
Liquid AI d1.2 kommt mit Audio-Eingang und Bounding-Boxen als Ausgabe — und das günstige Modell ist das Interessante
- OrcaNEUOrcaCyber: Hy4 Flash Abliterated / Uncensored2026-11-18$0.07 / $0.28 pro 1 Mio. Tokens · 180 tok/s
- tencentNEUTencent: Hy4 Flash2026-11-16$0.02 / $0.07 pro 1 Mio. Tokens · 223 tok/s
- GoogleNEUGoogle: Gemini 4 Carbon2026-11-10$2.00 / $10.00 pro 1 Mio. Tokens · 89 tok/s
- AnthropicNEUAnthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 pro 1 Mio. Tokens · 98 tok/s
- orcaNEUOrca: OrcaC2 1.02026-11-079 tok/s
- OrcaOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 pro 1 Mio. Tokens · 88 tok/s
- OrcaOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 pro 1 Mio. Tokens · 134 tok/s
- OrcaOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$2.00 / $5.00 pro 1 Mio. Tokens · 79 tok/s
- tencentTencent: Hy42026-11-04$0.83 / $2.50 pro 1 Mio. Tokens · 94 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 pro 1 Mio. Tokens · 118 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 pro 1 Mio. Tokens · 68 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 pro 1 Mio. Tokens · 94 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 pro 1 Mio. Tokens · 44 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447Intelligenz
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 pro 1 Mio. Tokens · 199 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929Intelligenz
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 pro 1 Mio. Tokens · 114 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733Intelligenz
- DeepSeekDeepSeek: DeepSeek V4.1 Flash 09102026-10-17$0.15 / $0.60 pro 1 Mio. Tokens · 311 tok/s
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740Intelligenz
Liquid AI d1.2 und Liquid AI d1.2-ultra gingen am 16. November 2026 auf der API des Anbieters live, und die auffälligste Zahl gehört dem teureren Modell: d1.2-ultra erreicht 75 Punkte auf dem Artificial Analysis Decision Index v2.1 und liegt damit unter den 25 Entscheidungsmodellen, die das Board bewertet, auf Platz eins. Die folgenreichere Veränderung steckt im Request-Body, nicht im Leaderboard. Beide Modelle liefern nun Antworten, die die vorherige Generation nicht ausdrücken konnte – einen Wert samt den Zeichen, aus denen er ausgelesen wurde, eine Liste von Spans mit ihren Positionen, eine Bounding Box, eine Anzahl mit einem Bereich darum, eine Reihe von Optionen, die jeweils ihre eigene Wahrscheinlichkeit mitbringen – und beide akzeptieren Audio, entweder als das, wonach gefragt wird, oder als die Frage selbst.
Das ist eine andere Art von Release als eine Genauigkeitsverbesserung. Ein Entscheidungsmodell gab früher ein Label und eine Wahrscheinlichkeit zurück, was bedeutete, dass jede Pipeline, die die Belege hinter dem Label benötigte, ein zweites Modell anflanschen musste, um sie zu finden. d1.2 antwortet mit angehängten Belegen, in einem einzigen Forward-Pass, für $0.02 pro Million Input-Tokens. d1.2-ultra macht dasselbe für $0.042. Keines von beiden erzeugt Output-Tokens, es gibt also weiterhin nichts zu streamen: Das sind Modelle, die man aufruft und von denen man ein strukturiertes Objekt zurückbekommt.
Beide sind heute live auf Liquids eigener API und nirgendwo sonst, was der Anbieter bestätigen wird. Alles Folgende trennt, was Liquid berichtet, von dem, was Artificial Analysis gemessen hat, denn bei diesem Release sind die beiden nicht dieselben Zahlen, und der Unterschied ist wichtig.
Was tatsächlich ausgeliefert wurde, Punkt für Punkt
Die fünf neuen Antworttypen sind additiv. Der Endpunkt bleibt unverändert, die drei ursprünglichen Fragetypen bleiben unverändert, und ein Client, der dasselbe JSON sendet wie gestern, erhält eine Antwort derselben Form.
• Einen Wert auslesen — fragen, wie viel auf einer Rechnung fällig ist, und sowohl die Zahl als auch die Zeichen erhalten, aus denen sie gelesen wurde, oder die Zeichenkette „not found“, wenn das Feld fehlt. Dieser Punkt beseitigt den meisten Klebe-Code, denn der übliche Workaround ist ein zweiter generativer Aufruf, um die Seite erneut zu lesen.
• Finde jede Spanne einer Art – jeden Namen, jede Telefonnummer und jede E-Mail-Adresse in einer Notiz, jeweils mit ihrer Position im Text. Das ist ein Schwärzungs-Primitiv, und es ist das erste Mal, dass diese Familie eines anbietet.
• Dinge in einem Bild lokalisieren — ein Rahmen um die Unterschrift auf einem gescannten Formular oder ein Rahmen um jedes Vorkommen eines Objekts samt Anzahl. „Nicht gefunden“ ist eine verfügbare Antwort, was wichtiger ist, als es klingt: Ein Objektdetektor, der immer einen Rahmen zurückgeben muss, erfindet einen.
• Eine Zahl mit einer Spanne schätzen — zwölf Personen auf dem Foto, plausibel zehn bis vierzehn. Die Spanne ist der ehrliche Teil der Ausgabe, und sie ist der Teil, den die meisten Teams sonst selbst kalibrieren müssten.
• Wählen Sie alle zutreffenden Optionen aus – Abrechnung und Lieferung, jeweils mit eigener Wahrscheinlichkeit, statt eines einzelnen Gewinners. Multi-Label-Klassifizierung wurde zuvor vorgetäuscht, indem dieselbe Frage einmal pro Label gestellt und jedes Mal für den Zustand bezahlt wurde.
Audio kommt in beide Richtungen an. Die Aufnahme kann das Thema sein – welche Sprache gesprochen wird, ob im Hintergrund eine Sirene zu hören ist – oder die Frage kann gesprochen statt getippt werden. Liquid meldet 95 % bis 97 % Genauigkeit bei zurückgehaltenen Aufnahmen über ESC-50 und FLEURS hinweg, mit drei bis sechs Optionen pro Frage und knappen Verwechslungen wie Spanisch gegenüber Portugiesisch im Mix.
Eine Abrechnungsänderung fällt nebenbei an und ist leicht zu übersehen. Eine Anfrage berechnet ihren Text und ihre Bilder jetzt nur einmal, und jede weitere Frage fügt nur noch ihren eigenen Text hinzu. In der vorherigen Generation wurde bei jeder Frage der gesamte Prompt einschließlich jedes angehängten Bildes erneut berechnet, sodass eine Befragung eines einzelnen Fotos mit zehn Fragen zehnmal für das Foto bezahlte.
Das Board und das, worunter der erste Platz der erste ist

Artificial Analysis hat beide neuen Modelle auf Decision Index v2.1 bewertet, und die Zahlen sind nicht vom Anbieter gemeldet: Das Board hat sie selbst getestet, anhand derselben sechs Evaluierungen, zu aktuellen Listenpreisen. d1.2-ultra landet bei 74,85, auf Platz 1 von 25 Entscheidungsmodellen und 2,2 Punkte vor seinem nächsten Rivalen unter den Entscheidungsmodellen, Drex Max v1.1 mit 72,62. d1.2 landet bei 68,69, auf Platz 9 von 25, über dem Klassenmedian von 66.
Die Einschränkung, die man im Hinterkopf behalten sollte, ist, dass „first“ nur eingeschränkt gilt. Dasselbe Board bewertet mit demselben Instrument auch zwei allgemeine Sprachmodelle, und beide schlagen d1.2-ultra klar: Claude Haiku 5.5 (Max) mit 76,49 und GPT-6 Luna (Max) mit 75,67. Keines von beiden ist ein Entscheidungsmodell, und der Preis des Vergleichs ist happig – 6.218 $ und 1.548 $ pro Million Aufgaben gegenüber 133 $ –, aber „Nummer eins im Decision Index“ ohne das Wort „decision“ darin ist nicht das, was das Board zeigt.
Was das Board unabhängig bestätigt, ist die Kalibrierungsgeschichte. Bei den Entscheidungswerten in diesem Index wird der Brier-Score der Wahrscheinlichkeit abgezogen, die der gewählten Antwort zugeordnet wurde, sodass ein Modell, das richtig liegt, aber maßlos selbstsicher ist, bestraft wird. d1.2-ultra hat einen Brier-Score von 0,150, d1.2 von 0,164 und das Modell, das sie ersetzen, d1-ultra, von 0,176. Das günstigere neue Modell ist besser kalibriert als das ältere Flaggschiff, obwohl es insgesamt 1,9 Punkte niedriger punktet – eine Art Diskrepanz, die nur zutage tritt, wenn jemand anderes den Harness ausführt.
Zeit und Kosten vervollständigen das Bild und ziehen in entgegengesetzte Richtungen. d1.2 läuft mit 150 ms pro Aufgabe, achtschnellste im Feld und knapp unter dem Median von 206 ms. d1.2-ultra läuft mit 218 ms, langsamer als der Median und auf Platz 15. Bei den Kosten pro Million Aufgaben führt das Board d1.2 mit 63 $ als drittgünstigsten der 25 und d1.2-ultra mit 133 $ auf Platz elf bei einem Median von 137 $.
Die Nummern der neuen Aufgaben und wer sie erstellt hat

Noch deckt kein öffentlicher Benchmark einen der fünf neuen Antworttypen ab, daher stammt jeder Genauigkeitswert für sie aus den eigenen internen Testsets von Liquid, die aus zurückgehaltenen Aufteilungen öffentlicher Datensätze erstellt wurden. Sie sind die Bewertung eines Anbieters seines eigenen Modells anhand von Daten, die er selbst ausgewählt hat, und sollten genau so verstanden werden.
• Das Auslesen eines Werts von einem Beleg, bei CORD und SROIE — 98 % für d1.2-ultra, 96 % für d1.2. Ein Lesevorgang gilt als korrekt, wenn er das Ziel findet oder korrekt angibt, dass es nicht vorhanden ist, wodurch der Fall „nicht gefunden“ Teil der Bewertung wird statt eines Freifahrtscheins.
• Spans personenbezogener Daten, bei Nemotron PII — 94 % Präzision und 93 % Recall für das ultra, 92 % und 88 % für d1.2. Die Recall-Lücke von fünf Punkten ist der größte Abstand zwischen den beiden Modellen bei einer der fünf Aufgaben, und sie ist diejenige, die bei der Schwärzung zählt, denn ein übersehener Span ist der Fehler, der zu einem Bußgeld führt.
• Objektlokalisierung, in der RefCOCO-Familie — 94 % für beide. Überhaupt keine Trennung.
• Zählen innerhalb von eins auf COCO — 93 % für das Ultra, 92 % für d1.2.
• Jedes vorhandene Objekt erfassen, auf COCO — 87 % für ultra gegenüber 90 % für d1.2, die einzige Zeile, in der das günstige Modell gewinnt.
Das Premium-Modell bringt also einen klaren Gewinn beim Lesen von Werten und beim Span-Recall, aber praktisch nichts bei räumlichen Aufgaben. Wenn es in Ihrem Anwendungsfall um Bounding-Boxen geht, ist das 0,02-Dollar-Modell dasjenige, das Sie zuerst testen sollten.
Audio – und das Datenblatt, das nicht hinterhergekommen ist
Audio ist die Behauptung mit der größten Lücke zwischen Ankündigung und unabhängiger Dokumentation. Liquids Beitrag beschreibt die Audioeingabe als eine Hauptfähigkeit beider Modelle; die technische Spezifikation von Artificial Analysis für beide führt als Eingabemodalität weiterhin Text und Bild auf, und der Index enthält keine Audio-Bewertung, sodass nichts auf dem Board die Behauptung prüft. Das ist kein Widerspruch – das Board ist einfach noch nicht so weit –, aber es bedeutet, dass die Audiofähigkeit derzeit eine Herstelleraussage ohne eine dahinterstehende unabhängige Überprüfung ist.
Dieselbe Vorsicht gilt für die fünf neuen Antworttypen: Der Index misst keinen von ihnen. Ein Modell kann auf der Rangliste ganz oben stehen und bei dem, was man tatsächlich damit tun möchte, ungemessen sein.
Die Kalibrierungstabelle des Anbieters ist aus einem anderen Grund lesenswert. Über 13 Benchmarks und 22.505 Fragen hinweg, die von allen fünf Modellen beantwortet wurden, beziffert Liquid den Kalibrierungsfehler mit 0,8 Punkten für d1.2-ultra, 1,2 für d1.2 und 2,7 für Jev 1.14, 3,7 für Perplexitys Decider v1.3 und 7,2 für GPT-6 Luna auf dessen Decisions-Endpunkt. Das sind vom Anbieter ermittelte Zahlen auf einem vom Anbieter ausgewählten Fragensatz. Die Brier-Scores des Boards weisen bei denselben beiden Modellen in dieselbe Richtung, was diese Woche einer zweiten Meinung am nächsten kommt.
Kostensatz wird mit der Übersicht abgeglichen

Liquid erhebt eine Behauptung, die ungewöhnlich falsifizierbar ist: Kein Modell erzielt zu einem niedrigeren Preis eine höhere Punktzahl als d1.2, und kein Modell erzielt zu irgendeinem Preis eine höhere Punktzahl als d1.2-ultra. Beide Hälften überstehen die Prüfung durch das Board – mit demselben Vorbehalt zum Geltungsbereich wie zuvor.
• Die zweite Hälfte ist unter Entscheidungsmodellen nahezu trivial wahr – nichts anderes auf dem {{1}}25-Modell-Board{{/1}} erzielt überhaupt mehr als {{2}}74.85{{/2}}. Sie scheitert nur, wenn die beiden allgemeinen Sprachmodelle zugelassen werden, und diese kosten {{3}}12- bis 47-mal so viel{{/3}} pro Million Aufgaben.
• Die erste Hälfte bestätigt sich auf dem Entscheidungsboard: Jedes Entscheidungsmodell, das über d1.2s 68,69 liegt, kostet mehr pro Million Aufgaben. Der nächstgelegene günstige Herausforderer ist Perplexitys Decider v1.3 mit 70,41 und 68 US-Dollar, was für fünf Dollar pro Million Aufgaben weniger als zwei Indexpunkte entspricht — das Board kommt einem Gegenbeispiel damit am nächsten und liegt dennoch auf der richtigen Seite von Liquids Aussage.
• Die Kostenangaben stammen von Artificial Analysis selbst, sind zu aktuellen Listenpreisen berechnet und mit den Indexgewichtungen gemittelt. Sie sind modellierte Kosten pro Aufgabe, keine Rechnung, und sie ändern sich, wenn ein Anbieter einen Preis ändert.
An diesem letzten Punkt verdient eine Routing-Schicht ihren Platz, statt für sich selbst zu werben. Dieses Release hat Liquids Abrechnungsregel geändert, den effektiven Preis des günstigen Modells gegenüber dem alten Flaggschiff halbiert und das vor zwei Tagen getan. Auf unserer Seite werden die Listenpreise der Anbieter mit 0 % Aufschlag durchgereicht, sodass eine Preissenkung des Anbieters noch am selben Tag bei uns ankommt und nicht erst zur nächsten Vertragsverlängerung — die 0,02 $ und 0,042 $ in diesem Artikel sind die Zahlen des Anbieters, keine mit Aufschlag versehene Wiedergabe derselben.
Was diese Woche zu tun ist, wenn Sie bereits ein Entscheidungsmodell betreiben
Nichts in diesem Beitrag ist eine Verfügbarkeitsankündigung: Beide neuen Modelle sind in der API von Liquid, und keines hat bisher unseren Katalog erreicht. Der Grund, unseres überhaupt zu erwähnen, ist, dass die Veröffentlichung ein Entscheidungsmodell betrifft, und das Entscheidungsmodell, das wir tatsächlich anbieten, ist Jev 1.14 — die einzige Zeile auf dem Board, die d1.2-ultra bei einer Komponente schlägt, EvalSafe-O*NET-AA mit 91,14 gegen 89,53, bei derselben systemone-Anfrageform zu $0.042 pro Million Eingabe-Tokens. Was auch immer Sie zu den fünf neuen Antworttypen schließen, das Segment Sicherheit und Arbeitsplatz hat einen etablierten Anbieter, gegen den Sie heute benchmarken können.
Der Schritt, der Sinn ergibt, bevor die von Liquid versprochenen Drittplattformen tatsächlich erscheinen, ist ein Shadow Run. Schicken Sie die Zustände, die Ihre Pipeline bereits sieht, an beide d1.2-Modelle, vergleichen Sie die Wahrscheinlichkeiten statt der Top-1-Labels und schauen Sie gezielt auf die Fälle, in denen das Modell 0,8 ausgibt und falsch liegt. Dieser Tail ist der Bereich, in dem die vorherige Generation am schwächsten war, und er ist das eine, von dem dieses Release behauptet, es behoben zu haben, was der Index nur teilweise bestätigen kann.
Automatisches Failover ist die andere Hälfte davon, ein zwei Tage altes Modell auszuprobieren, ohne einen Produktionspfad darauf zu setzen: Leite einen Teil des Traffics an d1.2-ultra, behalte das bisherige Modell dahinter und lass einen schlechten Nachmittag bei einem Anbieter lieber die Antwortrate senken, als die Pipeline lahmzulegen. Das ist ein günstigerer Weg herauszufinden, ob 75 echt ist, als auf den Benchmark von jemand anderem zu warten.
Die offene Frage ist nicht, ob diese Modelle veröffentlicht wurden – sie wurden veröffentlicht, mit Preisen und einem Endpoint –, sondern ob die fünf neuen Antworttypen außerhalb von Liquids eigenen Held-out-Splits Bestand haben. Niemand hat für irgendeinen von ihnen eine unabhängige Zahl veröffentlicht, und bis das jemand tut, ist die ehrliche Position, dass dieses Release einen wirklich nützlichen Output-Contract auf der Grundlage von Belegen hinzufügt, die ausschließlich vom Anbieter selbst stammen.
