Gemini Decision 1 对比 Drex Max v1.1：两者均可读取 262K Token，但只有一方会统计文档

将 Gemini Decision 1 和 Drex Max v1.1 并排比较，规格表几乎重合：两者都是决策模型，都有 262,144 token 的上下文窗口，都能在读取文本的同时读取图像，也都返回概率而非散文式回答。差距只在一处显现。在 Artificial Analysis Decision Index v2.1 的文档决策组件中——这项权重为 30% 的测试要求模型从单份高密度文档中提取五项决策和十条事实，并把这十五项全部答对——Drex Max v1.1 通过了 63% 的文档，而 Gemini Decision 1 通过了 33%。这一单项很大程度上解释了一个得 73 分、另一个得 66 分的原因。

其余的差异是你可以据此采取行动的算术。Drex Max v1.1 每百万输入 token 收费 $0.03，而 Gemini Decision 1 收费 $0.10；在一百万个任务上，这相当于 $103 对 $345。而且 Gemini Decision 1 在共享输入上每个请求最多可承载 1,000 个问题，而 Drex Max v1.1 期望一个状态附带少量问题。这些数字中哪一个决定你的选择，完全取决于你的决策是一次一份文档地到来，还是一次四十条规则地到来。

同一个想法的两种不同形态

两个模型都拒绝生成文本，而且二者都有一个对成本建模很重要的共同特性：输入只读取一次，每个问题都针对该输入进行评分。它们的不同之处在于允许你把什么放入该输入。

• 答案类型 — Drex Max v1.1 提供 choice、noul 和 score，这是 TypeSafe 的 Jev 定义且 Nace 采用的请求形态。Gemini Decision 1 提供同样的三种类型，其中 choice 有 2 到 255 个选项，评分标准有 2 到 255 个等级，建议 2 到 10 个。

• 每次调用的问题数——Gemini Decision 1 最多 1,000 个，每个问题都在一次处理中独立评估，密钥由你提供；Drex Max v1.1 则为每个状态少量几个，其工作单元是一个条目及其问题。

• 模态 — Gemini Decision 1 接受文本、图像、视频、音频和 PDF；Drex Max v1.1 每次请求接受文本和最多八张图像。两者都不接受问题指令中的媒体；在 Gemini Decision 1 上，这是一项有文档记录的限制，因此媒体应放在共享输入中。

• 窗口 — Gemini Decision 1 在共享输入和所有问题合计共 262,144 个 token；Drex Max v1.1 记录每个问题 131,072 个 token，其中图像 token 计入该额度，并且打包请求的上限为 262,144。

• 计费 — Gemini Decision 1 每百万输入 token 收费 0.10 美元，并明确对重复的共享输入全额重复计费，不提供缓存，也不提供 Batch API。Drex Max v1.1 每百万输入 token 收费 0.03 美元；当 vv1.1 原地替换 v1 时，Nace 将该费率减半。

• 访问 — Gemini Decision 1 在 v1beta 版 Gemini 开发者 API 上提供，含免费套餐，且从第 2 层级起每日请求无限制。Drex Max v1.1 由 Nace.AI 托管，位于 POST /v1/systemone，无不可下载的检查点。

把那份清单当作一句话来读：Drex Max v1.1 是为一块屏幕或一个页面，以及关于它的少量判断而构建的；Gemini Decision 1 则是为大型上下文和大型规则手册而构建的。1,000 个问题的上限并不是规格表上的花哨点缀。它决定了一个模型是在每次请求中要调用四十次，还是只需调用一次，这正是两者之间的区别。

6.6个百分点的差距究竟从何而来

决策指数对六项评估进行加权，两个模型都已在全部六项上运行。把它们的各个组成部分对齐来看，比只看综合得分更有信息量：

• AA-Paperclip，30% — Drex Max v1.1 72.8，Gemini Decision 1 56.8。每份文档十五个答案，全有或全无。这就是决定排名的十六分差距。

• EvalSafe-O*NET-AA，15%—— 88.3 对 87.1。实际上打平。

• When2Call，10% — 95.3 对 80.5。Drex Max v1.1 在本场排名第二；Gemini Decision 1 在十八个中排名第十四。

• AA-Omniscience-Decision v1.1, 15% —— 60.3 对 66.3。Gemini Decision 1 拿下这一项，其 44.8% 的原始准确率是榜单上所有决策模型中最高的。

• HLE-MultiChoice v1.1, 15%——46.6 对 48.7。很接近，两者都接近榜首，且原始准确率均为个位数。

• AA-Symmetry v1.1，15% — 79.8 对 70.5。Drex Max v1.1 在重排序和否定条件下有 53.3% 的时间保持其答案；Gemini Decision 1 为 38.3%。

这种模式是一致的。Drex Max v1.1 赢下了两个组件，它们测试的是决策是否可重复、结构是否稳健。Gemini Decision 1 赢下了另外两个组件，它们测试的是它是否掌握知识，以及是否知道自己何时不掌握。两者都是站得住脚的产品；它们回答的是关于决策模型用途的不同问题。

关于 Drex 数据有一点需要说明：Artificial Analysis 报告的每百万任务 103 美元反映的是临时发布价，而榜单脚注指出，标准价格会使成本翻倍。按标价计算，Drex Max v1.1 约为每百万任务 206 美元——仍远低于 Gemini Decision 1 的 345 美元，但已不再是后者的三分之一。延迟表现则相反：Drex Max v1.1 每任务 283 毫秒，而 Gemini Decision 1 为 211 毫秒，两者都慢于该领域 209 毫秒的中位数。

根据请求的形态来选择，而不是根据分数。

如果你的决策针对的是单一 artefact，且答案必须站得住脚，那就选 Drex Max v1.1。对扫描表单进行保险理赔分诊、基于截图的智能体控制（重新渲染后会再次询问相同的点击决策）、合同审查（其中颠倒的 yes/no 是真正的错误）。63% 的文档通过率和 53.3% 的对称性通过率，正是在这些场景中能回本的数字，而每百万输入 token 0.03 美元让规模化论证变得轻而易举。

如果你的决策是将规则手册应用于单个输入，或者输入不是文本和图像，就选择 Gemini Decision 1。在一次调用中对一张支持工单执行四十项策略检查，是 Gemini Decision 1 有文档说明而 Drex Max v1.1 没有的工作负载——而且如果输入是通话录音或 PDF，这两者中只有一个能读取它。Google 的文档在列出其支持的一项能力的同时，还列出了十四项不支持的能力，因此在正式采用前很容易验证是否适合：校准决策，其余全部关闭。

两者都不选；不过，如果决策取决于规模化后的成本，那就另当别论。Gemini Decision 1 既没有 Batch API，也没有上下文缓存，这意味着每晚扫描一百万张历史工单都要按全价计费，而且每次都会重新读取政策文档。Drex Max v1.1 的发布定价是临时性的。目前这两款产品都没有提供能让回填变得便宜的折扣结构，而对任何要核算一年工单成本的人来说，这一点比六个指数点更重要。

同时运行两者，无需第二份合同

OrcaRouter 这两者都不提供。二者都是仅提供概率的端点，而非 chat-completions 目标，我们如实说明这一点，而不是暗示相反——目录中的决策模型条目是 TypeSafe 的 typesafe/jev-1.14，它在同一榜单上以 66.23 位于本文这两个模型之间。

一场选型对比真正让你付出的成本，是永远不出现在基准测试里的那部分：两套 SDK、两套密钥管理方案、两套需要权衡的速率限制。这就是为什么决策流水线中生成的那一半应该放在路由器后面，即使评分那一半不能这么做。起草候选答案、编写评分标准或生成待评分摘要的那次调用，正是你希望在一个下午内更换供应商的调用——一个端点、200 多个模型，供应商目录价按 0% 加价透传，以及供应商降级时的故障转移。把评分调用直接指向 Google 或 Nace，并让写作调用保持可移植。你无法路由的模型是便宜的那部分；你能路由的模型才是你会想更换的那个。

如果你确实要在自己的标注数据上测试两者——你应该这么做，因为两家供应商都没有针对你的数据发布校准曲线——那就用同一组 200 份文档和同一套问题分别运行它们，并比较通过率，而不是指数。榜单上 Paperclip 的 30 个百分点差距是一个强先验。它不是对你文档的测量。