Liquid AI d1-ultra: Der neue Spitzenreiter im Decision Index, darauf trainiert, an sich selbst zu zweifeln

Liquid AI d1-ultra wurde am 15. Oktober 2026 veröffentlicht, und das Interessanteste daran ist eine Zahl, die niemand zitiert: Im Artificial Analysis Decision Index erreichte das Modell, das es ersetzt, 2 bei Nicht-Halluzination. Liquid AI d1 war auf demselben Board das mit Abstand genaueste Entscheidungsmodell beim Beantworten von Wissensfragen — und das schlechteste seiner Klasse darin, die Fragen zu erkennen, die es nicht beantworten konnte. Liquid AI d1-ultra ist die Antwort des Anbieters darauf, und es wird mit einem Anspruch auf den ersten Platz angekündigt: dass es den Decision Index mit mindestens acht Punkten Vorsprung vor jedem anderen Entscheidungsmodell anführt, einschließlich des Modells, das derzeit an der Spitze dieses Boards steht, Jev 1.13. Dieser Anspruch stammt von Liquid, nicht von Artificial Analysis, und das Board, auf das er sich bezieht, wurde veröffentlicht, bevor dieses Modell existierte. Beide Fakten sind tragend, und dieser Beitrag hält sie an den Zahlen fest, zu denen sie gehören. Jeder Anbieter-Ausfall und jedes Rollback, die wir erfasst haben, ist im Orca AI Incident Archive protokolliert, das den vollständigen Datensatz zusammen mit den benachbarten Einträgen dieses Vorfalls enthält.

Mechanisch betrachtet ist das Modell dieselbe Wette, die Liquid das ganze Jahr über eingeht. Man gibt ihm einen Zustand – eine JSON-Nutzlast, ein Support-Ticket, einen Dashboard-Screenshot – und eine Reihe benannter Fragen, und es liest Antworten aus seiner eigenen Verteilung in einem einzigen Vorwärtsdurchlauf ab. Kein Sampling, kein Parsing, keine unkontrollierte Generierung. Der Nutzungszähler des Anbieters meldet output_tokens: 0, genau wie es beim Rest der d1-Reihe der Fall ist.

Was Liquid eigenen Angaben zufolge gebaut hat und wogegen es das Gebaute getestet hat

Jede Zahl in diesem Abschnitt stammt von Liquid selbst, wurde im Launch-Post genannt und ist zum Zeitpunkt dieses Schreibens von niemand anderem reproduziert worden. Das Modell wird als multimodales Entscheidungsmodell beschrieben, das auf einer größeren Open-Weight-Basis aufbaut, mit dem, was der Beitrag als umfangreiche Liquid-spezifische Anpassung bezeichnet, speziell auf wissensintensive Entscheidungen ausgerichtet – eine Formulierung, die sich wie ein direkter Verweis auf das weiter unten beschriebene Kalibrierungsproblem liest. Es verfügt über dieselben drei Fragetypen wie der Rest der Familie. noul ist binär: Man gibt ihm eine Aussage, und es gibt P(ja) zwischen 0 und 1 zurück. Choice wählt ein Label aus und liefert eine Verteilung plus eine Konfidenz. Score ordnet den Zustand auf einer geordneten Skala mit Wahrscheinlichkeiten pro Stufe ein. Alle drei kommen strukturiert zurück, und keines von ihnen kostet Output-Token.

Die Belege von Liquid sind eine Reihe von 112 einzigartigen Evaluierungen gegen das eigene frühere d1 und gegen Jev 1.14, die neuere Jev-Version. Das Unternehmen sagt, d1-ultra übertreffe Jev 1.14 bei allen Aufgaben und sei zum selben Preis besser kalibriert. Das ist eine stärkere und spezifischere Behauptung als „führt die Bestenliste an“, und sie ist auch die schwerer zu überprüfende, denn Kalibrierung ist die Eigenschaft, die man nicht an einem einzelnen Punktwert ablesen kann. Beachten Sie außerdem, dass Jev 1.14 ein vom Anbieter benannter Vergleichswert ist: Er taucht nirgends in unserem Katalog auf, und wir konnten keine öffentliche Decision-Index-Zeile dafür finden.

Die API-Oberfläche ist ein einzelner Nicht-Streaming-Aufruf an POST https://api.liquid.ai/decisions/v1/systemone mit "model": "d1-ultra". Es gibt kein Kontextfenster, das irgendwo im Launch-Material veröffentlicht wird, was eine echte Lücke und kein Rundungsfehler ist: Für ein Modell, dessen ganze Aufgabe darin besteht, Zustand übergeben zu bekommen, kommt die Größe des Zustands, den man ihm übergeben darf, der primären Spezifikation nahe. Da es niemals Tokens generiert, sind die Ausgabekosten strukturell null, und Streaming ist nicht anwendbar.

Der fragliche Index ist älter als das Modell.

Artificial Analysis veröffentlichte den Decision Index v1.0 am 13. Oktober 2026 — zwei Tage, bevor d1-ultra existierte. Das Board setzt sich aus vier Bewertungen zusammen, die jeweils mit 25 % gewichtet sind: AA-Omniscience-Decision, ein privater Satz von 500 Fragen, der zur Hälfte auf Genauigkeit und zur Hälfte auf Nicht-Halluzination bewertet wird; HLE-MultiChoice, 513 Text-Multiple-Choice-Fragen aus Humanity's Last Exam; When2Call, eine N​VIDIA-Tool-Calling-Bewertung; und WildGuardTest, Ai2s Sicherheitsklassifizierungssatz.

Der Artikel, der es vorgestellt hat, erwähnt d1-ultra nirgends, was nicht überraschend ist, und deshalb sollte die Angabe „acht Punkte Vorsprung“ als Anbieterbehauptung und nicht als Ranking gelesen werden. Auf der veröffentlichten Rangliste führt Jev 1.13 das Feld der Entscheidungsmodelle mit 58, wobei GLiDE und M​icrosoft-Decision-1 gleichauf liegen mit 54. Zwei Sprachmodelle stehen über allen anderen: C​laude H​aiku 5.5 (Low) mit 61 und GPT-6 Luna (Low) mit 55. Rechnet man die Behauptung von Liquid nach, landet man bei 66 oder höher — über dem besten Sprachmodell auf der Rangliste. Das mag durchaus sein, was das Modell leistet. Es ist außerdem genau die Art von Behauptung, die von einer dritten Partei reproduziert werden muss, bevor jemand seine Planung darauf stützt.

Warum speziell die Kalibrierung die ganze Geschichte ist

Der Fehler, auf den d1-ultra abzielt, ist der, den Artificial Analysis im selben Artikel genannt hat. Entscheidungsmodelle wurden als Klasse generell als übermäßig selbstsicher eingestuft: Die Wahrscheinlichkeit, die ein Modell für eine Antwort angibt, liegt regelmäßig über der Häufigkeit, mit der sich diese Antwort als richtig erweist. Das ist hier wichtiger als bei einem Chatbot, denn die gesamte Ausgabe eines Entscheidungsmodells ist eine Wahrscheinlichkeit. Ein selbstsicher falsches Sprachmodell erzeugt einen Absatz, den man prüfen kann. Ein selbstsicher falsches Entscheidungsmodell erzeugt eine Zahl, auf deren Grundlage eine Pipeline handeln soll.

Die Spannweite innerhalb der Klasse ist groß, und d1 lag am schlechten Ende davon:

• AA-Omniscience-Entscheidungsgenauigkeit — Liquid AI d1 war das beste Entscheidungsmodell mit 41, während Jev 1.13 bei 35 lag. Sprachmodelle erzielten bei derselben Evaluation 52 und 66.

• Nicht-Halluzinationsrate — Liquid AI d1 erzielte 2. Jev 1.13 erzielte 35, Mercury Decide 32, und M​icrosoft-Decision-1 führte mit 40. Kein anderes Entscheidungsmodell auf dem Board erreichte weniger als 17.

• Die Lücke zwischen diesen beiden Zeilen ist der ganze Pitch. d1 wusste am meisten und gab am wenigsten zu. Ein Modell, das darauf trainiert würde, diese Lücke zu schließen – die einzige Dimension, in der der vorherige Eintrag von Liquid Letzter statt Erster war –, würde die Klasse voranbringen, selbst ohne die Rohgenauigkeit anzutasten.

• HLE-MultiChoice — Jev 1.13 führte mit 21, alle anderen Entscheidungsmodelle bei 15 oder darunter. Dies ist die Evaluation, bei der das Feld den meisten Spielraum hat, und diejenige, für die Liquids 112-Evaluierungslauf keinen Bericht liefert.

• When2Call und WildGuardTest — Celeris-1 Decision und GLiDE gleichauf bei 84 beim Tool-Calling, wobei Jev 1.13 mit 81 auf Platz vier liegt; GLiDE führte bei der Sicherheit mit 95, während Decider v1.1 27B und Jev 1.13 gemeinsam bei 94 liegen.

Was eine Million Entscheidungen tatsächlich kostet

Die Preisgestaltung ist der Teil des Launches, der keinen Vorbehalt benötigt. Liquid AI d1-ultra wird abgerechnet mit 0,042 $ pro Million Eingabe-Tokens und gar nichts für Output, weil es keinen Output gibt. Dieser Preis ist identisch mit dem von d1 und identisch mit dem, was wir für Jev 1.13 berechnen, was die beiden Modelle direkt vergleichbar macht – und zwar nur bei den Kosten und sonst nichts.

Die Rechnung ist einfach genug, um sie auf einer Serviette zu machen. Ein Zustand von ungefähr tausend Tokens – eine mäßig detaillierte JSON-Nutzlast oder eine Seite Text – kostet 0,042 $, wenn man ihn eine Million Mal ausführt. Die eigenen Zahlen von Artificial Analysis zu den Kosten pro Million Aufgaben für diese Klasse liegen zwischen 17 $ und 199 $, wobei Jev 1.13 bei 42 $, Microsoft-Decision-1 bei 31 $ und Decider v1.1 27B bei 17 $ liegen; die mediane Zeit pro Aufgabe in dieser Klasse reicht von 0,06 Sekunden bis zu einer halben Sekunde. Eine Entscheidung mit tausend Tokens bei 42 $ pro Million Aufgaben liegt in der Mitte dieses Bereichs, was die nützliche Erkenntnis ist: Die Preisgestaltung ist für die Kategorie nichts Ungewöhnliches, und die interessante Frage ist nicht der Preis pro Token, sondern der Preis pro korrekter Entscheidung.

Es gibt ein Abrechnungsdetail, das viele überraschen wird, und es lohnt sich, es zweimal zu lesen. Bilder werden als Eingabetext abgerechnet, und zwar mit 1,5 Tokens pro 32×32-Pixel-Patch, wodurch ein 1024×1024-Bild 1.536 Tokens kostet — und jede Frage wird als eigener Prompt abgerechnet, einschließlich aller angehängten Bilder. Stellen Sie zehn einzelne Fragen zu demselben Foto, und das Bild wird zehnmal abgerechnet, sodass auf diese zehn Fragen 15.360 Bild-Tokens entfallen, bevor auch nur ein Wort Text hinzukommt. Ihre Fragen in einem Aufruf zu bündeln, verteilt diese Kosten nicht. Wenn Ihre Arbeitslast visuell ist, ist die Zahl, die Ihre Rechnung bestimmt, Fragen multipliziert mit Bild-Tokens, nicht Dokumente multipliziert mit Bild-Tokens.

Wo Sie es anrufen können

Liquid AI d1-ultra ist jetzt live auf der eigenen API von Liquid, über die Liquid-Konsole und im d1 Playground für alle, die damit herumspielen möchten, ohne einen Client zu schreiben. Der Anbieter hat gesagt, dass weitere Plattformen kommen; die ehrliche Zusammenfassung heute ist die eigene API des Anbieters, wobei mehrere Drittanbieter-Plattformen noch folgen werden. Im Launch-Beitrag gibt es ein Codebeispiel, das unverändert läuft.

Eine Routing-Notiz, und sie ist keine Verkaufsansprache: Liquid AI d1-ultra ist nicht in unserem Katalog, und dieser Artikel ist keine Verfügbarkeitsaussage dafür. Was in unserem Katalog steht, ist Jev 1.13 — das Modell, das derzeit den Decision Index anführt — bei denselben 0,042 $ pro Million Input-Token und denselben Completion-Kosten von null, mit einem 64K-Kontextfenster, bereitgestellt über die identische systemone-Endpoint-Form: Text rein, strukturiertes JSON raus, nicht streamend. Das ist ein nützlicher Zufall für alle, die diesen Launch bewerten, denn er bedeutet, dass der Herausforderer und der Amtsinhaber ohne einen zweiten Vertrag Seite an Seite betrieben werden können. d1-ultra geht direkt an Liquid; der Amtsinhaber ist bereits in unserem Katalog. Beide stehen hinter einer API für 200+ Modelle, bei der Listenpreise mit 0 % Aufschlag durchgereicht werden und bei der automatisches Failover bedeutet, dass ein neues Modell einen Teil einer echten Arbeitslast übernehmen kann, ohne dass ihm alles anvertraut wird.

Dieser letzte Teil ist die praktische Empfehlung und nicht etwa eine Produktplatzierung. Ein Modell, das einen Tag alt ist, dessen wichtigster Benchmark nicht unabhängig reproduziert wurde und dessen Kontextfenster unveröffentlicht ist, ist nichts, worauf man am ersten Tag Produktionsverkehr leiten sollte. Es ist etwas, das man im Schattenbetrieb gegen das Modell laufen lassen sollte, das bereits im Slot sitzt. Schicke dieselben Zustände durch beide, vergleiche die Verteilungen statt der Labels und achte speziell auf den Fall, in dem d1-ultra 0,8 sagt und sich als falsch erweist – denn genau darum geht es bei diesem Launch, und das ist die eine Zahl, die Liquid nicht veröffentlicht hat.

Was würde es klären

Drei Dinge, in absteigender Reihenfolge danach, wie stark sie die Entscheidung verändern würden.

Der erste ist eine Zeile im Decision Index. Solange Artificial Analysis d1-ultra nicht durch seine eigene Pipeline laufen lässt, ist der Acht-Punkte-Vorsprung gegenüber Jev 1.13 eine Anbieterangabe, und die Kalibrierungsverbesserung gegenüber Jev 1.14 ist eine Anbieterangabe, für die es überhaupt kein öffentliches Gegenstück gibt. Das Board wird regelmäßig aktualisiert, und ein Entscheidungsmodell, das tatsächlich 66 überschreitet, wäre das interessanteste Ergebnis der Kategorie in diesem Jahr, denn es würde ein nicht-generatives Modell über jedes Sprachmodell im selben Index setzen.

Das Zweite ist das fehlende Datenblatt. Kontextfenster, Latenz bei einer angegebenen Batch-Größe und ob Fragen ein Bild gemeinsam nutzen können, ohne es erneut abzurechnen – diese drei Zahlen entscheiden, ob eine Workload machbar ist, lange bevor Benchmark-Ergebnisse dies tun. Liquids Vorgängergeneration führte Textentscheidungen in 200 bis 300 Millisekunden aus, was ein nützlicher Referenzpunkt ist, aber keine Messung dieses Modells.

Der dritte Punkt ist die Kalibrierung außerhalb des Labors. Die 112 Evaluierungen von Liquid sind die eigene Aufgabenauswahl des Anbieters. Übermäßiges Selbstvertrauen ist eine Eigenschaft, die sich im Randbereich zeigt – bei der seltenen schwierigen Frage, dem mehrdeutigen Zustand, der Eingabe aus einer Verteilung, die das Modell nie gesehen hat. Dort erzielte d1 eine 2, und es ist die einzige Stelle, an der eine echte Verbesserung sichtbar wäre.

Bis dahin ist die ehrliche Position die langweilige: Der Preis ist real und öffentlich, der Endpunkt funktioniert, die schwerwiegendste Schwäche der Kategorie ist korrekt identifiziert, und die Behebung wird behauptet statt nachgewiesen. Wenn Sie an strukturierten Entscheidungen arbeiten, ist es einen Nachmittag wert. Eine Migration ist es nicht wert.