Decision Index v2 把置信度算进得分：Drex Max v1.1 与 GLiDE v1.2 拿到 73 分，只比 GPT-6 Luna 低 3 分，成本却是它的十五分之一，单项任务速度快四十倍。专业决策模型第一次有了独立的成本价值。

AI 模型评测正在从“谁更聪明”转向“谁能以更低成本做出可靠决策”。Artificial Analysis 最新 Decision Index v2 中，专业决策模型 Drex Max v1.1、GLiDE v1.2 得分 73，Mammoth 27B 得分 72；通用模型 Claude Haiku 5.5（Max）为 77，GPT-6 Luna（Max）为 76。

通用模型只领先 3 到 4 分，却付出了更高成本和更长耗时：GPT-6 Luna（Max）每百万项任务约 1530 美元，是 Drex Max v1.1 的 15 倍，单项任务耗时约 40 倍；Claude Haiku 5.5（Max）每百万项任务约 6240 美元，单项耗时约为 Drex 的 119 倍。

对企业开发者来说，榜单真正传递的信号不是“通用模型没用了”，而是专业决策模型开始具备独立的成本价值：在文档审核、事实抽取、合规判断和工具调用等固定任务中，轻量模型可能比旗舰模型更适合规模化部署。

Decision Index v2测什么

新版 Decision Index 不只统计答对多少题，还把模型的置信度纳入决策得分。每道题得分为：

Decision Score = 50 × (1 + c – (p – c)^2)

其中，p 是模型给出所选答案的概率，c 表示答案是否正确，答对为 1，答错为 0。汇总后等价于：

Decision Score = 50 × (1 + Accuracy – Brier Score)

Brier Score 用于衡量置信度校准。如果模型答错却非常自信，会受到更大惩罚；如果不确定时主动转人工或升级到更强模型，实际系统可能更安全。

Decision Index v2 整合了 AA-Paperclip、EvalSafe-O NET-AA、AA-Omniscience-Decision、HLE-MultiChoice、AA-Symmetry 和 When2Call，覆盖文档决策、事实抽取、知识掌握、推理、答案一致性和工具调用。

AA-Paperclip 包含 1500 份简历、收据、发票及研究论文，每份文档有 5 道决策题和 10 道事实提取题，必须全部答对才算通过。新版还提高了私有数据集的占比，并移除已经接近饱和的测试项目。

专业模型只差1分，头部竞争已经很近

专业决策模型中，Drex Max v1.1 和 GLiDE v1.2 都拿到 73 分，Mammoth 27B 为 72 分。三款模型只差 1 分，说明专业模型在固定决策任务上的能力已经接近。

但综合得分接近，不代表每个维度相同。Drex Max v1.1 的单项答案正确率达到 97%，但在 Paperclip 中只有 71% 的文档完成全部 5 道决策题，88% 的文档完成全部事实抽取。模型可能“多数题答对”，却在整份文档级任务上失败。

AA-Symmetry 则测试模型面对不同措辞时能否保持答案一致。Mammoth 27B 得分 96，Elephant 9B 得分 93；部分模型的高分与较高弃答率有关，因为它们面对不确定问题时更愿意承认不知道。

这对企业系统很重要：可靠决策模型不只要准确，还要知道什么时候应该停止、转人工或升级。

通用模型更强，但成本和耗时更高

Claude Haiku 5.5（Max）和 GPT-6 Luna（Max）分别拿到 77 分和 76 分，领先专业决策模型 3 到 4 分。但性能差距带来了巨大的成本差异。

Mammoth 27B 与 GPT-6 Luna（Max）只相差 4 分，但任务速度快 118 倍。对于每天处理百万级文档的业务，少量精度差距是否值得几十倍成本，需要用真实业务损失计算，而不是直接选择最高分模型。

调用方式可能比Token单价更重要

专业模型的成本差距超过 60 倍。Celeris-1.1 Decision 每百万项任务约 14 美元，Drex Max v1.1 约 102 美元，Clef 则达到 859 美元。

差异不只来自 Token 单价，还来自文档输入是否复用。Drex Max v1.1 和 Decider v1.2 处理同一份文档的多道题时，可以只计算一次文档输入；GLiDE v1.2 和 Decider Flash v1.2 则会为每道题重新输入整份文档。

在 AA-Paperclip 中，GLiDE v1.2 每项任务平均需要约 6.3 万输入 Token，Drex Max v1.1 只需要约 9000。结果是 GLiDE 每百万项任务成本约 780 美元，接近 Drex 的 8 倍，尽管 Token 标价只高约 33%。

这给开发者一个直接提醒：优化成本时，先看请求结构和缓存策略，再看每百万 Token 单价。相同文档的多轮问题应该复用输入，能够缓存的上下文不要重复发送，评测和生产都要记录真实 Token 消耗。

给企业的模型路由建议

可以把决策任务分成三层：

1. 低风险高频任务：分类、字段抽取、规则匹配，使用低成本专业模型。
2. 中等风险任务：文档审核、合规判断、跨文档分析，使用具备良好置信度校准的专业模型，低置信度时转人工。
3. 高风险开放任务：复杂研究、异常案例和需要解释的决策，升级到通用旗舰模型或人工专家。

路由系统至少要保存模型版本、输入 Token、缓存命中、输出、置信度、升级原因、人工结果和最终业务结果。没有这些数据，企业只能看到账单，无法判断模型到底省了多少钱或造成了多少返工。

国内开发者如果需要将决策模型或 Claude Code 等工具接入兼容 API，可通过 [Code80]https://code.ai80.vip/home 配置 endpoint；模型路由、数据权限、密钥隔离、预算和生产审计仍应由项目侧管理。

常见问题

专业决策模型已经超过通用大模型了吗？

没有。通用模型在综合得分上仍然领先，但专业模型在固定任务中的成本、速度和置信度校准可能更有优势。

Decision Score为什么要加入置信度？

因为生产系统不仅需要答案，还需要知道答案是否可靠。模型答错却非常自信，会比明确表示不确定更危险。

为什么同样的Token单价，任务成本会差很多？

如果每道题都重新输入同一份文档，输入 Token 会重复计算。缓存和文档复用策略会显著影响最终成本。

企业怎样选择决策模型？

用真实业务数据比较准确率、文档整体通过率、置信度校准、响应时间、Token、人工升级率和错误损失，不要只看榜单总分。

什么时候应该升级到通用旗舰模型？

当任务开放性强、证据复杂、风险高或专业模型置信度不足时，可以升级到通用模型或人工专家，并记录升级原因。

国内开发者如何接入兼容 API？

可以通过 Code80 了解接入方式，同时自行管理模型权限、密钥、数据留存、调用预算和审计日志。