó là tuyên bố của nhà cung cấp dựa trên mẫu số do nhà cung cấp chọn. Đơn vị của bảng là thời gian mỗi tác vụ, trong đó Drex Max v1.1 là 275 ms và bài viết của AA đặt GPT-6 Luna (Max) ở 11,34 s — khoảng 40×. Cả hai con số đều có thể đúng cùng lúc vì một bên tính một quyết định đơn lẻ và bên kia tính cả một tài liệu mười lăm câu hỏi. Hãy lập kế hoạch năng lực từ con số theo từng tác vụ.
id là phần sẽ làm hỏng tích hợp của bạn
Ba điều trong tài liệu của Nace sẽ khiến bạn mất cả một buổi chiều nếu chỉ phát hiện ra chúng sau khi đã đấu nối client.
• drex-latest không trỏ tới một mô hình Max. Nó phân giải thành drex-v2.0, một hỗn hợp chuyên gia chỉ văn bản với trọng số mở, đạt 63.43 trên cùng bảng xếp hạng. Một yêu cầu bỏ hoàn toàn trường model cũng được drex-v2.0 trả lời. Nếu bạn sao chép một quickstart đặt TYPESAFE_DEFAULT_MODEL=drex-latest — và hướng dẫn tương thích Jev của chính Nace bảo bạn làm vậy — thì bạn đang gọi sai mô hình và sẽ thấy chỉ số giảm 10 điểm mà không có lỗi.
• drex-max đã ngừng hoạt động kể từ ngày 8 tháng 11 năm 2026 và được phục vụ bởi drex-max-v1.1 với các giới hạn và mức giá của v1.1. Các khách hàng hiện có vẫn tiếp tục hoạt động; phản hồi sẽ báo cáo id của phiên bản kế nhiệm. Công việc mới nên gửi drex-max-v1.1 một cách rõ ràng.
• Con số ngữ cảnh được nêu hai lần theo hai cách khác nhau. Hướng dẫn API nói 131.072 token cho mỗi câu hỏi, đã tính cả token hình ảnh; tài liệu tham chiếu mô hình nói giới hạn đầu vào 262.144 token cho toàn bộ yêu cầu đã đóng gói, bao gồm trạng thái, cả tám hình ảnh, mọi câu hỏi và phần định dạng của mô hình. Hãy tính theo con số nhỏ hơn trừ khi bạn đã kiểm thử con số lớn hơn.

Không cái nào trong số này là lỗi. Chúng là những mảnh vụn thông thường của việc đánh phiên bản tại chỗ, và chính chúng là lý do ngày phát hành trên mẫu quan trọng hơn số phiên bản trong tên.
Điều này có nghĩa gì nếu bạn đang lựa chọn ngày hôm nay
Drex Max v1.1 không nằm trên tuyến nào chúng tôi cung cấp. Danh mục OrcaRouter không có nó, và không có gì ở đây nên được hiểu là tuyên bố về tính sẵn có — Nace bán nó qua API riêng và bảng điều khiển riêng của mình, với giá $0,03 mỗi triệu token đầu vào trong thời gian ra mắt, giảm 50% so với giá niêm yết $0,06. Điều mà danh mục có là sản phẩm hiện hữu mà mô hình này được đem ra so sánh: TypeSafe Jev 1.14 là một tuyến được niêm yết với giá $0,042 mỗi triệu token đầu vào, với cùng cấu trúc yêu cầu câu hỏi có kiểu và điểm 66,96 trên cùng bảng đánh giá. Chạy cả hai nghĩa là hai hợp đồng và hai SDK, đó là chi phí thực sự của một cuộc so sánh đối đầu, và đó là lý do thường thấy khiến người ta đặt phép so sánh phía sau một router thay vào đó.
Cách đọc trung thực về 73.4 hẹp hơn so với “mô hình ra quyết định tốt nhất”. Drex Max v1.1 có điểm tổng hợp tốt nhất trên một bảng xếp hạng có 45% là riêng tư và mới hai ngày tuổi, là mô hình nhanh nhất ở mức điểm đó với khoảng cách lớn, và rẻ thứ ba trên biên Pareto. Nó không phải là mô hình chính xác nhất, không phải là mô hình nhất quán nhất, và không phải là mô hình sẵn sàng từ chối trả lời nhất. Yếu tố nào trong bốn yếu tố đó quan trọng phụ thuộc hoàn toàn vào việc liệu con người có nhìn thấy phần đuôi có độ tin cậy thấp hay không — và câu hỏi đó không có trên bất kỳ bảng xếp hạng nào.
Điều gì sẽ thay đổi cách đánh giá này: một bảng đánh giá độc lập thứ hai tái lập được mức 73.4, hoặc một v1.2 nâng độ chính xác HLE-MultiChoice lên trên mức 12.77% của Jev. Cả hai đều chưa tồn tại. Cho đến khi một trong hai xuất hiện, con số cần trích dẫn là 73.4 kèm theo từ "narrow".
