一張標題為「Drex Max v1.1 對 Liquid AI d1-ultra」的生成式比較卡,列項包括 Decision Index 73.4 對 70.4、文件決策分數 72.8 對 64.7、棄權率 65.3% 對 88.6%、每項任務耗時 275 ms 對 295 ms,以及每 100 萬項任務成本 $102 對 $132,頁腳則寫著 Artificial Analysis Decision Index v2,2026 年 11 月 8 日。
Guides & Insights

Drex Max v1.1 對決 Liquid AI d1-ultra:兩個多模態評分器,以及一個不再成立的頭條

作者

jinhao.song

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

Liquid AI d1-ultra於 2026 年 10 月 15 日推出,當時隨附的一句說法在當時站得住腳:它「在 Artificial Analysis 決策指數上以至少 8 分的差距優於所有其他決策模型」。三週後,Artificial Analysis 以 v2 取代了該指數,並用新資料重新評分十七個模型,d1-ultra 以 70.4 落居第五——落後於Drex Max v1.1的 73.4、GLiDE v1.2 的 72.8、Mammoth 27B 的 72.4,以及以 0.03 分之差勝出的 Perplexity Decider v1.2 的 70.5。八分的領先優勢已不復存在,而且這項優勢從未以此評量工具測量過。

這就是本次比較的框架,而值得精確說明它代表什麼、不代表什麼。這不代表 d1-ultra 變差了,而是排行榜在一個針對舊榜所作的宣稱之下發生了變化;這正是把排行榜名次當成模型本身屬性的常見風險。這兩者都是強大的多模態決策評分器,也比任何一家廠商的行銷所暗示的更接近,而且它們擅長的事情明顯不同。

在兩個模型一致之處,也就是大部分的表面

兩者都是嚴格意義上的決策模型:你送出一個狀態與具型別的問題,一次前向傳遞會回傳每個選項的機率,且不會生成任何文字。兩者都能同時接收影像與文字。兩者都回答相同的三種問題形式——從具名選項中擇一、是/否,以及量表上的分數。兩者僅對輸入計費,輸出不計費,因為沒有輸出。

• 模態 — Drex Max v1.1 可讀取文字、螢幕截圖、圖表、表單、掃描文件、照片和影片影格,每次請求可處理八張圖片。d1-ultra 可讀取文字、圖片,或兩者皆讀;Liquid 的發布範例是一張電路板照片,並對照其規格進行檢查。

• 每百萬輸入 token 價格 — Drex Max v1.1 在其上市期間為 $0.03(原價 $0.06,五折優惠),d1-ultra 為 $0.042。Nace 目前較便宜,但折扣結束後可能就不再如此。

• 圖片計費 — Drex Max v1.1 會將圖片 token 計入每題 131,072 token 的上限內。d1-ultra 每 32×32 像素區塊收取 1.5 個 token,因此一張 1024×1024 圖片需 1,536 個 token,且會將每個問題視為各自獨立的提示來計費,並包含所有圖片。

• 上下文 — Drex Max v1.1 每個問題為 131,072 個 token,整個打包請求為 262,144 個。Liquid 未公布可相比的每問題視窗。

• 供應狀況 — Drex Max v1.1 透過 Nace 的 API 與主控台銷售;d1-ultra 則透過 Liquid API 與主控台。兩者都不在我們的路由清單上,本文內容亦不構成我們對供應狀況的任何聲明。

d1-ultra 的每題計費規則是決定文件規模下成本的關鍵細節,而董事會已實測過這一點。Artificial Analysis 報告指出,Drex Max v1.1 在十五題文件任務中約需 9,000 個輸入 token,相較之下,對每題重新計費輸入的模型約需 63,000 個;而 d1-ultra 的每任務成本為 $132,Drex 則為 $102,接近兩者定價的比例,且略遜一籌。

電路板,逐個元件來看

綜合差距為 2.9 分。各組成部分的差距極不平均,而模式始終一致:Drex 在文件方面勝出,d1-ultra 則在知識掌握與拒絕回答方面勝出。

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

• 決策指數 v2 — Drex Max v1.1 73.39,d1-ultra 70.45。

• 準確度指數 — Drex Max v1.1 為 58.41,d1-ultra 為 54.94,這是剔除校正成分後的分數。

• AA-Paperclip 文件決策分數 — Drex Max v1.1 72.82,d1-ultra 64.69。十五題全對率:63.0% 對比 51.3%。

• When2Call 工具呼叫 — Drex Max v1.1 95.26,d1-ultra 93.83。兩者很接近,且都遠高於 Jev 1.14 的 84.39。

• AA-Symmetry 改寫釋義一致性 — Drex Max v1.1 84.96、d1-ultra 77.81,7 分的差距是整組中第二大的分歧。

• AA-Omniscience-Decision — d1-ultra 64.39,Drex Max v1.1 60.27。這是唯一一項排序會反轉的評測。

• HLE-MultiChoice — d1-ultra 47.39、Drex Max v1.1 46.61,但就原始準確率而言,d1-ultra 為 6.09%,Drex 為 8.25%。

• 棄答——d1-ultra 對其無法回答的全知問題中有 88.61% 會拒答,Drex Max v1.1 為 65.28%,Microsoft-Decision-1 為 21.74%。

• 每項任務耗時 — Drex Max v1.1 275 ms,d1-ultra 295 ms。

• 每 100 萬項任務的成本 — Drex Max v1.1 $102,d1-ultra $132。

請把「棄答」那一列讀兩遍,因為它解釋了「全知」那一列,而且是整張表上最不直覺的性質。d1-ultra 在「全知」上的決策分數較高,主要不是因為知識:它在該處的原始準確率是 28.0%,與 Drex Max v1.1 相同。它得分較高,是因為它更常說「我不知道」,而評分函數會為此給分。Mammoth 27B 與 Elephant 9B 出於同樣原因在對稱性評估中領先——Artificial Analysis 直言,Baseten 的模型「在各種問題變體中,始終能很有把握地承認自己不知道答案。」

那些都不是這個指標的缺陷。那是在說明你買的是什麼。當一個沒有答案的問題比一個錯誤答案更便宜時,d1-ultra 就是該選用的模型。當某件事必須帶回一個決定,而低信心的尾端要交給人處理時,Drex Max v1.1 就是該選用的模型。

A generated scoreboard headed 'Two multimodal scorers, five uneven gaps', listing Drex Max v1.1 against Liquid AI d1-ultra on document decision score at 72.8 versus 64.7, paraphrase symmetry at 85.0 versus 77.8, tool calling at 95.3 versus 93.8, knowledge and abstention at 60.3 versus 64.4, and abstention on unanswerable items at 65.3 percent versus 88.6 percent.

Liquid 自身的評估衡量了什麼,以及它沒有衡量什麼

Liquid 的發布貼文在「112 項獨立評估」中,將 d1-ultra 與 d1 及 Jev 1.14 相比,並回報它在每一項上都勝過 Jev,且在相同價格下具備更好的校準。那是廠商自行執行、且在廠商自選工具上進行的比較,對 Drex Max 隻字未提,而 Drex Max 並未出現在其中。八分指數的聲稱是相對於 2026 年 10 月 13 日發布的 Decision Index v1.0 提出——比 d1-ultra 存在早兩天——而該榜單從未列出 d1-ultra。

廠商確實有一項主張得到新排行榜的佐證:他們專門訓練 d1-ultra 使其不那麼過度自信,而校準結果在 omniscience 上為 64.39,對比 Jev 的 60.14,且在可比準確率下綜合分數比 Jev 高 2.0 分,這是真的。在同一測量工具上,d1-ultra 的 70.45 對上 Jev 1.14 的 66.96,是經獨立測量、相較現有產品真正的進步。

Screenshot of Liquid AI's d1-ultra announcement dated October 15, 2026, headed 'Introducing the World's Best Decision Model', describing the model as built for harder real-world cases such as spotting a defect on a circuit board against its spec or checking a damage claim against a customer photo, and stating availability on the Liquid API at $0.042 per million input tokens.

無法成立的主張是排名。在 v2 上,d1-ultra 在十七個之中排名第五,而排在它前面的四個模型全都在 3 分以內。前五名之間只差 3 分,這不是層級分明,而是一場取決於你的工作負載恰好偏重哪個元件才分出高下的平局。

實際上該執行什麼

兩個模型都是託管服務,也都不在我們的目錄上;要在它們之間做出誠實的選擇,正確做法是拿你自己的狀態做一場實測對決,而不是用任一家廠商的套裝評測。如果你真的要跑,就針對董事會會扣分的那一點來跑:全有或全無的文件。一個模型若個別答案有 97% 正確、文件完全正確率只有 63%,並不代表它比另一個 51% 的模型好上一倍;它的表現恰好等於十五個彼此相依的答案全都沒錯的機率,而這正是你的管線會實際遇到的情況。

路由器在這裡改變的,並不是在這兩者之間做選擇——我們兩者都不提供——而是圍繞它們的管線形狀。兩者都是位於某個負責寫入的元件上游的評分器。寫入步驟是一次通用模型呼叫,而這正是單一端點提供 200+ 個模型、以供應商牌價原樣轉嫁且不按 token 加價,並具備自動容錯移轉能實際替你省下一次整合的地方,因為你路由到的模型會比評分器更常變動。

如果你今天要找出一個偏好 Drex Max v1.1 的單一理由,那不會是那 2.9 分的綜合分數,而是它更快、每項任務成本更低,而且同一個問題用兩種方式措辭時,一致性高出七分——而一致性正是那種在生產環境中會悄悄失效、而不是在基準測試中大聲爆掉的特性。如果你要找出一個偏好 d1-ultra 的單一理由,那就是它會拒答。兩者都站得住腳。兩家廠商的主打說法都不是。