Một thẻ so sánh được tạo có tiêu đề 'Drex Max v1.1 vs Liquid AI d1-ultra', với các hàng cho Chỉ số Quyết định 73,4 so với 70,4, điểm quyết định tài liệu 72,8 so với 64,7, tỷ lệ từ chối 65,3 phần trăm so với 88,6 phần trăm, thời gian mỗi tác vụ 275 ms so với 295 ms, và chi phí cho 1 triệu tác vụ $102 so với $132, với phần chân trang ghi Artificial Analysis Decision Index v2, 8 tháng 11 năm 2026.
Guides & Insights

Drex Max v1.1 vs Liquid AI d1-ultra: Hai bộ chấm điểm đa phương thức, và một tiêu đề không còn đứng vững

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-ultra ra mắt ngày 15 tháng 10 năm 2026 với một câu tuyên bố từng đứng vững vào thời điểm đó: nó "vượt trội hơn tất cả các mô hình ra quyết định khác trên Artificial Analysis Decision Index với khoảng cách ít nhất 8 điểm." Ba tuần sau, Artificial Analysis thay thế chỉ số đó bằng v2, chấm lại điểm cho mười bảy mô hình trên dữ liệu mới, và d1-ultra đứng thứ năm với 70,4 — sau Drex Max v1.1 với 73,4, GLiDE v1.2 với 72,8, Mammoth 27B với 72,4 và, chỉ kém đúng ba phần trăm điểm, Decider v1.2 của Perplexity ở mức 70,5. Lợi thế dẫn trước tám điểm đã biến mất, và nó chưa từng được đo bằng thang đo này.

Đó là khung cho so sánh này, và đáng để nói rõ nó có nghĩa gì và không có nghĩa gì. Nó không có nghĩa là d1-ultra trở nên tệ hơn. Nó có nghĩa là bảng xếp hạng đã thay đổi bên dưới một tuyên bố được đưa ra dựa trên bảng cũ, đó là rủi ro thường gặp khi trích dẫn một vị trí trên bảng xếp hạng như thể đó là thuộc tính của mô hình. Cả hai đều là những bộ chấm điểm quyết định đa phương thức mạnh mẽ. Chúng cũng gần nhau hơn những gì tiếp thị của cả hai nhà cung cấp ngụ ý, và chúng giỏi những thứ khác biệt một cách rõ rệt.

Những chỗ hai mô hình đồng thuận, vốn chiếm phần lớn bề mặt

Cả hai đều là mô hình quyết định theo nghĩa chặt chẽ: bạn gửi một trạng thái và các câu hỏi có kiểu, một lượt truyền xuôi trả về xác suất cho mỗi lựa chọn, và không có văn bản nào được sinh ra. Cả hai đều nhận hình ảnh cùng với văn bản. Cả hai đều trả lời cùng ba dạng câu hỏi — một lựa chọn trong các phương án được đặt tên, một câu hỏi có/không, và một điểm số trên một thang đo. Cả hai chỉ tính phí đầu vào, còn đầu ra không bị tính phí, vì không có đầu ra.

• Phương thức — Drex Max v1.1 đọc văn bản, ảnh chụp màn hình, biểu đồ, biểu mẫu, tài liệu quét, ảnh và khung hình video, tám hình ảnh mỗi yêu cầu. d1-ultra đọc văn bản, hình ảnh hoặc cả hai; ví dụ ra mắt của Liquid là một bức ảnh chụp bảng mạch được đối chiếu với thông số kỹ thuật của nó.

• Giá mỗi triệu token đầu vào — $0.03 cho Drex Max v1.1 trong giai đoạn ra mắt (giảm 50% so với giá niêm yết $0.06), $0.042 cho d1-ultra. Nace hiện rẻ hơn và có thể sẽ không còn như vậy sau khi đợt giảm giá kết thúc.

Tính phí hình ảnh — Drex Max v1.1 tính token hình ảnh trong giới hạn 131.072 token mỗi câu hỏi. d1-ultra tính 1,5 token cho mỗi ô 32×32 pixel, vì vậy một hình ảnh 1024×1024 tốn 1.536 token, và tính mỗi câu hỏi như một prompt riêng bao gồm tất cả hình ảnh.

• Ngữ cảnh — 131.072 token cho mỗi câu hỏi đối với Drex Max v1.1, với 262.144 cho toàn bộ yêu cầu đã đóng gói. Liquid không công bố cửa sổ mỗi câu hỏi tương đương.

• Tính sẵn có — Drex Max v1.1 được bán qua API và bảng điều khiển của Nace; d1-ultra qua API và bảng điều khiển của Liquid. Cả hai đều không nằm trong danh sách tuyến của chúng tôi, và không có nội dung nào ở đây là tuyên bố về tính sẵn có từ phía chúng tôi.

Quy tắc tính phí theo từng câu hỏi trên d1-ultra chính là chi tiết quyết định chi phí ở quy mô tài liệu, và ban lãnh đạo đã đo lường điều đó. Artificial Analysis báo cáo Drex Max v1.1 ở mức khoảng 9.000 token đầu vào cho một tác vụ tài liệu mười lăm câu hỏi, so với khoảng 63.000 ở các mô hình tính lại phí đầu vào theo từng câu hỏi — và chi phí mỗi tác vụ của d1-ultra là 132 đô la so với 102 đô la của Drex, gần với tỷ lệ giá niêm yết của chúng và kém hơn một chút.

Bo mạch, từng thành phần một

Khoảng cách tổng hợp là 2,9 điểm. Các khoảng cách thành phần rất không đồng đều, và xu hướng này nhất quán: Drex thắng về tài liệu, d1-ultra thắng về kiến thức và về việc từ chối trả lời.

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.

• Chỉ số Quyết định v2 — Drex Max v1.1 73.39, d1-ultra 70.45.

• Chỉ số độ chính xác — Drex Max v1.1 58.41, d1-ultra 54.94, tức là điểm số sau khi đã loại bỏ thành phần hiệu chuẩn.

• Điểm quyết định tài liệu AA-Paperclip — Drex Max v1.1 72,82, d1-ultra 64,69. Tỷ lệ đúng cả mười lăm: 63,0% so với 51,3%.

• Gọi công cụ When2Call — Drex Max v1.1 95.26, d1-ultra 93.83. Rất sát nhau, và cả hai đều cao hơn nhiều so với mức 84.39 của Jev 1.14.

• Độ nhất quán diễn giải lại AA-Symmetry — Drex Max v1.1 84.96, d1-ultra 77.81, mức chênh 7 điểm là khác biệt lớn thứ hai trong bộ.

• AA-Omniscience-Decision — d1-ultra 64,39, Drex Max v1.1 60,27. Đây là đánh giá duy nhất mà thứ tự bị đảo ngược.

• HLE-MultiChoice — d1-ultra 47,39, Drex Max v1.1 46,61, nhưng về độ chính xác thô thì d1-ultra ở mức 6,09% và Drex ở mức 8,25%.

• Từ chối trả lời — d1-ultra từ chối 88,61% các câu hỏi toàn tri mà nó không thể trả lời, Drex Max v1.1 là 65,28%, Microsoft-Decision-1 là 21,74%.

• Thời gian mỗi tác vụ — Drex Max v1.1 275 ms, d1-ultra 295 ms.

• Chi phí cho 1 triệu tác vụ — Drex Max v1.1 $102, d1-ultra $132.

Hãy đọc hàng từ chối trả lời hai lần, vì nó giải thích hàng toàn tri và đây là thuộc tính ít trực quan nhất trên bảng. Điểm quyết định toàn tri cao hơn của d1-ultra không chủ yếu đến từ kiến thức: độ chính xác thô ở đó là 28,0%, ngang với Drex Max v1.1. Nó đạt điểm cao hơn vì nói "tôi không biết" thường xuyên hơn nhiều và hàm tính điểm thưởng cho điều đó. Mammoth 27B và Elephant 9B dẫn đầu đánh giá tính đối xứng vì cùng lý do — Artificial Analysis nói thẳng rằng các mô hình của Baseten "luôn nhất quán thừa nhận rằng mình không biết câu trả lời với độ tin cậy cao qua các biến thể câu hỏi."

Không điều nào trong số đó là lỗi của thước đo. Đó là lời khẳng định về thứ bạn đang mua. d1-ultra là mô hình bạn nên chọn khi một câu hỏi chưa được trả lời rẻ hơn một câu trả lời sai. Drex Max v1.1 là mô hình bạn nên chọn khi cần một kết quả trả về kèm quyết định, còn phần đuôi có độ tin cậy thấp sẽ do con người xử lý.

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.

Những gì đánh giá của chính Liquid đã đo lường, và những gì nó chưa đo lường

Bài đăng ra mắt của Liquid so sánh d1-ultra với d1 và Jev 1.14 trên “112 đánh giá riêng biệt” và báo cáo rằng nó vượt Jev ở mọi đánh giá, với hiệu chuẩn tốt hơn ở cùng mức giá. Đó là một so sánh do nhà cung cấp tự thực hiện trên một bộ công cụ do nhà cung cấp tự chọn, và nó không nói gì về Drex Max, vốn không xuất hiện trong đó. Tuyên bố về chỉ số tám điểm được đưa ra dựa trên Decision Index v1.0, công bố ngày 13 tháng 10 năm 2026 — hai ngày trước khi d1-ultra tồn tại — và bảng đó chưa từng liệt kê d1-ultra.

Nhà cung cấp quả thực có đưa ra một tuyên bố mà bảng đánh giá mới xác nhận: họ đã huấn luyện d1-ultra đặc biệt để bớt tự tin thái quá, và việc chỉ số hiệu chuẩn đạt 64,39 trên omniscience so với 60,14 của Jev cùng điểm tổng hợp cao hơn Jev 2,0 điểm ở độ chính xác tương đương là có thật. d1-ultra đạt 70,45 so với 66,96 của Jev 1.14 trên cùng một công cụ đo là một cải thiện thực sự so với mô hình hiện hành, được đo độc lập.

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.

Tuyên bố không trụ vững là thứ hạng. Trên v2, d1-ultra đứng thứ năm trong số mười bảy, và bốn mô hình xếp trên nó đều nằm trong khoảng 3 điểm. Mức chênh lệch 3 điểm trong top năm không phải là một thứ bậc; đó là một sự hòa nhau được phân định bởi việc khối lượng công việc của bạn tình cờ đặt trọng số lên thành phần nào.

Thực sự cần chạy gì

Cả hai mô hình đều được lưu trữ trên máy chủ, không mô hình nào nằm trong danh mục của chúng ta, và cách trung thực để chọn giữa chúng là một cuộc so tài trên chính các trạng thái của bạn thay vì trên bộ kiểm thử của bất kỳ nhà cung cấp nào. Nếu bạn chạy nó, hãy chạy trên đúng thứ mà hội đồng trừ điểm: tài liệu được ăn cả ngã về không. Một mô hình đạt 97% câu trả lời riêng lẻ đúng và 63% tài liệu đúng hoàn toàn không tốt gấp đôi một mô hình đạt 51%; nó tốt đúng bằng xác suất không có câu trả lời nào trong mười lăm câu trả lời phụ thuộc bị sai, và đó chính là điều pipeline của bạn sẽ gặp.

Điều mà một router thay đổi ở đây không phải là lựa chọn giữa hai cái này — chúng tôi không cung cấp cái nào trong hai — mà là cấu trúc của pipeline bao quanh chúng. Cả hai đều là scorer nằm ở thượng nguồn của một thứ gì đó thực hiện việc ghi. Bước ghi là một lệnh gọi model tổng quát, và đó chính là phần mà một endpoint với hơn 200 model, giá niêm yết của nhà cung cấp được chuyển thẳng mà không tính thêm markup theo token và failover tự động thực sự giúp bạn bớt đi một lần tích hợp, bởi vì model mà bạn định tuyến tới sẽ thay đổi thường xuyên hơn scorer.

Nếu hôm nay bạn muốn một lý do duy nhất để ưu tiên Drex Max v1.1, thì đó không phải là điểm tổng hợp 2,9. Mà là nó nhanh hơn, rẻ hơn trên mỗi tác vụ, và nhất quán hơn bảy điểm khi cùng một câu hỏi được diễn đạt theo hai cách — và tính nhất quán chính là thuộc tính âm thầm hỏng trong môi trường thực tế thay vì ồn ào hỏng trên bảng xếp hạng. Nếu bạn muốn một lý do duy nhất để ưu tiên d1-ultra, thì đó là việc nó từ chối. Cả hai đều có lý. Còn con số tiêu đề của cả hai nhà cung cấp thì không.