Una tarjeta de título generada encabezada por «Mismo precio, una generación de diferencia», con el subtítulo «Liquid AI d1.2 frente a Liquid AI D1». Una única barra horizontal larga asciende de izquierda a derecha, etiquetada «D1 61» en su extremo izquierdo y «d1.2 69» en su extremo derecho. Tres chips con contorno dicen «mismo $0.02 por 1M de tokens de entrada», «mismo endpoint systemone» y «los seis componentes mejorados», y una línea de pie de foto dice «dos filas de precisión todavía pertenecen al modelo anterior». La marca de OrcaRouter está compuesta en la esquina inferior derecha.
Guides & Insights

d1.2 vs Liquid AI D1: el mismo $0.02, seis componentes ganados y dos filas de precisión que retrocedieron

Autor

jinhao.song

Fecha de publicación

Últimos modelos · 20Ver todos los modelos →
Benchmarks: Artificial Analysis · actualizado a diario
Volver a todas las publicaciones

Liquid AI d1.2 y Liquid AI D1 tienen el mismo precio de lista —$0.02 por millón de tokens de entrada, con facturación solo de entrada, sin tokens de salida— en el mismo endpoint, y responden a los mismos tres tipos de pregunta. Están separados por dos generaciones: D1 fue el primer modelo de decisión de la familia, que Artificial Analysis indica que se lanzó en septiembre de 2026, y d1.2 llegó el 16 de noviembre de 2026, con d1.1 en medio. Todo aquello en lo que suele basarse una comparación —precio, contrato, código de cliente, forma de despliegue— es idéntico. Lo que queda es el modelo, y en el modelo el resultado es desigual pero no del todo limpio: d1.2 gana las seis evaluaciones del Decision Index v2.1 y lidera por 7.9 puntos en general, mientras que D1 aún gana dos de las filas de precisión bruta que hay debajo.

Esas dos filas son la razón por la que vale la pena leer esto en lugar de hojearlo. Ambas están en el eje de conocimiento, y ambas son el coste directo del cambio que hace que d1.2 sea mejor en todo lo demás: rechaza con mucha más frecuencia. La comparación es una plantilla de cómo se ve una actualización "estrictamente mejor" una vez que revisas las subfilas: una gran ganancia compuesta, una mejora conductual genuina y un pequeño lugar predecible donde el nuevo modelo cede algo.

Las dos filas, una al lado de la otra

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.

Ambos modelos fueron evaluados por Artificial Analysis en la misma versión del mismo ranking, lo que elimina el riesgo habitual de comparar una cifra de un proveedor con una independiente. Ninguna de las cifras que aparecen aquí proviene de Liquid.

• Decision Index v2.1 — 68,69 para d1.2 (n.º 9 de 25) frente a 60,78 para D1 (n.º 21 de 25). Ahora once modelos los separan, y la diferencia es lo suficientemente amplia como para que ninguna reejecución plausible la cierre.

• Precio por millón de tokens de entrada: $0.02 en ambos casos. Sin cambios durante dos generaciones.

• Coste modelado por millón de tareas: 63 $ en ambos casos, que es lo que cabría esperar con un precio por token idéntico y un recuento de tokens por tarea similar. Ninguno de los dos es más barato; la tabla sitúa a ambos en tercera posición.

• Tiempo por tarea — 150 ms frente a 151 ms. Prácticamente idénticos, y ambos más rápidos que la mediana de la clase, de 206 ms.

• Ventana de contexto — 66k tokens para ambos, según lo indicado por la placa. Las propias publicaciones de Liquid no indican ninguna ventana para ninguno de los dos, así que se trata de una lectura de terceros y no de una especificación del fabricante.

• Puntuación de Brier, cuanto más baja mejor — 0,164 frente a 0,196. Una mejora de 0,032 en la probabilidad asignada a la respuesta elegida, sin coste alguno.

La última fila es la que merece que nos detengamos a pensar. d1.2 no solo acierta con más frecuencia; la confianza que asocia a su respuesta está más cerca de la verdad, que es la propiedad que hace que un pipeline de umbral funcione en absoluto. Y llega gratis.

Seis componentes y el tamaño de cada espacio

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.

El número compuesto esconde un conjunto muy desigual de cambios, y dos de ellos no tienen realmente que ver con la precisión.

• {{1}}AA-Paperclip{{/1}}, decisiones de documentos — 62,60 para d1.2 frente a 54,92, con 44,3% de documentos totalmente correctos frente a 25,7%. Esa fila de aprobación total es la mayor mejora individual del lanzamiento para este par: una factura de quince campos con catorce correctos cuenta como fallo bajo cualquiera de los dos modelos, y d1.2 convierte una cuarta parte de los documentos en casi la mitad.

• When2Call, decisiones de herramientas — 96.09 frente a 81.59, con una precisión del 95.5 % frente al 77.9 %. Esta es la que cambia para qué se puede usar el modelo. D1 al 77.9 % es un clasificador detrás del cual pondrías a una persona; d1.2 al 95.5 % es uno que dejarías que enrutara.

• Simetría AA, invariancia — 76,52 frente a 58,67, con un 50,0 % de aprobación total frente a un 32,5 %. Reformula la pregunta, reordena las opciones, niega un sí/no: la respuesta del modelo antiguo cambió, la del nuevo en su mayoría no.

• EvalSafe-O*NET-AA, criterio laboral — 86,55 frente a 84,21, y 79,7 % de precisión frente a 76,3 %. La diferencia más pequeña de la tabla, y no es motivo suficiente para migrar por sí sola.

• AA-Omniscience-Decision v1.1, conocimiento — 60.94 frente a 58.31. Casi tres puntos, y las subfilas que hay debajo son la parte interesante.

• HLE-MultiChoice v1.1, preguntas difíciles: 44,69 frente a 39,80, con una precisión del 5,30 % frente al 11,79 %. El nuevo modelo acierta menos preguntas difíciles y aun así obtiene cinco puntos más, porque el índice puntúa la probabilidad en lugar de solo la elección.

La historia de la abstención es la verdadera mejora

Mira las filas de no alucinación en conjunto, porque describen un modelo que cambió su carácter en lugar de su precisión.

• AA-Omniscience-Decision sin alucinaciones — d1.2 66,6 %, D1 3,3 %. D1 respondió correctamente el 39,8 % de estas preguntas y casi nunca se abstuvo; d1.2 responde correctamente el 30,0 % y se abstiene mucho más.

• No alucinación de HLE-MultiChoice — 53,9% frente a 5,6%, en un benchmark donde la precisión bruta de D1 es el doble de alta.

• AA-Symmetry all-pass — 50,0 % frente a 32,5 %, que es el mismo cambio visto a través de la consistencia en lugar de a través del rechazo.

D1 fue el primer modelo de la familia y se comporta como tal: si se le hace una pregunta que no puede responder, produce una respuesta. Una tasa de no alucinación del 3,3 % significa que, en aproximadamente 97 de cada 100 preguntas de conocimiento en las que la respuesta correcta era abstenerse, no lo hizo. Si tu pipeline envía los casos de baja confianza a un revisor humano, esa es la propiedad que decide si la compuerta funciona; un modelo que nunca dice «no lo sé» no te da nada sobre lo que establecer un umbral, y sus probabilidades de 0,9 significan menos que los 0,9 de d1.2.

La advertencia es simétrica y vale la pena señalarla: d1.2 acierta en menos preguntas difíciles. Si tu tarea es una pregunta de conocimiento con una respuesta definitiva y sin ruta de abstención —¿esta afirmación es coherente con la política?, ¿este código coincide con la especificación?—, estás cambiando precisión por honestidad, y puede que el intercambio no sea gratuito.

Qué puede responder el nuevo modelo que el antiguo no puede

d1.2 añade cinco tipos de respuesta y entrada de audio. D1 no tiene ninguno de ellos, y por mucho prompting que se añada no se cierra esa brecha, porque el contrato de respuesta no tiene ningún campo para una posición de span ni para una caja delimitadora.

• Un valor junto con los caracteres de los que se leyó, o "no encontrado" — la primitiva de extracción que elimina una segunda pasada generativa por campo.

• Cada fragmento de un tipo con posiciones — nombres, números de teléfono, direcciones de correo electrónico, como una primitiva de redacción en lugar de un prompt de resumen.

• Un recuadro alrededor de un objeto o de cada instancia, además de un recuento.

• Una estimación con un rango asociado.

• Cada opción aplicable con su propia probabilidad, en lugar de un único ganador.

El audio funciona en ambos sentidos: la grabación puede ser el sujeto o puede ser la pregunta. Las cifras de precisión de todo esto son de Liquid, sobre conjuntos de prueba internos construidos a partir de divisiones reservadas de conjuntos de datos públicos, porque ningún benchmark público cubre las nuevas tareas: 98% y 96% al leer un valor de un recibo para d1.2-ultra y d1.2, 94%/93% frente a 92%/88% en fragmentos de datos personales, y 94% para ambos en la ubicación de objetos. Trátalas como al proveedor evaluándose a sí mismo; la junta no tiene ninguna fila para nada de esto.

Un detalle de facturación va de la mano. Con D1, cada pregunta se facturaba como su propio prompt, incluida cada imagen adjunta; con d1.2, una solicitud factura su texto y sus imágenes una vez, y cada pregunta adicional solo añade su propio texto. Haz diez preguntas sobre una única fotografía de 1024×1024 —1,536 tokens de imagen— y la regla antigua cobra unos 15,360 tokens de imagen; la nueva cobra 1,536. A un idéntico $0.02, el patrón de varias preguntas resulta varias veces más barato en d1.2, y el ahorro está en la regla de facturación, no en la tarifa.

¿Qué se rompe cuando cambias la cadena?

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.

Menos de lo que esperarías, y las excepciones merecen una prueba en lugar de una preocupación. El endpoint sigue siendo api.liquid.ai/decisions/v1/systemone, la cadena del modelo pasa a ser d1.2, y los tres tipos de pregunta originales conservan la forma de sus solicitudes y respuestas. Un cliente que envía un valor, una opción y una puntuación recibe el mismo JSON de vuelta.

Tres cosas que verificar con su propia muestra antes de cambiar una ruta de producción:

• Análisis de «no encontrado». Los nuevos tipos de respuesta pueden devolver una ausencia explícita, y un analizador que asumía un valor no nulo fallará con ello. Esto es una característica, pero es un cambio incompatible en un esquema estricto.

• Ubicación del umbral. Ahora las probabilidades significan algo distinto. Un 0.8 en d1.2 es un 0.8 más fiable que un 0.8 en D1, así que un umbral ajustado con el exceso de confianza del modelo antiguo se activará con menos frecuencia tras el cambio. Vuelve a ajustarlo en lugar de trasladarlo tal cual.

• La porción de conocimiento. Si parte de tu carga de trabajo consiste en emitir juicios sobre hechos en lugar de leer documentos, mide esa porción por separado. Es el único punto en el que la mayor abstención del nuevo modelo podría costarte cobertura, y las filas de precisión del panel lo dicen con claridad.

¿Quién debería migrar y quién debería medir primero?

Migra sin ceremonias si la carga de trabajo es extracción, enrutamiento, selección de herramientas o clasificación sensible a la consistencia. Cada fila publicada favorece a d1.2, el precio no cambia, y las brechas de invariancia y de llamada a herramientas son lo suficientemente grandes como para que sea improbable que una nueva ejecución las invierta.

Primero, mide si la carga de trabajo es juicio de conocimiento a escala, o si el pipeline tiene un umbral de probabilidad ajustado a mano. Ninguna de esas dos cosas es razón para permanecer en D1, pero ambas son razones para pasar unos miles de estados reales por ambos modelos y comparar las probabilidades en lugar de las etiquetas.

Primero, el acceso, ya que una pregunta de migración suele convertirse en una pregunta de adquisición. Tanto D1 como d1.2 están en la API de Liquid; ninguno está en nuestro catálogo, y nada de esto constituye una afirmación de disponibilidad. El modelo de nuestro catálogo que corresponde a esta prueba es Jev 1.14, que lleva EvalSafe-O*NET-AA a 91.14 donde d1.2 se detiene en 86.55, presenta la misma forma systemone y cobra $0.042 por millón de tokens de entrada. Pon los tres en los mismos estados y el DSL de enrutamiento escribe la división una vez —por tipo de pregunta, no por servicio— con los precios de lista del proveedor repercutidos con un margen del 0 % para que los $0.02 que ves cotizados sean los $0.02 que pagas. Conmutación por error automática es lo que permite que un modelo lanzado hace dos días mantenga un carril de una carga de trabajo activa en lugar de toda ella.

Esa es toda la comparación. Mismo precio, mismo contrato, mismo endpoint, una generación de trabajo de diferencia entre ellos, y seis victorias compuestas frente a dos filas de precisión que el modelo antiguo todavía mantiene — ambas situadas en el eje de conocimiento, donde la abstención de d1.2 es lo que le cuesta. Si tu carga de trabajo es extracción, enrutamiento o clasificación, cada fila que te importa se movió en la dirección correcta. Si se trata de juicio de hechos sin un revisor detrás, ejecuta primero la comparación en la sombra y deja que los números de tus propios estados decidan.