
Drex Max v1.1 对比 Liquid AI d1-ultra:两个多模态评分器,以及一个不再成立的头条
- Orca新OrcaCyber: Hy4 Flash Abliterated / Uncensored2026-11-18$0.07 / $0.28 每百万 tokens · 180 tok/s
- tencent新Tencent: Hy4 Flash2026-11-16$0.02 / $0.07 每百万 tokens · 223 tok/s
- Google新Google: Gemini 4 Carbon2026-11-10$2.00 / $10.00 每百万 tokens · 89 tok/s
- Anthropic新Anthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 每百万 tokens · 98 tok/s
- orca新Orca: OrcaC2 1.02026-11-079 tok/s
- OrcaOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 每百万 tokens · 88 tok/s
- OrcaOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 每百万 tokens · 134 tok/s
- OrcaOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$2.00 / $5.00 每百万 tokens · 79 tok/s
- tencentTencent: Hy42026-11-04$0.83 / $2.50 每百万 tokens · 94 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 每百万 tokens · 118 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 每百万 tokens · 68 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 每百万 tokens · 94 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 每百万 tokens · 44 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447智能
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 每百万 tokens · 199 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929智能
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 每百万 tokens · 114 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733智能
- DeepSeekDeepSeek: DeepSeek V4.1 Flash 09102026-10-17$0.15 / $0.60 每百万 tokens · 311 tok/s
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740智能
Liquid AI d1-ultra于 2026 年 10 月 15 日发布,发布时附带了一句当时站得住脚的话:它“在 Artificial Analysis Decision Index 上以至少 8 分的优势优于所有其他决策模型。”三周后,Artificial Analysis 用 v2 取代了该指数,用新数据重新给十七个模型评分,d1-ultra 以 70.4 位列第五——落后于 Drex Max v1.1(73.4)、GLiDE v1.2(72.8)、Mammoth 27B(72.4),以及以 0.03 分之差排在 70.5 的 Perplexity 的 Decider v1.2。八分的领先优势已不复存在,而且它从未在这个测评工具上测量过。
这就是本次比较的框架,而值得精确说明的是它意味着什么、不意味着什么。它并不意味着 {{1}}d1-ultra{{/1}} 变差了。它意味着排行榜在针对旧榜单作出的一项断言之下发生了变化,而这就是把排行榜名次当作模型固有属性来引用时的常见风险。这两者都是强大的多模态决策评分器。它们之间的差距也比任何一家厂商的营销宣传所暗示的更小,而且它们明显擅长不同的事情。
在两个模型一致的地方,也就是表面的大部分
严格来说,两者都是决策模型:你发送一个状态和带类型的问题,一次前向传播就会为每个选项返回一个概率,并且不会生成任何文本。两者都可以同时接收图像和文本。两者都回答同样的三种问题形式——在命名选项中选择一个、是/否,以及在量表上打分。两者都只对输入计费,输出不计费,因为根本没有输出。
• 模态 — Drex Max v1.1 可读取文本、截图、图表、表单、扫描文档、照片和视频帧,每次请求八张图像。d1-ultra 可读取文本、图像或两者;Liquid 的发布示例是一张电路板照片,并对照其规格进行检查。
• 每百万输入 token 的价格——Drex Max v1.1 在发布期间为 0.03 美元(较 0.06 美元标价打五折),d1-ultra 为 0.042 美元。Nace 目前更便宜,但折扣结束后可能不再如此。
• 图像计费 — {{KEEP}}Drex Max v1.1{{/KEEP}} 将图像 token 计入每个问题 131,072 token 的上限之内。d1-ultra 按每 32×32 像素块 1.5 token 计费,因此一张 1024×1024 的图像计为 1,536 token,并且每个问题都作为独立的提示词计费,其中包含所有图像。
• 上下文——Drex Max v1.1 每个问题为 131,072 个 token,整个打包请求为 262,144 个 token。Liquid 未公布可比的每问题窗口。
• 可用性——Drex Max v1.1 通过 Nace 的 API 和控制台销售;d1-ultra 通过 Liquid API 和控制台销售。两者均不在我们的路线列表中,本文任何内容都不构成我们对其可用性的声明。
d1-ultra 上那条按问题计费的规则,正是在文档规模下决定成本的关键细节,董事会对此进行了测量。Artificial Analysis 报告称,在一项包含十五个问题的文档任务中,Drex Max v1.1 的输入 token 约为 9,000,而那些按问题对输入重新计费的模型约为 63,000——并且 d1-ultra 的每任务成本为 $132,而 Drex 为 $102,接近两者标价之比,且略差。
电路板,逐个组件来看
综合差距为 2.9 分。各分项差距极不均衡,而且模式一致:Drex 在文档方面胜出,d1-ultra 在知识掌握和拒绝回答方面胜出。

• 决策指数 v2 — Drex Max v1.1 73.39,d1-ultra 70.45。
准确率指数——Drex Max v1.1 为 58.41,d1-ultra 为 54.94,即剔除校准组件后的得分。
• AA-Paperclip 文档决策得分 — Drex Max v1.1 72.82,d1-ultra 64.69。十五项全对率:63.0%,相较 51.3%。
• When2Call 工具调用 — Drex Max v1.1 95.26,d1-ultra 93.83。很接近,且两者都远高于 Jev 1.14 的 84.39。
• AA-Symmetry 复述一致性 — Drex Max v1.1 为 84.96,d1-ultra 为 77.81,7 个百分点的差距是该组中第二大的差异。
• AA-Omniscience-Decision — d1-ultra 64.39,Drex Max v1.1 60.27。这是唯一一个排序发生翻转的评估。
• HLE-MultiChoice — d1-ultra 47.39,Drex Max v1.1 46.61,但就原始准确率而言,d1-ultra 为 6.09%,Drex 为 8.25%。
• 弃答——对于无法回答的全知问题,d1-ultra 有 88.61% 选择弃答,Drex Max v1.1 为 65.28%,Microsoft-Decision-1 为 21.74%。
• 每项任务耗时——Drex Max v1.1 为 275 毫秒,d1-ultra 为 295 毫秒。
• 每 100 万个任务的成本 — Drex Max v1.1 为 102 美元,d1-ultra 为 132 美元。
把弃权(abstention)那一行读两遍,因为它解释了全知(omniscience)那一行,而且是整个榜单上最不直观的属性。d1-ultra 更高的全知决策得分主要并不是因为知识:它在那里的原始准确率是 28.0%,与 Drex Max v1.1 相同。它得分更高,是因为它说“我不知道”的次数多得多,而评分函数会为此给分。Mammoth 27B 和 Elephant 9B 出于同样的原因在对称性评估中领先——Artificial Analysis 明确表示,Baseten 的模型“在不同问题变体下始终以高置信度承认自己不知道答案。”
这些都不是该指标本身的缺陷。这是关于你所购买的东西是什么的说明。当一个问题没有得到回答比一个错误答案代价更低时,d1-ultra 就是应当选择的模型。当必须带回一个决策、并且低置信度的尾部交由人工处理时,Drex Max v1.1 就是应当选择的模型。

Liquid 自身的评估衡量了什么,又没有衡量什么
Liquid 的发布文章在“112 项独特评估”中将 d1-ultra 与 d1 和 Jev 1.14 进行比较,并称其在每一项上都胜过 Jev,且在相同价格下具有更好的校准表现。那是在厂商选定的评测工具上、由厂商主导的比较,而且完全没有提及 Drex Max,后者并未出现在其中。八点指数这一说法是针对 Decision Index v1.0 提出的,该指数发布于 2026 年 10 月 13 日——比 d1-ultra 面世早两天——而该榜单从未列出 d1-ultra。
厂商确实提出了一个得到新榜单印证的说法:它专门训练 d1-ultra,使其不那么过度自信;而校准结果在 omniscience 上表现为 64.39,对比 Jev 的 60.14,并且在准确率相当的情况下综合得分比 Jev 高 2.0 分——这是真实的。在同一测试工具上,d1-ultra 的 70.45 对比 Jev 1.14 的 66.96,是相对于现有方案的真实提升,且为独立测量所得。

无法成立的说法是排名。在 v2 上,d1-ultra 在十七个模型中位列第五,而排在其前面的四个模型分差都在 3 分以内。前五名之间仅 3 分的差距并不是层级关系;这不过是由你的工作负载恰好更看重哪个组件所打破的平局。
到底要运行什么
两个模型都已托管,但都不在我们的目录中;要在二者之间做诚实的选择,正确方式是在你们自己的状态分布上做一场对比评测,而不是依赖任何一家厂商的测试套件。如果要跑,就跑董事会会扣分的那种东西:全有或全无的文档。一个模型即使单题正确率达到 97%、文档全对率达到 63%,也并不比文档全对率 51% 的模型好一倍;它的实际表现完全等同于十五个相互依赖的答案无一出错的概率,而你的流水线面对的正是这种情况。
路由器在这里改变的,并不是在这两者之间做选择——我们两者都不提供——而是围绕它们的流水线形态。两者都是评分器,位于某个负责写入的环节上游。写入步骤是一次通用模型调用,而正是在这一部分,一个端点支持 200+ 个模型、按提供商标价透传且不按 token 加价,并具备自动故障转移才真正为你省去一次集成,因为你路由到的模型会比评分器变化得更频繁。
如果你今天想找一个偏爱 Drex Max v1.1 的单一理由,那不是 2.9 分的综合得分,而是它更快、每项任务成本更低,并且当同一个问题用两种方式表述时,一致性高出七分——而一致性恰恰是在生产环境中悄然失效、而不是在基准测试中大声暴露的属性。如果你想找一个偏爱 d1-ultra 的单一理由,那就是它会拒答。两者都站得住脚。两家厂商的头条说法都站不住脚。
