Eine generierte Titelkarte mit der Überschrift „Gleicher Preis, eine Generation Abstand“, mit dem Untertitel „Liquid AI d1.2 gegen Liquid AI D1“. Ein einzelner langer horizontaler Balken steigt von links nach rechts an, beschriftet mit „D1 61“ an seinem linken Ende und „d1.2 69“ an seinem rechten Ende. Drei umrandete Chips zeigen „gleicher Preis von 0,02 $ pro 1 Mio. Eingabe-Tokens“, „derselbe systemone-Endpunkt“ und „alle sechs Komponenten verbessert“, und eine Bildunterschriftzeile lautet „zwei Genauigkeitszeilen gehören noch zum älteren Modell“. Die OrcaRouter-Marke ist unten rechts eingefügt.
Guides & Insights

d1.2 vs. Liquid AI D1: Gleiche 0,02 $, sechs gewonnene Komponenten und zwei Genauigkeitszeilen, die sich rückwärts entwickelten

Autor

jinhao.song

Veröffentlicht am

Neueste Modelle · 20Alle Modelle ansehen →
Benchmarks: Artificial Analysis · täglich aktualisiert
Zurück zu allen Beiträgen

Liquid AI d1.2 und Liquid AI D1 liegen beim selben Listenpreis – 0,02 $ pro Million Eingabe-Tokens, nur die Eingabe wird berechnet, keine Ausgabe-Tokens – am selben Endpunkt und beantworten dieselben drei Fragetypen. Sie liegen zwei Generationen auseinander: D1 war das erste Entscheidungsmodell der Familie, das Artificial Analysis als im September 2026 veröffentlicht führt, und d1.2 kam am 16. November 2026, mit d1.1 dazwischen. Alles, worauf ein Vergleich üblicherweise abstellt – Preis, Vertrag, Client-Code, Bereitstellungsform –, ist identisch. Was bleibt, ist das Modell, und beim Modell ist das Ergebnis einseitig, aber nicht eindeutig: d1.2 gewinnt alle sechs Bewertungen des Decision Index v2.1 und führt insgesamt mit 7,9 Punkten, während D1 weiterhin zwei der darunterliegenden Zeilen zur Rohgenauigkeit gewinnt.

Diese beiden Zeilen sind der Grund, warum es sich lohnt, dies zu lesen, statt es nur zu überfliegen. Beide liegen auf der Wissensachse, und beide sind die direkte Kosten der Änderung, die d1.2 überall sonst besser macht – es lehnt deutlich häufiger ab. Der Vergleich ist eine Vorlage dafür, wie ein „streng besser“-Upgrade aussieht, sobald man die Unterzeilen prüft: ein großer Gesamtgewinn, eine echte Verhaltensverbesserung und eine kleine, vorhersehbare Stelle, an der das neue Modell etwas aufgibt.

Die beiden Reihen, nebeneinander

A generated two-column scoreboard titled ‘d1.2 vs D1 - the scoreboard’. The d1.2 column lists Decision Index 69, AA-Paperclip all-pass 44.3%, AA-Symmetry 76.5, When2Call 96.1, Omniscience non-hallucination 66.6% and price per 1M input tokens $0.02. The D1 column lists 61, 25.7%, 58.7, 81.6, 3.3% and $0.02. The footer reads ‘Both rows per Artificial Analysis Decision Index v2.1; D1 ranks #21 of 25 decision models on the board.’ The OrcaRouter mark is composited bottom right.

Beide Modelle wurden von Artificial Analysis anhand derselben Version desselben Boards bewertet, wodurch die übliche Gefahr entfällt, eine Anbieterzahl mit einer unabhängigen Zahl zu vergleichen. Keine der hier aufgeführten Zahlen stammt von Liquid.

• Decision Index v2.1 — 68,69 für d1.2 (#9 von 25) vs. 60,78 für D1 (#21 von 25). Elf Modelle liegen nun zwischen ihnen, und der Abstand ist groß genug, dass kein plausibler erneuter Lauf ihn schließen würde.

• Preis pro Million Eingabetokens — 0,02 $ für beide. Über zwei Generationen hinweg unverändert.

• Modellierte Kosten pro Million Aufgaben – 63 $ für beide, was bei einem identischen Tokenpreis und einer ähnlichen Tokenanzahl pro Aufgabe zu erwarten wäre. Keines ist günstiger; das Board führt beide auf Platz drei.

• Zeit pro Aufgabe — 150 ms vs. 151 ms. Praktisch identisch, und beide schneller als der Klassenmedian von 206 ms.

• Kontextfenster — 66k Tokens für beide, wie im Board angegeben. Liquids eigene Beiträge nennen für keines von beiden ein Fenster, daher ist dies eine Interpretation von dritter Seite und keine Herstellerspezifikation.

• Brier-Score, wobei niedriger besser ist — 0,164 vs. 0,196. Eine Verbesserung um 0,032 bei der Wahrscheinlichkeit, die der gewählten Antwort zugeordnet wird, ohne Mehrkosten.

Die letzte Zeile ist die, die man auf sich wirken lassen sollte. d1.2 liegt nicht nur häufiger richtig; die Konfidenz, die es seiner Antwort zuordnet, ist näher an der Wahrheit – und genau diese Eigenschaft lässt eine Schwellenwert-Pipeline überhaupt funktionieren. Und das gibt es gratis.

Sechs Komponenten und die Größe jeder Lücke

A headless-browser screenshot of the Artificial Analysis d1 model page, captured 18 November 2026 in English, dated September 2026. The summary panel reads that d1 is among the lowest scoring on the Decision Index but well priced and faster than average: a Decision Index score of 61 against a median of 66, 151 ms per task against a median of 206 ms, $0.02 per 1M input tokens, and about $63 per 1M tasks against a median of $137. The rank badge reads #21/25 on the Decision Index and #3/25 on cost, and the technical specification lists text and image input with a 66k-token context window.

Die zusammengesetzte Zahl verbirgt eine sehr ungleichmäßige Reihe von Änderungen, und bei zwei davon geht es nicht wirklich um Genauigkeit.

• AA-Paperclip, Dokumententscheidungen – 62,60 für d1.2 gegenüber 54,92, wobei 44,3 % der Dokumente vollständig korrekt sind gegenüber 25,7 %. Diese All-Pass-Zeile ist die größte Einzelverbesserung im Release für dieses Paar: Eine Rechnung mit fünfzehn Feldern, bei der vierzehn richtig sind, zählt unter beiden Modellen als Fehlschlag, und d1.2 macht aus einem Viertel der Dokumente fast die Hälfte.

• When2Call, Tool-Entscheidungen — 96,09 gegenüber 81,59, mit 95,5 % Genauigkeit gegenüber 77,9 %. Das ist der Punkt, der ändert, wofür das Modell verwendet werden kann. D1 mit 77,9 % ist ein Klassifikator, hinter den man einen Menschen setzen würde; d1.2 mit 95,5 % ist einer, den man das Routing übernehmen lassen würde.

• AA-Symmetrie, Invarianz — 76,52 gegenüber 58,67, mit 50,0 % All-Pass gegenüber 32,5 %. Formuliere die Frage um, ordne die Optionen neu, negiere ein Ja/Nein: Die Antwort des alten Modells verschob sich, die des neuen meist nicht.

• EvalSafe-O*NET-AA, Arbeitsplatzbeurteilung – 86,55 gegenüber 84,21 und 79,7 % Genauigkeit gegenüber 76,3 %. Der kleinste Abstand im Feld und für sich allein kein Grund zu migrieren.

• AA-Omniscience-Decision v1.1, Wissen — 60,94 gegenüber 58,31. Fast drei Punkte, und die darunterliegenden Unterzeilen sind der interessante Teil.

• HLE-MultiChoice v1.1, schwierige Fragen — 44,69 gegenüber 39,80, bei 5,30 % Genauigkeit gegenüber 11,79 %. Das neue Modell beantwortet weniger schwierige Fragen richtig und erzielt dennoch fünf Punkte mehr, weil der Index die Wahrscheinlichkeit statt nur die Auswahl bewertet.

Die Erzählung rund um die Enthaltung ist das eigentliche Upgrade.

Betrachten Sie die Zeilen zur Nicht-Halluzination zusammen, denn sie beschreiben ein Modell, das eher seinen Charakter als seine Genauigkeit verändert hat.

• AA-Omniscience-Decision Nicht-Halluzination — d1.2 66,6 %, D1 3,3 %. D1 beantwortete 39,8 % dieser Fragen korrekt und verweigerte fast nie die Antwort; d1.2 beantwortet 30,0 % korrekt und verweigert deutlich häufiger die Antwort.

• HLE-MultiChoice-Nicht-Halluzination — 53,9 % gegenüber 5,6 %, in einem Benchmark, bei dem die Rohgenauigkeit von D1 doppelt so hoch ist.

• AA-Symmetry-Allpass — 50,0 % gegenüber 32,5 %, was dieselbe Verschiebung ist, die sich eher in Konsistenz als in Verweigerung zeigt.

D1 war das erste Modell der Familie und verhält sich wie eines: Auf eine Frage, die es nicht beantworten kann, produziert es eine Antwort. Eine Nicht-Halluzinationsrate von 3,3 % bedeutet, dass es bei rund 97 von 100 Wissensfragen, bei denen die richtige Reaktion darin bestand, keine Antwort zu geben, genau das nicht tat. Wenn Ihre Pipeline Fälle mit geringer Konfidenz an einen menschlichen Prüfer weiterleitet, ist genau diese Eigenschaft dafür entscheidend, ob das Gate funktioniert; ein Modell, das nie „Ich weiß es nicht“ sagt, gibt Ihnen nichts, worauf Sie einen Schwellenwert anwenden könnten, und seine 0,9-Wahrscheinlichkeiten bedeuten weniger als die 0,9er von d1.2.

Der Vorbehalt ist symmetrisch und sollte genannt werden: d1.2 beantwortet weniger schwierige Fragen richtig. Wenn es bei Ihrer Aufgabe um eine Wissensfrage mit eindeutiger Antwort und ohne Enthaltungsmöglichkeit geht – ist diese Behauptung mit der Richtlinie vereinbar, entspricht dieser Code der Spezifikation –, dann tauschen Sie Genauigkeit gegen Ehrlichkeit ein, und dieser Tausch ist möglicherweise nicht kostenlos.

Was das neue Modell beantworten kann, was das alte nicht kann

d1.2 fügt fünf Antworttypen und Audioeingabe hinzu. D1 hat nichts davon, und kein noch so geschicktes Prompting schließt diese Lücke, weil der Antwortvertrag kein Feld für eine Span-Position oder eine Bounding Box hat.

• Ein Wert plus die Zeichen, aus denen er gelesen wurde, oder „nicht gefunden“ — das Extraktionsprimitiv, das einen zweiten generativen Durchlauf pro Feld überflüssig macht.

• Jede Spanne einer Art mit Positionen — Namen, Telefonnummern, E-Mail-Adressen, als Schwärzungsprimitiv statt als Zusammenfassungs-Prompt.

• Ein Rahmen um ein Objekt oder um jedes Vorkommen plus eine Anzahl.

• Eine Schätzung mit einer zugehörigen Bandbreite.

• Jede zutreffende Option mit ihrer eigenen Wahrscheinlichkeit, anstatt eines einzigen Gewinners.

Audio funktioniert in beide Richtungen: Die Aufnahme kann der Gegenstand sein, oder sie kann die Frage sein. Die Genauigkeitswerte für all das stammen von Liquid, aus internen Testsets, die aus zurückgehaltenen Splits öffentlicher Datensätze erstellt wurden, weil kein öffentlicher Benchmark die neuen Aufgaben abdeckt — 98 % und 96 % beim Ablesen eines Werts von einem Kassenbon für d1.2-ultra und d1.2, 94 %/93 % gegenüber 92 %/88 % bei Spans mit personenbezogenen Daten, 94 % für beide bei der Objektlokalisierung. Betrachten Sie sie als den Anbieter, der sich selbst bewertet; das Board hat für nichts davon eine Zeile.

Ein Abrechnungsdetail kommt hinzu. Unter D1 wurde jede Frage als eigener Prompt abgerechnet, einschließlich jedes angehängten Bildes; unter d1.2 werden bei einer Anfrage Text und Bilder einmal abgerechnet, und jede zusätzliche Frage fügt nur ihren eigenen Text hinzu. Stellen Sie zehn Fragen zu einem einzigen 1024×1024-Foto — 1.536 Tokens Bild —, berechnet die alte Regel etwa 15.360 Bild-Tokens; die neue berechnet 1.536. Bei identischen $0.02 ist das Muster mit mehreren Fragen auf d1.2 um ein Vielfaches günstiger, und die Ersparnis liegt in der Abrechnungsregel und nicht im Tarif.

Was bricht, wenn du den String änderst

A headless-browser screenshot of the OrcaRouter model page for typesafe/jev-1.14, captured 18 November 2026 in English, showing the /v1/decisions/v1/systemone endpoint family, Zero Data Retention availability, a $0.04 list price per million input tokens, and measured latencies of 182 ms and 372 ms.

Weniger, als Sie erwarten würden, und die Ausnahmen sind einen Test wert statt eines Grundes zur Sorge. Der Endpunkt bleibt api.liquid.ai/decisions/v1/systemone, der Modellstring wird zu d1.2, und die drei ursprünglichen Fragetypen behalten ihre Anfrage- und Antwortstruktur. Ein Client, der einen Wert, eine Auswahl und eine Bewertung sendet, erhält dasselbe JSON zurück.

Drei Dinge, die Sie vor dem Umstellen eines Produktionspfads anhand Ihrer eigenen Stichprobe prüfen sollten:

• „not found“ parsen. Die neuen Antworttypen können eine explizite Abwesenheit zurückgeben, und ein Parser, der einen Nicht-Null-Wert vorausgesetzt hat, bricht daran. Das ist ein Feature, aber es ist eine Breaking Change in einem strikten Schema.

• Platzierung des Schwellenwerts. Wahrscheinlichkeiten bedeuten jetzt etwas anderes. Eine 0.8 auf d1.2 ist eine verlässlichere 0.8 als eine 0.8 auf D1, daher wird ein Schwellenwert, der auf die Überkonfidenz des alten Modells abgestimmt wurde, nach dem Wechsel seltener auslösen. Stimmen Sie ihn neu ab, statt ihn zu übernehmen.

• Das Wissenssegment. Wenn ein Teil Ihrer Arbeitslast auf Faktenbeurteilung statt auf Dokumentenlektüre entfällt, messen Sie dieses Segment separat. Es ist die Stelle, an der die höhere Zurückhaltung des neuen Modells Ihre Abdeckung kosten könnte, und die Genauigkeitszeilen des Boards sagen das deutlich.

Wer sollte migrieren und wer sollte zuerst messen?

Migrieren Sie ohne Umschweife, wenn es sich bei der Workload um Extraktion, Routing, Tool-Auswahl oder konsistenzsensible Klassifikation handelt. Jede veröffentlichte Zeile spricht für d1.2, der Preis bleibt unverändert, und die Lücken bei Invarianz und Tool-Calling sind groß genug, dass ein erneuter Lauf sie wahrscheinlich nicht umkehren wird.

Messen Sie zuerst, ob die Arbeitslast Wissensbeurteilung in großem Umfang ist oder ob die Pipeline einen handabgestimmten Wahrscheinlichkeitsschwellenwert hat. Keines von beiden ist ein Grund, bei D1 zu bleiben – aber beides sind Gründe, ein paar tausend reale Zustände durch beide Modelle zu schicken und die Wahrscheinlichkeiten statt der Labels zu vergleichen.

Zuerst der Zugriff, denn eine Migrationsfrage wird üblicherweise zu einer Beschaffungsfrage. D1 und d1.2 laufen beide über Liquids API; keines von beiden steht in unserem Katalog, und nichts hiervon ist eine Verfügbarkeitsaussage. Das Modell in unserem Katalog, das in diesen Test gehört, ist Jev 1.14, das EvalSafe-O*NET-AA auf 91,14 bringt, wo d1.2 bei 86,55 stehen bleibt, dieselbe systemone-Form spricht und $0,042 pro Million Eingabe-Tokens berechnet. Setzen Sie alle drei auf dieselben Zustände, und die Routing-DSL schreibt die Aufteilung einmal fest – nach Fragetyp, nicht nach Dienst –, wobei die Listenpreise der Anbieter mit 0 % Aufschlag durchgereicht werden, sodass die $0,02, die Sie angegeben sehen, die $0,02 sind, die Sie zahlen. Automatisches Failover ermöglicht es einem vor zwei Tagen veröffentlichten Modell, nur eine Lane einer Live-Workload zu übernehmen statt der gesamten Workload.

Das ist der ganze Vergleich. Gleicher Preis, gleicher Vertrag, gleicher Endpoint, eine Generation Arbeit dazwischen und sechs Composite-Siege gegenüber zwei Genauigkeitszeilen, die das alte Modell noch hält – beide liegen auf der Wissensachse, wo d1.2 die Enthaltung teuer zu stehen kommt. Wenn es bei Ihrer Workload um Extraktion, Routing oder Klassifizierung geht, hat sich jede Zeile, die Ihnen wichtig ist, in die richtige Richtung bewegt. Wenn es um Faktenbeurteilung ohne Reviewer dahinter geht, führen Sie zuerst den Shadow-Vergleich durch und lassen Sie die Zahlen auf Ihren eigenen States entscheiden.