一张生成的标题卡,标题为“相差 2.2 分,价格却翻倍”,副标题为“d1.2-ultra 对比 Drex Max v1.1 - Decision Index v2.1”。两张圆角卡片分别显示“d1.2-ultra”和“75”,以及“Drex Max v1.1”和“73”,二者之间由一条细竖线分隔;下方一条宽条带写着“每 100 万任务 $133,对比现在的 $103,按标准价格约为 $206”,还有一个描边小标签写着“独立榜单,两个模型均由 Artificial Analysis 运行”。OrcaRouter 标志合成在右下角。
Guides & Insights

d1.2-ultra 对比 Drex Max 1.1:2.2 分的差距,以及 12 月翻倍的价格标签

作者

jinhao.song

发布日期

最新模型 · 20查看全部模型 →
基准测试:Artificial Analysis · 每日更新
返回全部文章

Liquid AI d1.2-ultra 在 Artificial Analysis Decision Index v2.1 上以 2.23 分领先 Nace.AI 的 Drex Max v1.1——74.85 对 72.62——而在标价上,它是更贵的模型,每百万输入 token 为 $0.042,对比 $0.03。如今这两个数字都成立,但当 Nace 一方的发布折扣到期时,其中只有一个仍会成立。Artificial Analysis 在 Drex Max v1.1 的成本行上加了星号:其报告的每百万任务 $103“反映的是临时发布价”,而按标准价格,该成本会翻倍。这意味着,这一对看似是高端模型对阵性价比模型的组合,就实际决定部署的成本而言,情况正好相反。

排名是真实的,并且经过独立测量——两个模型都由 Artificial Analysis 在其自有硬件上运行,而不是由任何一家供应商运行——因此这是对两行已评分结果的比较,而不是对两份新闻稿的比较。下文将区分哪些要点在价格变化后仍然成立,哪些则不会。

首先,脚注对成本比较有何影响

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.’

当两家供应商中有一家在打折时,按 token 计价的价格并不是适合用来规划的数字。按任务计的成本才是正确的,因为它把每个模型回答同一份文档要消耗多少 token 算了进去,而这正是 Artificial Analysis 在发布该指数时一并公布的内容。

• 每百万输入 token — d1.2-ultra $0.042,Drex Max v1.1 $0.03。

• 按当前价格每百万项任务 — d1.2-ultra 133 美元,Drex Max v1.1 103 美元,后者标注为临时发布价。

• 按标准价格计算,每百万项任务——d1.2-ultra 为 133 美元,Drex Max v1.1 约为 206 美元,依据董事会自己的说明,其成本将翻倍。

• 同类中位数 — 每百万任务 135 美元,因此 Liquid 模型略低于该中位数,而 Nace 模型则将远高于它。

这种倒挂的意义,比两美分的 token 价差所暗示的更大,因为它会改变你在高用量时选择哪个模型。自 11 月 8 日 v2 发布以来,Drex 系列一直是该类别中的低价选项;如果这一折扣是发布促销而非重新定价,那么即使没有任何基准测试发生变化,低价选项也会变成高价选项。任何按 103 美元这个数字做预算的人,在把一个季度的流量投入其中之前,都应该问 Nace 标准价格何时生效。

这 2.2 分实际上是由什么构成的

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.

综合指数已经接近了。各个组成部分却没有,而且它们指向不同的方向,而这恰恰是有用的地方。

• AA-Symmetry,15%——六项中差距最大。d1.2-ultra 得分为 86.34,而 Drex Max v1.1 为 79.82。在更严格的 all-pass 指标下(要求同一问题在不同改写下给出相同答案,而不是看平均表现),两者分别为 56.7% 和 53.3%。在这项测试中,Drex Max v1.1 已是其所属家族中第二好的模型;Liquid 模型只是在换一种措辞时更稳定。

• AA-Paperclip,30%——决策得分为 75.81 对 72.82,文档完全正确率为 67.7% 对 63.0%。文档全通过率上的三个百分点是指数差距的最大单一贡献因素,也是最直接映射到真实提取流水线的一项,因为一份文档只要漏掉十五个答案中的一个,无论按哪种方式都算失败。

• When2Call,10%——96.49 对 95.26。两者都接近该评测的上限;在一项整个前十名都落在两分区间内的测试中,1.25 分并不构成区分因素。

• EvalSafe-O*NET-AA,15%——89.53 对 88.32,同样是如同掷硬币般的微弱差距。

• AA-Omniscience-Decision v1.1,15% — 60.80 对 60.27。分数上基本持平,但细分项各有胜负:Drex 答对了更多这类问题,28.0% 对 23.6%;而 d1.2-ultra 更诚实地弃答,非幻觉率为 83.8% 对 65.3%。

• HLE-MultiChoice v1.1,15%——46.36 对 46.61,这是 Nace 唯一胜出的决策得分,优势为 0.25 分。但在其之下,原始准确率差距并不是 0.25 分:8.25% 对 2.36%。

Drex Max 1.1 仍在哪些方面胜出,以及为什么这并非可以忽略的舍入误差

板上有三点对 Nace 模型有利,而前两点属于决定工作负载究竟是否可行的那类因素。

上下文窗口是最大的问题。Drex Max v1.1 可接受 262k 个 token;d1.2-ultra 可接受 66k 个,而这本身已是 Liquid 上一代旗舰所支持容量的两倍。单次调用中可交给模型的状态规模因此相差四倍,而且这两个模型都不生成输出 token,所以没有输出预算可用来与之权衡。一份 200 页的合同、一份冗长的理赔文件,或一个能放进一次 Drex 请求中的多文档案件包,在 Liquid 侧都必须分块、反复提问并重新组装——而每个分块边界都是跨文档问题变得无法回答的地方。

第二点是知识。在 HLE-MultiChoice 上,Drex 正确回答了 8.25% 的问题,而对照结果为 2.36%;在 AA-Omniscience-Decision 上,这一比例是 28.0% 对 23.6%——同时弃答率低得多。d1.2-ultra 的高非幻觉率部分是优点,部分是症状:一个四次中有三次说“我不知道”的模型校准良好,但在一个确实有答案的问题上并不太有用。如果你的任务是对文档做出决策,这种取舍没问题。如果任务是需要知道某些东西的决策,那么 Drex 是知道得更多的模型。

第三项是速度,但仅停留在纸面上。在索引上每项任务分别为 283 ms 和 218 ms,二者都慢于该类 209 ms 的中位数,但也都足够快,因此在任何还要做其他事情的流水线中,二者都不会成为瓶颈。

这两个模型不可相互替代,这简化了选择。

再多的索引运算也无法让这两者变得可互换,而大多数对比文章恰恰错在假装它们可以互换。一个是 66k token 的文档阅读器,针对校准和复述稳定性做了调优;另一个是 262k token 的阅读器,价格更低,还能回答更多难题。分水岭不是一个分数,而是一种状态大小。

• 如果你的状态能容纳在 66k 内,并且以概率为阈值——高于 0.9 自动批准,低于则升级——那么 d1.2-ultra 是更合适的工具。在榜单上的 24 个模型中,它的 Brier 分数最佳,为 0.150,而 Drex 为 0.160;其对称性得分还高出六点五分。

• 如果你的状态超过 66k,或者你的问题需要的是知识而非阅读,那么 Drex Max v1.1 是两者中唯一真正能胜任的,索引差距也就不再是决定性数字。

• 如果你在大批量使用时对成本敏感,且 Nace 的价格保持不变,那么目前 Drex 的每项任务成本更低。如果价格回升,它就会是两者中更贵的一个,而 Liquid 模型在得分和成本上都会胜出。

两者都测试,但不押注于任何一方

两个模型都不在我们的目录中,且本文内容均不构成对二者可用性的声明:d1.2-ultra 由 Liquid 自己的 API 提供,Drex Max v1.1 则由 Nace 的 API 提供。这正是路由层能够体现自身价值、而不只是作为一项单列成本的情形,因为团队真正关心的问题——2.2 个百分点的差距是否会在我的文档上复现?——要通过将相同的状态分别跑过两者来回答,而不是靠阅读排行榜。

值得纳入那项测试的第三个模型是 Jev 1.14,我们确实以每百万输入 token 0.042 美元的价格、按相同的 systemone 请求形态托管它。它以 91.14 领先 EvalSafe-O*NET-AA,这是这两者都未居首的唯一一项;它的响应时间为 92 毫秒——三者中最快,且优势明显。在一个密钥上做三路影子运行,由 路由 DSL 将同一负载发送给每个模型,并由 自动故障转移 在某个供应商状态不佳时保持生产路径存活,这比走采购流程更便宜地解决此事。

看什么,何时看

两个日期决定这场对决。第一个是 Nace 首发价结束的时间:按每百万个任务 103 美元计算,Drex Max v1.1 是超值之选;按大约 206 美元计算,它则是高端之选,而无论哪种情况,指数得分都不会改变。做预算前先询问。

第二个是下一次指数修订。Decision Index v2.1 足够新,榜单上仍带有它于11月16日更新的说明,而第一名与第二名之间2.2分的差距正处于单次组件修订所能改变的范围之内。如果 AA-Paperclip 的私有文档集被刷新,那么填补大部分差距、权重为30%的组件将是最先发生变动的那个。

到那时,诚实的总结是这样的:根据证据,d1.2-ultra 是更好的模型,其优势在综合指标上很小,但在对称性和文档全通过率上很大;而且一旦 Nace 折扣到期,它就是每任务成本更低的模型。Drex Max v1.1 仍然是两者中唯一能吞下 200k-token 状态的模型,并且在需要知识而非阅读的问题上,它仍是两者中更强的一个。选择时先看状态大小,其次看价格,最后看指数。

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.