بطاقة عنوان مولّدة بعنوان {{1}}‘المركز الأول، المركز الأخير، اللوحة نفسها’{{/1}}، وعنوان فرعي {{2}}‘Liquid AI d1.2-ultra - Decision Index v2.1، 16 نوفمبر 2026’{{/2}}. تقع بطاقتان مستديرتان جنبًا إلى جنب: تقرأ اليسرى {{3}}‘#1 من 24’{{/3}} فوق {{4}}‘Decision Index 75’{{/4}}، وتقرأ اليمنى {{5}}‘#24 من 24’{{/5}} فوق {{6}}‘دقة HLE 2.36%’{{/6}}؛ ويظهر تحتهما سطر تعليق نصه {{7}}‘نموذج واحد، ستة تقييمات’{{/7}}، وثلاث رقائق محددة الإطار مكتوب عليها {{8}}‘تم القياس بواسطة Artificial Analysis’{{/8}}، {{9}}‘سياق 66k’{{/9}} و{{10}}‘0.042 دولار لكل مليون رمز إدخال’{{/10}}. وشعار OrcaRouter مركّب في أسفل اليمين.
Guides & Insights

تتصدر Liquid AI d1.2-ultra مؤشر القرار بنتيجة 75 — وتحتل المرتبة الأخيرة في أحد اختباراتها الستة

الكاتب

jinhao.song

تاريخ النشر

أحدث النماذج · 20عرض جميع النماذج →
المعايير: Artificial Analysis · يُحدَّث يوميًا
العودة إلى جميع المقالات

Liquid AI d1.2-ultra هو أول نموذج في هذه الفئة يمنحه طرف غير الشركة التي بنته المركز الأول. منحته Artificial Analysis درجة 75 على Decision Index v2.1، وطبع ذلك الرقم على صفحة النموذج في لوحة التصنيف، وصنّفه أولاً من بين 24 نموذج قرار — بفارق 2.2 نقطة عن Drex Max v1.1 من Nace.AI عند 73. ويحل Liquid AI d1.2، النصف الأصغر من الإصدار نفسه، في المركز التاسع عند 69. طُرح كلاهما في 16 نوفمبر 2026، ما يجعل هذا أول إطلاق من Liquid AI تأتي فيه دعوى صدارة لوحة التصنيف مع لوحة مستقلة تضم النموذج بالفعل، بدلاً من رقم من المورّد يشير إلى لوحة سبقته.

تصنّف اللوحة نفسها أيضًا d1.2-ultra أخيرًا بين تلك النماذج الـ24 في HLE-MultiChoice، بدقة خام تبلغ 2.36%. والعبارتان صحيحتان في آن واحد، وقد قاستهما المنظمة نفسها على الأداة نفسها في اليوم نفسه، والمسافة بينهما هي أكثر ما يفيد في الإصدار.

لماذا يُعدّ هذا الادعاء الخاص بلوحة الصدارة نوعًا مختلفًا من الادعاء

في أكتوبر، أعلنت Liquid AI عن d1-ultra مع ادعاء احتلال المركز الأول مقاسًا بمؤشر Decision Index v1.0، وهو لوحة نُشرت قبل يومين من وجود ذلك الطراز. لم يكن بمقدور أحد التحقق منه، لأن الطراز لم يكن على اللوحة. ليس هذا ما حدث هنا. شغّلت Artificial Analysis نموذج d1.2-ultra بنفسها، على عتادها الخاص، عبر أداة الاختبار الخاصة بها، والنتيجة صف مصنّف يحمل ست درجات لمكوّنات ومنحنى معايرة مرفقًا. وعندما تقول Liquid إنه "الأعلى على المؤشر وأعلى بنقطتين من أفضل طراز قرار سابق"، فإن المؤشر وأفضل طراز سابق كلاهما علنيان وكلاهما يتفقان.

الإصدار 2.1 هو متوسط مرجّح لستة تقييمات، والأوزان ليست موزعة بالتساوي. يمثل AA-Paperclip نسبة 30%: 1,500 مستند خاص — سير ذاتية، وإيصالات، وفواتير، وأوراق بحثية — يحمل كل منها خمسة قرارات وعشرة حقائق، ويُقيَّم كمستند واحد لا يُحتسب إلا إذا عادت الإجابات الخمس عشرة كلها صحيحة. ويمثل كل من EvalSafe-O*NET-AA وAA-Omniscience-Decision v1.1 وHLE-MultiChoice v1.1 وAA-Symmetry v1.1 نسبة 15%. ويمثل When2Call، مجموعة استدعاء الأدوات من NVIDIA، نسبة 10%. تُقيَّم كل مسألة وفق 50 × (1 + c − (p − c)²)، حيث c هو ما إذا كان الاختيار صحيحًا، وp هو الاحتمال الذي خصصه النموذج له، وهو ما يتجمّع إلى 50 × (1 + الدقة − Brier score). الخطأ الواثق يكلّف أكثر من الخطأ المتردد، والنموذج الذي يقول 0.6 ويكون صحيحًا يحصل على نتيجة أفضل من نموذج يقول 0.99 ويكون صحيحًا.

من أين يأتي 75

A generated single-column scoreboard titled ‘Liquid AI d1.2-ultra - the scoreboard’, with six rows: Decision Index 75, first of 24; AA-Paperclip 75.8 with 67.7% of documents all-correct; AA-Symmetry 86.3, second of 24; When2Call 96.5, first of 24; HLE-MultiChoice 2.36% accuracy, last of 24; and Cost $133 per 1M tasks at $0.042 per 1M input tokens. The footer reads ‘All figures measured independently by Artificial Analysis, Decision Index v2.1; Liquid AI's own task accuracies are vendor-reported.’

عند تفكيكها، فإن المرتبة الأولى تحملها نتيجتا تقييم ويدافع عنها تقييم ثالث. أما البقية فغير ملحوظة أو أسوأ، وهو أمر يجدر معرفته قبل أن يتعامل أي شخص مع درجة مركبة على أنها وصف للنموذج.

• AA-Paperclip، 30% من المؤشر — يسجّل d1.2-ultra 75.81 في درجة القرار مع 67.7% من المستندات صحيحة تمامًا، وكلاهما الأول من بين 24. ويأتي Drex Max v1.1 في المركز الثاني بـ72.82 مع 63.0%، وSubQ Snap 1.2 في المركز الثالث بـ71.58. أما النموذج الذي يحل محله، Liquid AI d1-ultra، فقد كان عند 64.69 و51.3%.

• When2Call، 10% — يحتل d1.2-ultra المركز الأول عند 96.49، متقدمًا على SubQ Snap 1.2 عند 96.10 وd1.2 عند 96.09. كان استدعاء الأدوات بالفعل أقوى نقاط قوة هذا المجال؛ ويبلغ الفارق هنا نقطة ونصفًا بين أفضل عشرة.

• AA-Symmetry، 15% — في المركز الثاني بنسبة 86.34، خلف Mammoth 27B البالغ 88.25. وعلى المقياس الأكثر صرامة القائم على اجتياز جميع الحالات، تتغير الصورة: يحافظ Mammoth على الإجابة نفسها عبر إعادة الصياغة في 68.3% من الأسئلة، ويحافظ Elephant 9B على ذلك في 65.8%، وd1.2-ultra في 56.7%. المركز الثاني في الدرجة ليس مركزًا ثانيًا في الاتساق.

• EvalSafe-O*NET-AA، 15% — في المركز الثالث بـ89.53، خلف Jev 1.14 عند 91.14. هذا هو المكوّن الوحيد الذي لا يزال فيه نموذج أحد المنافسين متقدماً، وهو ليس قريباً بما يكفي لاعتباره مجرد ضجيج.

• AA-Omniscience-Decision v1.1، 15% — 60.80، وهو في منتصف الترتيب، وأدنى من 64.39 الذي سجله d1-ultra.

• HLE-MultiChoice v1.1، 15% — 46.36 في درجة القرار، لكن الدقة الخام 2.36%، وهي الأدنى بين الـ24 جميعًا. هذه الفجوة ليست تناقضًا؛ بل هكذا يبدو نموذج جيد المعايرة عندما يمتنع عن الإجابة عن كل شيء تقريبًا. معدل عدم الهلوسة لديه على المجموعة نفسها هو 76.1%، أي أنه قال بشكل صحيح إنه لا يعرف بدلًا من التخمين في ثلاث حالات من كل أربع.

المقياس الرئيسي الكامن خلف جميع المؤشرات الستة، ألا وهو درجة مؤشر الدقة المنفصل الخاص بـ AA، يضع d1.2-ultra في المرتبة الأولى عند 61.6، متقدماً على GLiDE v1.2 عند 59.4 وDrex Max v1.1 عند 58.2. ودرجة براير الخاصة به البالغة 0.150 هي الأفضل بين الـ24. النموذج لا يفوز لأنه مُعاير ولا شيء آخر؛ بل يفوز في المستندات والمعايرة معاً، وهو المزيج الذي صُمم المؤشر ليكافئه.

النتيجة التي تسير في الاتجاه المعاكس

ثمة نسخة من هذا الإصدار تُقرأ على أنها اكتساح كامل، وصف HLE-MultiChoice هو ما يدحض ذلك. فدقة خام بنسبة اثنين وثلث بالمئة في الاختيار من متعدد في Humanity's Last Exam ليست خطأ تقريب، ولا يفسّرها خيار الامتناع: فالنموذج يملك خيار الامتناع، وهو يختاره، ويُحتسب الامتناع كصدق لا كمعرفة. يجيب Decider v1.3 بشكل صحيح عن 15.32% من الأسئلة نفسها. ويجيب Drex Max v1.1 عن 8.25%. أما Liquid AI d1.2، النموذج الرخيص في الإصدار نفسه، فيجيب عن 5.30%.

تلك المقارنة الأخيرة هي الغريبة. في التقييمات كثيفة المعرفة، النموذج الأصغر والأرخص ليس هو الأضعف. يحصل d1.2 على 30.0% من أسئلة AA-Omniscience-Decision بشكل صحيح مقابل 23.6% لـ d1.2-ultra، وعلى 5.30% في HLE مقابل 2.36%. ما يشتريه d1.2-ultra بسنتين إضافيين لكل مليون توكن ليس المعرفة؛ بل معالجة المستندات والتناظر والمعايرة — النصف التشغيلي من المهمة. إذا كان عبء عملك هو الاستخراج من فاتورة ممسوحة ضوئيًا، فذلك التبادل صحيح بوضوح. وإذا كان يتمثل في الإجابة عن أسئلة صعبة عن العالم، فإن النموذج الأرخص في العائلة نفسها هو الأفضل بصورة قابلة للقياس، ولا شيء في منشور الإطلاق يقول ذلك.

تغيير الفوترة الذي لا يظهر في العنوان الرئيسي

الجملة الأكثر أثرًا في منشور Liquid هي قاعدة فوترة، وليست معيار أداء. فبموجب d1-ultra، كانت كل مسألة تُحتسب كطلب مستقل بما في ذلك جميع الصور المرفقة، لذا فإن طرح عشرة أسئلة حول صورة واحدة كان يعني الدفع مقابل الصورة عشر مرات. أما بموجب d1.2 وd1.2-ultra، فيُحتسب نص الطلب وصوره مرة واحدة، ولا يضيف كل سؤال إضافي سوى نصه الخاص.

خذ مستنداً من 2,000 توكن مع صورة واحدة بدقة 1024×1024، تكلّف 1,536 توكن بمعدل 1.5 توكن لكل رقعة بحجم 32×32 بكسل، وعشرة أسئلة قصيرة بحوالي 30 توكن لكل سؤال. بموجب القاعدة القديمة، يحمل هذا الطلب نحو 35,700 توكن. وبموجب القاعدة الجديدة، يحمل نحو 3,840 توكن. وبسعر 0.042 دولار لكل مليون توكن إدخال، يكون ذلك نحو 0.0015 دولار لكل طلب مقابل 0.00016 دولار — أي أرخص بأكثر من تسعة أضعاف بقليل للعمل نفسه وبالسعر المعلن نفسه. وعند 100,000 طلب شهرياً، يكون الفرق نحو 150 دولاراً مقابل 16 دولاراً. كلا الرقمين حسابان مستندان إلى وصف الفوترة الخاص بالمورّد نفسه، وليسا قياسات.

المواصفة الثانية التي تغيّرت هي نافذة السياق. تُدرج Artificial Analysis 66 ألف توكن لكلا طرازي d1.2، مقابل 33 ألفًا لـ d1-ultra. ولا يذكر منشور Liquid نافذة على الإطلاق، لذا فإن رقم 66 ألفًا هو قراءة اللوحة وليس مواصفة من المورّد، وهو لا يزال ضعف ما حملته النسخة السابقة. وبالنسبة لطراز تتمثل مهمته كلها في تسليم الحالة إليه، فإن هذا تغيير عملي أكبر من أربع نقاط في المؤشر.

خمسة أنواع جديدة من الإجابات، والصوت

إن إضافات القدرات إضافات تراكمية وليست إعادة بناء: نقطة النهاية نفسها، وبنية الطلب نفسها، وخمسة أنواع جديدة من الإجابات، ونمط إدخال جديد. يمكن للسؤال الآن أن يطلب قيمة تُقرأ من الصفحة — رقمًا أو تاريخًا أو اسمًا — تُعاد مع الأحرف التي قُرئت منها، أو «غير موجود» إذا كانت غائبة. ويمكنه أن يطلب كل نطاق من نوع معين مع مواضعه، وهي حالة PII. ويمكنه أن يطلب مربعًا حول كائن واحد أو مربعًا حول كل مثيل مع عدد. ويمكنه أن يطلب تقديرًا مرفقًا بنطاق. ويمكنه أن يطلب كل خيار منطبق، ولكل منها احتماله الخاص.

الصوت هو الإضافة الأخرى، ويعمل في كلا الاتجاهين: يمكن أن يكون التسجيل هو ما يدور حوله السؤال، أو يمكن أن يكون السؤال نفسه. وتفيد Liquid بأنه على تسجيلات محجوزة للاختبار، يجيب كلا النموذجين عن 95% إلى 97% من الأسئلة المتعلقة بالصوت الذي يسمعانه، من ESC-50، أو باللغة التي تُنطق، من FLEURS عبر 43 لغة، مع ثلاثة إلى ستة خيارات لكل سؤال وحالات التباس متقاربة مثل الإسبانية والبرتغالية ضمن المزيج.

أرقام الدقة الخاصة بالمهام الخمس الجديدة تأتي من مجموعات اختبار داخلية مبنية من تقسيمات محجوزة لمجموعات بيانات عامة، ويقول المورّد ذلك بصراحة، لأنه لا يوجد معيار أداء عام يغطي هذه المهام بعد. اقرأها على أنها تقييم المورّد نفسه: 98% و96% لقراءة قيمة من إيصال على CORD وSROIE، و94%/93% للدقة والاستدعاء مقابل 92%/88% لامتدادات PII على Nemotron PII، و94% لكليهما في تحديد موقع الكائنات عبر عائلة RefCOCO، و93% و92% في العد بفارق لا يتجاوز واحد عبر COCO، و87% مقابل 90% في اختيار كل كائن موجود — وهو الصف الوحيد الذي يفوز فيه النموذج الرخيص.

التحقق من المطالبة المالية

A headless-browser screenshot of the Artificial Analysis Decision Index v2.1 page, captured 17 November 2026 in English, headed ‘Artificial Analysis Decision Index v2.1’ and described as a composite index testing decision models across document decisions and extraction, tool calling, knowledge, reasoning and invariance, with a note that version 2.1 combines six evaluations starting with AA-Paperclip's 1,500 resumes, receipts, invoices and research papers.

عبارة التسعير الخاصة بـ Liquid قابلة للتحقق بشكل غير معتاد: "لا يوجد نموذج يحقق نتيجة أعلى من d1.2 بمال أقل، ولا يوجد نموذج يحقق نتيجة أعلى من d1.2-ultra بأي سعر." كلا الشطرين يصمد أمام لوحة النتائج. لا شيء على الإطلاق في مؤشر النماذج الـ24 يحقق نتيجة تتجاوز 74.85، لذا فالشطر الثاني صحيح بداهةً. أما الشطر الأول، فإن d1.2 يقع عند 68.69 و63 دولارًا لكل مليون مهمة؛ وكل نموذج يحقق نتيجة أعلى منه يكلف أكثر، وأقرب منافس رخيص هو Decider v1.3 عند 70.41 و68 دولارًا. الادعاء يصمد، ويصمد استنادًا إلى أرقام شخص آخر لا إلى أرقام Liquid، وهذا أندر مما ينبغي أن يكون.

تعود أرقام التكلفة نفسها إلى Artificial Analysis، التي تُجري كل تقييم بأسعار القائمة الحالية وتحتسب المتوسطات: 133 دولارًا لكل مليون مهمة لـ d1.2-ultra، وهو الحادي عشر من أصل 24 مقابل وسيط فئة قدره 135 دولارًا، و63 دولارًا لـ d1.2، وهو ثالث أرخص. أما زمن المهمة الواحدة فهو 218 مللي ثانية للنموذج الكبير و150 مللي ثانية للنموذج الصغير، مقابل وسيط فئة قدره 209 مللي ثانية — أي إن النموذج الرائد أبطأ قليلًا من المتوسط، والنموذج الرخيص أسرع بفارق مريح، وكلاهما أسرع بمرتبة قدر من النماذج التوليدية التي تظهر على اللوحة نفسها عند إحدى عشرة واثنتين وثلاثين ثانية لكل مهمة.

من أين يمكنك استدعاؤه، وما الذي تشغّله عليه.

كلا الطرازين متاحان اليوم على واجهة برمجة التطبيقات الخاصة بـ Liquid على api.liquid.ai/decisions/v1/systemone، ويُستدعيان باسم d1.2-ultra وd1.2، مع مفاتيح من Liquid console، وكلاهما متاح على Liquid playground. يقول منشور Liquid إن منصات إضافية تابعة لطرف ثالث قادمة؛ واعتبارًا من وقت كتابة هذا النص، فإن واجهة برمجة التطبيقات الخاصة بالمورّد هي المسار الموجود. لا يوجد أي من الطرازين في كتالوجنا، وهذا المقال ليس ادعاءً بتوفّر أيٍّ منهما.

ما هو موجود في كتالوجنا هو Jev 1.14، النموذج الذي يتقدّم في المكوّن الوحيد الذي لا يتقدّم فيه d1.2-ultra — EvalSafe-O*NET-AA، عند 91.14 مقابل 89.53 — ويُقدَّم عبر الشكل نفسه لنقطة نهاية systemone، بنصّ يدخل وJSON منظّم يخرج، بسعر $0.042 لكل مليون رمز إدخال. هذه المصادفة مفيدة: يمكن لفريق يقيّم هذا الإصدار أن يضع النموذج الجديد والنموذج القائم على الحالات نفسها دون عقد ثانٍ أو مكتبة عميل ثانية، لأن واجهة API واحدة لأكثر من 200 نموذج تتحدث بالفعل بالشكلين. تُمرَّر أسعار القائمة بهامش ربح 0%، لذا إذا حرّكت Liquid سعر $0.042 فإن الرقم هنا يتحرك معه لا بعده، والتحويل التلقائي عند الفشل يعني أن نموذجًا عمره يوم واحد يمكنه أن يأخذ شريحة من عبء عمل حقيقي دون أن يُؤتمن على كله.

A headless-browser screenshot of the OrcaRouter model page for typesafe/jev-1.14, captured 17 November 2026 in English, showing the /v1/systemone endpoint, Zero Data Retention availability, an input and output list price of $0.04, and measured latencies of 182 ms and 372 ms.

التوصية التي تنبع من البيانات لا من صفحة التسعير: شغّله في وضع التشغيل الظلي. يأتي d1.2-ultra أولًا في المستندات وأولًا في المعايرة، وهو ثنائي قوي حقًا لخطوط أنابيب الاستخراج، ويأتي أخيرًا في أسئلة المعرفة الصعبة، وهو قيد حقيقي لا حاشية. أرسِل إليه الحالات التي يراها خط أنابيبك فعليًا، وقارن الاحتمالات لا اختيارات top-1، وراقب الحالات التي يجيب فيها 0.8 ويكون مخطئًا، لأن هذا الذيل هو حيث سجّل سلفه من أكتوبر نتائج سيئة، وحيث يظهر التحسّن أو لا يظهر.

السؤال المفتوح ليس ما إذا كان 75 حقيقيًا — فقد قاسته Artificial Analysis ونشرت مكوّناته. بل ما إذا كان تقييم المستندات الموزّع بنسبة 30%، على 1,500 مستند خاص، قابلاً للتعميم على مستنداتك. هذا سؤال لا تجيب عنه إلا عيّنتك الموسومة الخاصة، ويستحق الإجابة قبل أن يغريك تغيير الفوترة بطرح عشرة أسئلة لكل مستند بدلاً من سؤال واحد.