一張為 Drex Max v1.1 生成的標題卡,副標題為「首度於 Artificial Analysis Decision Index v2 排名第一,領先 0.56 分」,卡片上的標籤顯示 73.4 Decision Index、每項任務 275 ms、每 100 萬項任務 $102,以及 262,144 個 token 的請求上限,另有一條排行榜橫幅顯示前三名決策模型分別為 73.4、72.8 和 72.4。
Guides & Insights

Drex Max v1.1 登上決策指數榜首——但董事會自身揭露的細節使這項勝利有所保留

作者

Gideon Frost

發佈日期

最新模型 · 20查看全部模型 →
基準測試:Artificial Analysis · 每日更新
返回全部文章

Drex Max v1.1,Nace.AI 的多模態決策模型,以 73.4 分在 Artificial Analysis Decision Index v2 中位居首位。它領先 Fastino Labs 的 GLiDE v1.2(72.8 分)0.56 分,領先 Mammoth 27B(72.4 分)0.94 分。這三個數字就是該榜單頂端的全部故事,也正是標題需要第二句話的原因:同一項評估指出,GLiDE 比 Drex Max v1.1 更準確,而 Mammoth 27B 在改寫措辭後更常維持相同答案。

模型本身今天並不新。Nace 自家的模型參考資料列出 drex-max-v1.1 於 2026 年 10 月 28 日發布,而已退役的 drex-max 識別碼自 11 月 8 日起便由 v1.1 回應。新的是量測結果。Artificial Analysis 於 2026 年 11 月 8 日、也就是本文發布前兩天,發布了 Decision Index v2,這是第一個獨立評測榜,以同一套工具將此檢查點與決策模型領域的其他模型進行評分比較。這就是新聞重點:不是發布,而是一個先前只有廠商自家數字的模型,首次獲得外部評分。

董事會現在實際衡量的是什麼

Decision Index v2 與十月時 Drex Max 所搭載、產生 64 的那項工具是不同工具,因此兩者不可比,任何人都不應將它們相提並論。v2 指數是六項評估的加權平均,其中 45% 現在建立於私有資料上,高於 v1 的 25%——這是刻意之舉,用以反制基準過擬合。

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,占指數的 30% —— 1,500 份私人文件(履歷、收據、發票、研究論文),每份都包含五項決策與十項待擷取的事實,並以整份文件計分,只有十五個答案全對才計入。

• EvalSafe-O*NET-AA,15% — 職場文件判斷,建構於 T​ypeSafe 的 O*NET 基準測試之上。

• AA-Omniscience-Decision v1.1,15% — 知識與幻覺,並將「我不知道」選項以十種方式改寫。

• HLE-MultiChoice v1.1,15% — Humanity's Last Exam 選擇題,亦包含拒答選項。

• AA-Symmetry,15% — 透過重新排序選項、互換標籤,以及將是/否題改為否定形式,將 120 道題目擴充為 440 種變化。

• When2Call,10% —— NVIDIA 的工具呼叫評測,較 v1 的 25% 下降。

主要指標也是新的。每道題的得分為 50 × (1 + c − (p − c)²),其中 p 是模型對其答案所給的機率,c 是該答案是否正確。總合起來就是 50 × (1 + 準確率 − Brier 分數)。模型會因為答對、且知道自己有多正確而獲得獎勵,而自信的錯誤會比猶豫的錯誤受到更重的懲罰。這點在這裡很重要,因為 Drex 的賣點是可校準的機率而非文字敘述,而這是第一個直接為校準度計分、而非把它當成附註的排行榜。

Drex Max v1.1 在哪些方面勝出、勝出多少,以及對手是誰

複合指標掩蓋了一個分裂的領域。拆開來看,Drex Max v1.1 的領先來自六個成分中的兩個,而其中一個正是 Nace 建立模型所針對的那個。

• AA-Paperclip(文件)— Drex Max v1.1 在決策分數上取得 72.8 分,63.0% 的文件完全正確;Liquid AI 的 d1-ultra 為 64.7 分與 51.3%,Microsoft-Decision-1 則為 51.8 分與 20.9%。

• When2Call(工具呼叫)— Drex Max v1.1 的 95.26,對上 Jev 1.14 的 84.39 與 Microsoft-Decision-1 的 87.95,是整個比較組中最大的單一評測差距。

• 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 為 84.18,基本上持平。

• AA-Omniscience-Decision — Drex Max v1.1 60.27,d1-ultra 64.39。這個結果方向相反,而且這是關於知識掌握而非決策的評測。

• HLE-MultiChoice — Drex Max v1.1 的 46.61 對上 Jev 1.14 的 44.47,但 d1-ultra 為 47.39,而原始準確率是 8.25%,對比 Jev 的 12.77%。

• 每項任務耗時 — Drex Max v1.1 為 275 ms,Jev 1.14 為 92 ms,d1-ultra 為 295 ms。Drex 是榜單上最快的前沿規模決策模型,但耗時約為運行成本最低的現有方案的三倍。

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.

董事會公布但新聞稿未公布的四項限制條件

{{1}}Artificial Analysis{{/1}} 異常明確地說明其自家最高分數不代表什麼,而宣布 {{2}}v2{{/2}} 的文章也以淺白語言逐項說明這些。

第一點是準確性。「GLiDE v1.2 在準確性指標上領先 Drex Max v1.1(60 對 58),而 Drex Max v1.1 則在 Decision Index 上略勝一籌。」Drex 能在綜合評分中勝出,是因為校準得更好,而不是因為答對更多。如果你的流程丟棄機率、只保留 argmax,你買到的就是董事會並未獎勵的那部分模型。

第二是改述下的一致性。在 AA-Symmetry 的各個變體中,Mammoth 27B 在 99% 的問題上選擇相同答案;Drex Max v1.1 為 91%,GLiDE 為 88%。Drex 仍明顯優於自身過去的水準,也領先 Jev,但「同一個問題用兩種方式表述會得到相同答案」這項性質,Mammoth 具備,而 Drex 尚未完全具備。

第三項是全有或全無的文件測試。Drex Max v1.1 在 AA-Paperclip 上個別答案答對 97%,但只有 63% 的文件通過,因為十五個答案中只要有一個錯誤,該份文件就不合格。它在 71% 的文件中正確做出全部五項決策,並在 88% 的文件中正確完成全部十項擷取。Claude Haiku 5.5 (Max) 是通用語言模型,通過率為 92%。97% 的答案與 63% 的文件之間的落差,就是在沒有檢查器的情況下串接十五個相依呼叫的代價。

第四項是棄答。在全知評估中,d1-ultra 對它無法回答的問題有 88.6% 選擇拒答而非猜測;Drex Max v1.1 為 65.3%;Microsoft-Decision-1 為 21.7%。Drex 是寧可給出答案也不願棄答的模型;當有人類審查低信心的尾部案例時,這沒問題,但若無人審查,代價就很高。

成本欄是 Nace 最強的一項。

同一個排行榜上每 100 萬項任務的成本: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。在上述決策模型之上,GPT-6 Luna (Max) 的成本為 $1,530,Claude Haiku 5.5 (Max) 為 $6,240,換取三到四個指數點。

這個差距有一部分來自 token 價格,另一部分來自計費方式,而看板會把兩者分開呈現。Drex Max v1.1 和 Decider v1.2 只評估文件一次,並從那一次處理回答所有問題,因此一個 AA-Paperclip 任務大約使用 9,000 個輸入 token。GLiDE v1.2 和 Decider Flash v1.2 則會針對每個問題再次計費輸入,每個任務約 63,000 個 token,這就是為什麼 GLiDE 在以 $0.04 定價的情況下會落在 $780——在 token 費率高 33% 的情況下,成本幾乎是 Drex 的八倍。Nace 自己的表格寫著「每 1,000 次決策 $0.03」,而看板則寫著每 100 萬個任務 $102;這些是不同的單位,衡量的是不同的工作負載,只有第二個能讓你跨模型比較。

Nace 的產品頁也以「比 Claude Haiku 5.5(Max)快 118 倍」為標題。請把這視為廠商說法,而且用的是廠商自己的分母。董事會採用的單位是每項任務的耗時:Drex Max v1.1 為 275 毫秒,而 AA 的報告把 GPT-6 Luna(Max)列為 11.34 秒——大約 40 倍。這兩個數字可以同時成立,因為一個算的是單次決策,另一個算的是整份十五題的文件。產能規劃請以每項任務的數字為準。

id 就是會讓你的整合壞掉的那個部分

Nace 的文件裡有三件事,若等到接好用戶端後才發現,會讓你多花一個下午。

• drex-latest 並不指向 Max 模型。它會解析到 drex-v2.0,這是一個開放權重、純文字的專家混合模型,在同一排行榜上得分 63.43。完全省略 model 的請求也會由 drex-v2.0 回應。如果你複製了設定 TYPESAFE_DEFAULT_MODEL=drex-latest 的快速入門指南——而 Nace 自家的 Jev 相容性指示也告訴你要這麼做——你就是在呼叫錯誤的模型,並且會看到指數下降 10 點,卻沒有任何錯誤。

• drex-max 自 2026 年 11 月 8 日起已停用,並由 drex-max-v1.1 以 v1.1 的限制與價格提供服務。現有客戶端仍可繼續運作;回應會回報後繼版本的 id。新工作應明確傳送 drex-max-v1.1。

• 上下文數字有兩種不同說法。API 指南說每個問題為 131,072 個 token,且會計入影像 token;模型參考資料則說整個打包請求的輸入上限為 262,144 個 token,包含狀態、全部八張影像、每個問題以及模型的格式設定。除非你已測試過較大的數字,否則請以較小的數字來規劃。

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.

這些都不是缺陷。它們是就地版本化留下的尋常碎片,也正是模型上的發布日期比名稱中的版本號更重要的原因。

如果你今天就要做選擇,這代表什麼

Drex Max v1.1 不在我們提供的任何路由上。OrcaRouter 目錄並未收錄它,此處任何內容都不應被解讀為可用性聲明——Nace 透過自家 API 與自家主控台販售,推出期間每百萬輸入 token 為 0.03 美元,較 0.06 美元定價低 50%。目錄確實收錄的是 這款模型所對比的現任方案:TypeSafe Jev 1.14 是已列出的路由,每百萬輸入 token 為 0.042 美元,具有相同的型別化問題請求格式,並在同一排行榜上獲得 66.96 分。同時執行兩者意味著兩份合約與兩套 SDK,這正是對比評測的真正成本,也是人們通常改為將比較放在路由器後面的原因。

對 73.4 的誠實解讀,比「最佳決策模型」要狹窄得多。Drex Max v1.1 在一個 45% 為私有、且才發布兩天的排行榜上擁有最佳綜合分數;它是達到該分數的模型中最快的,而且大幅領先;它在 Pareto 前沿上則是第三便宜。它不是最準確的,不是最一致的,也不是最願意棄答的。這四者中哪一項重要,完全取決於人類是否看得到低信心的尾部——而這個問題不在任何排行榜上。

什麼會改變這個解讀:第二個獨立榜單重現 73.4,或是有一個 v1.2 將 HLE-MultiChoice 準確率提升到高於 Jev 的 12.77%。兩者目前都還不存在。在其中一個出現之前,要引用的數字是 73.4,並附上「narrow」這個詞。