为 Drex Max v1.1 生成的标题卡,副标题为“首个登上 Artificial Analysis Decision Index v2 的模型,领先 0.56 分”,信息标签分别显示 73.4 Decision Index、每任务 275 毫秒、每 100 万任务 102 美元,以及 262,144 个 token 的请求上限;另有一条排行榜条带,显示前三大决策模型分别为 73.4、72.8 和 72.4。
Guides & Insights

Drex Max v1.1 登顶决策指数——但董事会自己披露的细节让这一胜局打了折扣

作者

Gideon Frost

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

Drex Max v1.1是Nace.AI推出的多模态决策模型,以73.4分位居Artificial Analysis Decision Index v2榜首。它领先Fastino Labs的GLiDE v1.2(72.8分)0.56分,领先Mammoth 27B(72.4分)0.94分。这三个数字完整说明了榜单顶端的格局,也正是标题需要第二句话的原因:同一项评估表明,GLiDE比Drex Max v1.1更准确,而且Mammoth 27B在不同改写之间保持相同答案的频率要高得多。

模型本身并非今天才出现。Nace 自己的模型参考文档将 drex-max-v1.1 列为于 2026 年 10 月 28 日发布,而已退役的 drex-max 标识自 11 月 8 日起一直由 v1.1 响应。真正新的是测量结果。Artificial Analysis 于 2026 年 11 月 8 日发布了 Decision Index v2,也就是本文发布的两天前,而这是首个独立榜单,用同一套评测工具将该检查点与决策模型领域的其他模型进行评分对比。这才是新闻:不是一次发布,而是为一个此前只公布过厂商自身数字的模型,首次带来了外部数字。

董事会现在实际衡量的是什么

Decision Index v2 与十月 Drex Max 所拿到的那个 64 分所出自的工具并非同一回事,因此两者不可相提并论,任何人都不应把它们放在一起比较。v2 指数是六项评估的加权平均值,其中如今有 45% 建立在私有数据之上,高于 v1 的 25%——这是针对基准过拟合而有意采取的举措。

Screenshot of the Artificial Analysis Decision Index v2 page, showing the leaderboard navigation, the index name, and the board's own definition: a composite index testing decision models across document decisions and extraction, tool calling, knowledge, reasoning and invariance, combining six evaluations including AA-Paperclip's 1,500 resumes, receipts and invoices.

• AA-Paperclip,占该指数的30%——1,500份私人文件(简历、收据、发票、研究论文),每份包含五项决策和十项待提取事实,按一份文件计分,只有全部十五个答案都正确才算数。

• EvalSafe-O*NET-AA,15% — 职场文档判断,基于 TypeSafe 的 O*NET 基准构建。

• AA-Omniscience-Decision v1.1,15% —— 知识与幻觉,其中“我不知道”这一选项以十种方式重新表述。

• HLE-MultiChoice v1.1,15% —— Humanity's Last Exam 多项选择题,另设弃权选项。

• AA-Symmetry,15% —— 通过重新排列选项、交换标签以及对是/否问题进行否定,将 120 道题扩展为 440 个变体。

• When2Call,10% — NVIDIA 的工具调用评估,较 v1 的 25% 有所下降。

主要指标也是新的。每道题的得分为 50 × (1 + c − (p − c)²),其中 p 是模型为其答案赋予的概率,c 表示该答案是否正确。汇总起来就是 50 × (1 + 准确率 − Brier 分数)。模型会因答对以及知道自己答得有多对而获得奖励,并且自信的错误比犹豫的错误受到的惩罚更重。这一点在这里很重要,因为 Drex 的卖点是经过校准的概率,而不是文字叙述,而这是第一个直接对校准程度打分、而不是把它当作脚注的榜单。

Drex Max v1.1 在哪些方面胜出、领先多少,以及战胜了谁

综合结果掩盖了一个分裂的领域。拆解来看,Drex Max v1.1 的领先来自六个组成部分中的两个,而其中之一正是 Nace 当初构建模型所针对的那个。

• AA-Paperclip(文档)——Drex Max v1.1 的决策得分为 72.8,63.0% 的文档完全正确;Liquid AI 的 d1-ultra 为 64.7 和 51.3%,Microsoft-Decision-1 为 51.8 和 20.9%。

• When2Call(工具调用)——Drex Max v1.1 得分 95.26,对比 Jev 1.14 的 84.39 以及 Microsoft-Decision-1 的 87.95,这是整个对比集中单项评估差距最大的一项。

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 为 84.18,基本持平。

• AA-Omniscience-Decision — Drex Max v1.1 60.27,d1-ultra 64.39。这一项则相反,而且这项评估考察的是对事物的知晓,而不是对事物的决策。

• HLE-MultiChoice — Drex Max v1.1 为 46.61,而 Jev 1.14 为 44.47,但 d1-ultra 为 47.39,且原始准确率为 8.25%,相比之下 Jev 为 12.77%。

• 每项任务耗时——Drex Max v1.1 为 275 毫秒,Jev 1.14 为 92 毫秒,d1-ultra 为 295 毫秒。Drex 是榜单上最快的前沿规模决策模型,但比运行成本最低的现有模型慢约三倍。

A generated component breakdown headed 'Drex Max v1.1 vs GLiDE v1.2 vs Mammoth 27B — where the points come from', with five weighted rows: document decisions at 30 percent weight scoring 72.8, 76.0 and 66.0; workplace judgement at 15 percent scoring 88.3, 84.1 and 79.9; tool calling at 10 percent scoring 95.3, 90.1 and 87.0; paraphrase symmetry at 15 percent scoring 85.0, 84.2 and 99.0; and knowledge and abstention at 15 percent scoring 60.3, 58.6 and 59.0, footnoted to the Artificial Analysis Decision Index v2 of 8 November 2026.

董事会公布但新闻稿未公布的四项限定条件

Artificial Analysis 异常明确地说明了其自身的最高分并不意味着什么,而宣布 v2 的文章用平实的语言逐一阐述了这几点。

第一点是准确性。“GLiDE v1.2 在准确性指标上领先 Drex Max v1.1(60 对 58),而 Drex Max v1.1 在 Decision Index 上略占优势。”Drex 之所以赢得综合评分,是因为它校准得更好,而不是因为它答对了更多题。如果你的流水线丢弃了概率、只保留 argmax,那你买到的只是模型中董事会并未奖励的那一部分。

第二点是改写下的一致性。Mammoth 27B 在 AA-Symmetry 的各种变体中,对 99% 的问题选择了相同答案;Drex Max v1.1 为 91%,GLiDE 为 88%。Drex 仍远好于它过去的水平,也领先于 Jev,但“同一个问题换两种说法会得到同一个答案”是 Mammoth 具备而 Drex 尚未完全具备的特性。

第三个是“全有或全无”的文档测试。Drex Max v1.1 在 AA-Paperclip 上单题正确率达 97%,但文档通过率只有 63%,因为十五道题中错一道就整份文档不合格。在 71% 的文档上,它的五项决策全部正确;在 88% 的文档上,它的十项抽取全部正确。通用语言模型 Claude Haiku 5.5 (Max) 的通过率为 92%。单题正确率 97% 与文档通过率 63% 之间的落差,正是把十五个相互依赖的调用串联起来、却不加校验器所要付出的代价。

第四个是弃答。在全知评测中,d1-ultra 对 88.6% 的无法回答的问题选择弃答而非猜测;Drex Max v1.1 为 65.3%;Microsoft-Decision-1 为 21.7%。Drex 是一个宁可强行作答也不愿弃答的模型,当有人类审核低置信度的长尾问题时这没问题,而无人审核时则代价高昂。

成本列是 Nace 最有力的优势。

在同一榜单上每 100 万个任务的成本: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。在决策模型之上,GPT-6 Luna (Max) 的成本为 $1,530,Claude Haiku 5.5 (Max) 为 $6,240,仅换来三到四个指数点。

这一差距的一部分来自 token 价格,另一部分来自计费形态,而榜单将二者区分开来。Drex Max v1.1 和 Decider v1.2 对文档只评估一次,并基于这一次处理回答所有问题,因此一个 AA-Paperclip 任务大约使用 9,000 个输入 token。GLiDE v1.2 和 Decider Flash v1.2 会针对每个问题再次对输入计费,每个任务约 63,000 个 token,这就是为什么 GLiDE 在 $0.04 的标价下达到 $780——在 token 费率高出 33% 的情况下,成本几乎是 Drex 的八倍。Nace 自己的表格报告“每 1,000 次决策 $0.03”,而榜单报告每 100 万个任务 $102;这些是衡量不同工作负载的不同单位,只有后者才能让你跨模型比较。

Nace 的产品页面还以“比 Claude Haiku 5.5 (Max) 快 118 倍”为标题。这应被视为厂商基于自家分母提出的声明。董事会的单位是每任务耗时,其中 Drex Max v1.1 为 275 毫秒,而 AA 的报告将 GPT-6 Luna (Max) 列为 11.34 秒——约为 40 倍。两个数字可以同时成立,因为一个只计算单次决策,另一个则计算整份十五个问题的文档。请按每任务数据来规划容量。

id 正是会破坏你集成的那部分

Nace 的文档里有三件事,如果你在接入客户端之后才发现,就会浪费一个下午。

• drex-latest 并不指向 Max 模型。它解析为 drex-v2.0,这是一个开放权重的纯文本专家混合模型,在同一榜单上得分为 63.43。完全省略 model 的请求也由 drex-v2.0 应答。如果你复制了一个设置 TYPESAFE_DEFAULT_MODEL=drex-latest 的快速入门——而且 Nace 自己的 Jev 兼容性说明也让你这么做——那你就是在调用错误的模型,并且会看到指数下降 10 分,却没有任何错误。

• drex-max 自 2026 年 11 月 8 日起已停用,改由 drex-max-v1.1 按其限额和价格提供服务。现有客户端仍可继续使用;响应中会报告后继者的 id。新任务应显式发送 drex-max-v1.1。

• 上下文数值有两处不同的表述。API 指南称每个问题为 131,072 个 token,且计入图像 token;模型参考则称整个打包请求的输入上限为 262,144 个 token,其中包括状态、全部八张图像、每个问题以及模型的格式化内容。除非你已经测试过较大的数值,否则请按较小的数值来规划容量。

Screenshot of Nace's Drex model reference page, showing the documentation sidebar covering the Drex API, guides, the Drex Max section and the Drex reference pages for Models, Errors, Limits and Pricing, with the Models page open and described as the table of models Drex serves, their API ids, prices and token limits.

这些都不是缺陷。它们是就地版本化留下的普通残留物,也正是因此,模型上的发布日期比名称中的版本号更重要。

如果你今天做选择,这意味着什么

Drex Max v1.1 不在我们提供的任何路由上。OrcaRouter 目录未收录它,本文任何内容都不应被解读为可用性声明——Nace 通过自有 API 和自有控制台销售它,发布期内每百万输入 token 0.03 美元,较 0.06 美元的标价低 50%。目录确实收录的是 作为该模型对标基准的现有方案:TypeSafe Jev 1.14 是一条已列出的路由,价格为每百万输入 token 0.042 美元,它具有相同的类型化问题请求结构,并在同一榜单上得到 66.96 分。同时运行两者意味着两份合同和两套 SDK,这才是对比测试的真实成本,也是人们通常转而通过路由器进行比较的原因。

对 73.4 的诚实解读,比“最佳决策模型”要窄。Drex Max v1.1 是在一个 45% 为私有、且仅有两天的榜单上的最佳综合得分;它以很大优势成为达到该得分的最快模型,并且在帕累托前沿上位列第三便宜。它不是最准确的,不是最一致的,也不是最愿意弃答的。这四项中哪一项重要,完全取决于人类是否能看见低置信度尾部——而这个问题不在任何排行榜上。

什么会改变这一判断:第二个独立榜单复现出 73.4,或者出现一个将 HLE-MultiChoice 准确率提升到 Jev 的 12.77% 以上的 v1.2。两者目前都不存在。在其中之一出现之前,要引用的数字就是 73.4,并附上“narrow”一词。