Artificial Analysis 发布 Decision Index v1.0，给决策模型建了个新榜单

一句话看懂：2026 年 10 月 13 日，Artificial Analysis 发布 Decision Index v1.0，首次用统一榜单评测“决策模型”这种一次调用输出多选项概率的新模型类别，并同时把大模型拉进来做对照。

事件核心：发生了什么

Artificial Analysis 在 2026 年 10 月 13 日推出 Decision Index v1.0，专门评测“决策模型”：这类模型针对一组固定选项，在一次调用里给出每个选项的概率，而不是像语言模型那样生成一段文字再解析答案。榜单由四个评测等权组成，各占 25%：知识幻觉基准 AA-Omniscience-Decision（500 道私有题，含“我不知道”选项）、推理基准 HLE-MultiChoice（513 道 Humanity’s Last Exam 文本选择题）、工具调用基准 When2Call，以及分类基准 WildGuardTest。

榜单同时收录大模型，但大模型只输出结构化答案、不提供每个选项的概率。首发成绩上，Jev 1.13 以 58 分排第一，GLiDE 和 Microsoft-Decision-1 均为 54 分。Jev 1.13 在 HLE-MultiChoice 上得 21 分，其他模型不超过 15 分；在 AA-Omniscience-Decision 上准确率 35，低于 Liquid AI 的 d1（41），但非幻觉率 35，d1 仅 2。When2Call 上 Jev 1.13 得 81 排第四，Celeris-1 Decision 和 GLiDE 以 84 领先；WildGuardTest 上得 94，与 Perplexity 的 Decider v1.1 27B 持平，落后 GLiDE 一分。费用方面，每百万任务成本从 17 美元到 199 美元不等，单任务中位耗时 0.06 到 0.5 秒。

为什么重要

决策模型切的是“快、便宜、可校准”的路线：一次调用选固定选项并给出概率，成本与延迟都低于让大模型做长推理。Decision Index 把准确率、非幻觉率、工具调用和安全分类放在同一张表里，还叠上成本与耗时，等于给企业采购和开发者选型提供了一套可比的坐标系。目前公开信息显示，这个榜单是首发版本，结果只适用于原文评测条件和当日模型状态，不是永久排名。

对用户/开发者/创作者的影响

对开发者，API 选型多了一个维度：如果业务是工单路由、安全分类、是否调用工具这类结构化判断，决策模型可能比通用大模型更省算力和延迟；但要注意榜单里不同模型在准确率和非幻觉率之间差异很大，例如 Jev 1.13 与 d1 的取向就相反。对企业采购，每百万任务 17 到 199 美元的价差意味着规模上去后成本敏感度很高。对普通用户和内容创作者，这类模型更适合藏在后台做分类和路由，短期内不会直接变成面向消费者的新应用。