Artificial Analysis 发布 Decision Index v2：改用奖励「校准置信度」的 Decision Score，私有数据占比升至 45%，Drex Max v1.1 以 73 分险胜
11 月 8 日（北京时间 11 月 9 日早上），独立评测机构 Artificial Analysis 发布决策模型榜单 Decision Index 第二版。新版把头号指标换成同时看「答对没有」和「置信度准不准」的 Decision Score，私有数据占比从 v1 的 25% 提到 45%，新增 1,500 份私有文档的 AA-Paperclip 和测一致性的 AA-Symmetry。决策模型中 Nace AI 的 Drex Max v1.1 与 Fastino 的 GLiDE v1.2 同为 73 分，Drex Max 以小数微弱领先，Base Labs 的 Mammoth 27B 72 分。通用大模型 Claude Haiku 5.5 (Max) 77 分、GPT-6 Luna (Max) 76 分更高，但每百万任务成本分别为 6,240 和 1,530 美元，远高于 Drex Max 的 102 美元。
核心要点速览
- 新指标（官方榜单）：单题得分 = 50 ×（1 + c −（p − c）²），整体等于 50 ×（1 + 准确率 − Brier 分数），答对必高于 50、答错必低于 50，置信度在各自半区内拉开差距
- 权重重排：AA-Paperclip 30%、AA-Symmetry 15%、EvalSafe-O*NET-AA 15%、AA-Omniscience-Decision v1.1 15%、HLE-MultiChoice v1.1 15%、NVIDIA When2Call 10%（v1 为 25%），饱和的 WildGuardTest 被移除
- 决策模型前三（官方口径）：Drex Max v1.1 73、GLiDE v1.2 73、Mammoth 27B 72；通用模型 Claude Haiku 5.5 (Max) 77、GPT-6 Luna (Max) 76
- 成本差距超 60 倍：Celeris-1.1 Decision 每百万任务 14 美元、Drex Max v1.1 102 美元、Clef 859 美元；GLiDE v1.2 每道题重复计费输入，成本 780 美元，约为 Drex Max 的 8 倍
- 速度：Celeris-1.1 Decision 单任务 56 毫秒、Elephant 9B 70 毫秒；GPT-6 Luna (Max) 11.34 秒、Claude Haiku 5.5 (Max) 32.65 秒
关联模型 / 智能体 / 厂商:
⚡ Drex Max V1 1⚡ Glide V1 2⚡ Mammoth 27b⚡ Elephant 9b⚡ Celeris 1.1 Decision⚡ Claude Haiku 5.5⚡ GPT-6 Luna🌐 Artificial Analysis🌐 Nace AI🌐 Fastino Labs🌐 Base Labs🌐 Anthropic🌐 OpenAI🌐 NVIDIA🌐 TypeSafe
