这条涉及模型能力对比，我先把 “哪个模型、哪张榜单、什么口径” 核实清楚，尤其要确认 3 分、40 倍、1/15 分别指什么。
这条消息的源头是一次榜单更新。2026 年 11 月 8 日，AI 模型评测机构 Artificial Analysis 更新了它的决策模型榜单 Decision Index v2，专业决策模型 Drex Max v1.1（Nace AI）和 GLiDE v1.2（Fastino Labs）同得 73 分并列第一，Baseten 的 Mammoth 27B 以 72 分紧随其后；把通用语言模型放进来比，Anthropic 的 Claude Haiku 5.5（Max）得 77 分、OpenAI 的 GPT-6 Luna（Max）得 76 分，占据前两名。于是 “只差 3 分” 指的是 76 分对 73 分，“快 40 倍、成本 1/15” 指的是 GPT-6 Luna（Max）与 Drex Max v1.1 的单任务耗时之比和每百万项任务成本之比。算一下确实对得上：11.34 秒除以 275 毫秒约等于 41 倍，1530 美元除以 102 美元正好等于 15 倍。但有一个数字被标题盖掉了 —— 在真实文档测试 AA-Paperclip 里，Drex Max v1.1 的整体文档通过率是 63%，GPT-6 Luna 是 86%，Claude Haiku 5.5 是 92%，差了整整 23 个百分点。综合分接近，不等于每份文档都能过。
一、先把榜单和口径钉住，别把三件事揉成一件
| 位置 | 模型 | 出品方 | Decision Index v2 得分 |
|---|---|---|---|
| 第 1（含通用模型） | Claude Haiku 5.5（Max） | Anthropic | 77 |
| 第 2（含通用模型） | GPT-6 Luna（Max） | OpenAI | 76 |
| 第 1（仅专业决策模型） | Drex Max v1.1 | Nace AI | 73 |
| 并列第 1（仅专业决策模型） | GLiDE v1.2 | Fastino Labs | 73 |
| 第 2（仅专业决策模型） | Mammoth 27B | Baseten | 72 |
需要分清的三层：
- 榜单层：这是 Artificial Analysis 的一家评测，它的测试集构成、权重、评分公式都可查，但不等同于所有真实业务。
- 排名层：“第一” 有两个版本 —— 全体模型第一是 Claude Haiku 5.5，专业决策模型第一是 Drex Max v1.1 与 GLiDE v1.2 并列。标题里的 “杀到身后” 说的是后一种。
- 口径层：3 分、40 倍、1/15 这三个数，全部是 Drex Max v1.1 对 GPT-6 Luna（Max），不是对整个榜单，也不是对 GPT-6 旗舰 Astra。
二、“只差 3 分” 这个分是怎么算出来的，为什么这次不能和上版比
这版榜单最大的变化是评分方式改了：把模型对自己答案的置信度算进了分数。这点必须知道，否则 “3 分” 会被误读成 “能力接近”。
| 评分要素 | 规则 |
|---|---|
| 单题分值 | 0 到 100 分，答对得 50 分以上，答错低于 50 分 |
| 单题公式 | 50×(1+c−(p−c)²)，p 为模型给所选答案的概率，c 为是否正确（对 = 1，错 = 0） |
| 全卷等价式 | 50×(1+Accuracy−Brier Score) |
| 校准指标 | 布里尔评分（Brier Score），越低说明 “说的把握” 和 “实际正确率” 越贴合 |
| 设计意图 | 模拟真实用法：置信度够高才自动执行，不够就转人工或升级大模型 |
这解释了两件事。第一，分数高不等于答对多，也可能是 “敢说自己不知道”。榜单里 Elephant 9B、Clef-Omni、Drex Max v1.1、Drex 2.0 的布里尔评分并列最低，都是 0.16，校准最好；Clef 是 0.23、Mercury Decide 是 0.26，校准偏弱。第二，Artificial Analysis 自己也提示：部分模型在 “换个说法还答不答得一样” 这项测试上得分高，跟它们弃答率高有关—— 遇到不确定就承认不知道，一致率自然好看。
测试集也动了刀：新增 AA-Paperclip（占 30%）和 AA-Symmetry（占 15%），私有数据集占比从 25% 提高到 45%，AA-Omniscience-Decision 和 HLE-MultiChoice 的权重从 25% 降到 15%，When2Call 从 25% 降到 10%，WildGuardTest 因为饱和被移出。权重变了、公式变了，所以这版的 73 分和上一版的 73 分不是同一个东西，不能跨版本横向比。
三、“快 40 倍、成本 1/15” 到底在比什么
这是标题里最实的部分，但要看清比较对象是 “每百万项任务” 和 “单任务耗时”，不是 Token 单价。
| 指标 | GPT-6 Luna（Max） | Drex Max v1.1 | 倍数关系 |
|---|---|---|---|
| Decision Index v2 得分 | 76 | 73 | 差 3 分 |
| 每百万项任务成本 | 1530 美元（约 1.03 万元） | 102 美元（约 681 元） | 15 倍 |
| 单项任务耗时 | 11.34 秒 | 275 毫秒 | 约 41 倍（文中取 40 倍） |
同一个逻辑下还有两个更极端的对照：
- Claude Haiku 5.5（Max）：每百万项任务 6240 美元（约 4.19 万元），是 Drex Max v1.1 的 61 倍；单任务 32.65 秒，是后者的 119 倍。得分只高 4 分。
- Mammoth 27B：得分 72，与 GPT-6 Luna 只差 4 分，但速度比它快 118 倍。
- Celeris-1.1 Decision：单任务 56 毫秒，是榜单里最快的，每百万项任务成本仅 14 美元（约 94 元），也是最便宜的。
顺带一句口径提醒：这里说的 “成本” 不是厂商价目表上的 Token 单价。按 OpenAI 官方定价，GPT-6 Luna 是输入每百万 Token 0.10 美元、输出每百万 Token 0.50 美元；每百万项任务1530美元是评测按实际 Token 消耗折算出的任务级成本，两者不是一个层级，不能互换引用。
四、综合分接近，不代表每份文档都能过
这是整条消息里最该补上的一块。AA-Paperclip 是新增的头号测试项，占 30% 权重，专门考 “给你一份真实文档，能不能把里面的决策和事实都弄对”：
| 模型 | 文档整体通过率 | 说明 |
|---|---|---|
| Claude Haiku 5.5（Max） | 92% | 单项答案正确率 99% |
| GPT-6 Luna（Max） | 86% | — |
| Drex Max v1.1 | 63% | 单项答案正确率 97%，但只有 71% 的文档答对全部 5 道决策题 |
测试规则是硬性的：1500 份文档，每份含 5 道决策题和 10 道事实提取题，全部答对才算通过。所以 Drex Max v1.1 的问题不在 “单题会不会”，而在 “连对”。它单项正确率 97%，跟 Haiku 的 99% 只差 2 个百分点，但因为要求一串全对，整体通过率就掉到 63%。
这也正是 “只差 3 分” 和 “差 23 个百分点” 能同时成立的原因：Decision Index 是加权综合分，AA-Paperclip 是 “全对才过” 的串行任务。前者衡量平均表现，后者衡量稳定性。做决策模型选型时，串行任务能不能连对，往往比综合分重要得多。
五、专业决策模型内部，成本差得比想象中更狠
“决策模型便宜” 这个印象，只在部分模型上成立。榜单内专业决策模型的成本跨度超过 60 倍：
| 模型 | 每百万项任务成本 | 备注 |
|---|---|---|
| Celeris-1.1 Decision | 14 美元（约 94 元） | 最低，速度也最快（56 毫秒） |
| Decider v1.2 | 68 美元（约 454 元） | 处于帕累托前沿 |
| Drex Max v1.1 | 102 美元（约 681 元） | 处于帕累托前沿 |
| Decider Flash v1.2 | 196 美元（约 1309 元） | 单价只有 Decider v1.2 的一半，总成本却是 3 倍 |
| GLiDE v1.2 | 780 美元（约 5208 元） | Token 标价只比 Drex 高 33%，总成本却是 7.6 倍 |
| Clef | 859 美元（约 5772 元） | 最高，是 Celeris 的 61 倍以上 |
两个 “看着便宜、算下来不便宜” 的典型，原因都在调用方式：
- GLiDE v1.2：每道题都要重新输入整份文档，无法在同文档多题之间复用输入。AA-Paperclip 里它平均每题吃约 6.3 万输入 Token，Drex Max v1.1 只要约 9000 个。
- Decider Flash v1.2：同样是逐题重复调用、重复计入文档输入成本。
结论很直白：决策模型的实际账单，一半看单价，一半看你怎么调。同一份文档问 5 道题，复用输入的模型和逐题重输的模型，成本能差出好几倍。
六、这个品类为什么突然集体冒头
不是榜单带火了这个品类，是 Agent 把它推到了台前。
- Agent 里全是小判断。一次任务里有几十次分支：路由到哪个模型、这个工具调用放不放行、继续还是停、要不要转人工。这些判断答案空间有限、调用量极大、又全在关键路径上。
- 用前沿大模型做这些判断，账算不过来。延迟按秒叠加、账单按 Token 叠上去。微软在自己的发布博客里说得很直接：Agentic AI 成为现实后，成本成了人们决定怎么用 AI 的主要因素。
- 供给已经铺开。微软 10 月 9 日发布 Microsoft-Decision-1（基于 Qwen3.5-9B 后训练，输入每百万 Token 0.042 美元、输出免费，官方称比 GPT-6 Sol 快 35 倍）；OpenAI 在开发者大会推出 Decisions API（由 GPT-6 Luna 驱动，输入每百万 Token 0.10 美元，不收输出和缓存费）；vLLM 一口气放出 6 款决策模型；TypeSafe 的 Jev 以每百万 Token 0.042 美元的输入价，在 24 天内把估值从约 2 亿美元推到 75 亿美元。
- 一个容易被忽略的事实：这一批决策模型绝大多数是不同版本的千问（Qwen）后训练出来的。也就是说，这更像 “小模型特化” 而不是 “新架构突破”—— 能力上限来自底座，成本优势来自任务被收窄。
七、结论
- 数字层面：3 分、40 倍、1/15 三个数算得对，但它们只对应一组比较 ——Drex Max v1.1 对 GPT-6 Luna（Max），且后者的 “Max” 是最高推理档，成本与耗时都被这一档拉高了。
- 口径层面：这版榜单改了评分公式（纳入置信度与布里尔评分）、改了权重（AA-Paperclip 占 30%、私有集升到 45%），所以分数不能和旧版比；同时 “每百万项任务成本” 不是 Token 单价，不能拿厂商价目表直接对。
- 能力层面：综合分差 3 分，但串行全对型任务差了 23 个百分点（63% 对 86%）。决策模型擅长 “单点判断便宜又快”，不擅长 “一串判断全都不能错”。选型要看你的任务是哪种。
- 趋势层面：真正的分水岭不是 “小模型追上大模型”，而是 “判断被拆成了一个独立、可计价的商品”。Agent 每天要做的判断成千上万次，当每次判断便宜到可以忽略，AI 的调用规模就不再取决于有多少人愿意打开对话框。
【相关 FAQ】
问题 1：这个决策模型和 GPT-6 只差 3 分，具体是哪两个模型、哪张榜单？
回答 1：指 Artificial Analysis 于 2026 年 11 月 8 日更新的 Decision Index v2 榜单。专业决策模型 Drex Max v1.1 得 73 分，通用语言模型 GPT-6 Luna（Max）得 76 分，两者相差 3 分；同榜 Claude Haiku 5.5（Max）以 77 分居首，比 Drex Max v1.1 高 4 分。
问题 2：说决策模型比 GPT-6 快 40 倍、成本只有 1/15，这个对比是怎么算的？
回答 2：对比对象是 Drex Max v1.1 与 GPT-6 Luna（Max）。单任务耗时 11.34 秒对 275 毫秒，约 41 倍（文中取 40 倍）；每百万项任务成本 1530 美元对 102 美元，正好 15 倍。需注意这里的成本是评测按实际 Token 消耗折算的任务级成本，不等于 OpenAI 价目表上 GPT-6 Luna 每百万输入 Token 0.10 美元的单价。
问题 3：决策模型综合分只差 3 分，是不是意味着它已经能替代 GPT-6 做决策了？
回答 3：不能这样推。在占 30% 权重的 AA-Paperclip 真实文档测试中，Drex Max v1.1 的文档整体通过率为 63%，而 GPT-6 Luna 是 86%、Claude Haiku 5.5 是 92%，相差 23 个百分点。该测试要求每份文档 5 道决策题和 10 道事实提取题全部答对才算通过，考验的是串行稳定性，而非单题平均表现。
问题 4：决策模型成本都很低吗，选的时候要注意什么？
回答 4：不是。Decision Index v2 内专业决策模型的每百万项任务成本跨度超过 60 倍，最低的 Celeris-1.1 Decision 为 14 美元，最高的 Clef 达 859 美元。而且实际账单很大程度取决于调用方式：GLiDE v1.2 因每题重复输入整份文档，Token 标价只比 Drex Max v1.1 高 33%，总成本却达到 7.6 倍。
【参考资料】
- [2026-11-10]（决策模型杀到 GPT-6 身后！只差 3 分，速度快 40 倍、成本仅 1/15）智东西
- [2026-11-08]（Artificial Analysis Decision Index v2 更新：决策模型得分、置信度校准、任务成本与耗时对比）Artificial Analysis
- [2026-11-09]（GPT-6 Sol 与 Luna 介绍：API 定价与推理档位）OpenAI
- [2026-10-10]（24 天估值暴涨 37 倍，这就是 AI 圈年度爽文）36 氪
- [2026-10-09]（Microsoft-Decision-1, our model for fast decision-making）Microsoft
- [2026-09-30]（GPT-6.1 Sol 深夜震撼发布！1/5 价格逼近 Astra）新智元
【免责声明】
本文数据来自智东西对 Artificial Analysis Decision Index v2 榜单更新的编译报道，以及 Artificial Analysis 榜单、OpenAI 官方模型页、微软与 36 氪公开报道。Decision Index v2 由单一评测机构发布，其测试集构成、权重与评分公式在 2026 年 11 月版中有调整（置信度与布里尔评分纳入计分、私有数据集占比升至 45%），因此该版本分数不宜与历史版本直接对比，也不等同于任何具体业务的真实表现。文中 “每百万项任务成本”“单项任务耗时” 为评测口径的折算值，与厂商 Token 价目表不是同一层级，不可互换引用。“只差 3 分”“快 40 倍”“成本 1/15” 均指特定模型在特定榜单上的对比结果，不代表全部场景。本文仅作信息整理与口径辨析，不构成模型选型、采购或投资建议，实际部署请以自身任务形态与官方最新文档为准。