d1-omni vs Liquid AI D1 Ultra: un archivo de 850 MB frente a un medidor de $0,042, y la aritmética no es lo que esperas

El instinto cuando pones d1-omni junto a Liquid AI D1 Ultra es que ocupan extremos opuestos de un rango y que la elección tiene que ver con la ambición. Uno es 587M de parámetros de pesos abiertos —850MB en disco en la etiqueta que apareció en la biblioteca de Ollama esta semana, un checkpoint que se ha descargado unas 13.900 veces desde Hugging Face desde el 5 de octubre de 2026. El otro es el modelo de decisión insignia de Liquid AI, anunciado el 15 de octubre de 2026, sin recuento de parámetros divulgado, sin pesos publicados y con un único número publicado que importa más que cualquier benchmark: $0.042 por millón de tokens de entrada. Alquilar una decisión de frontera frente a poseer una pequeña suena a una cuestión de presupuesto. Si pasas el medidor por una carga de trabajo real, en gran medida deja de serlo: la ventaja del modelo pequeño no es que sea barato, sino que es tuyo.

Esa distinción merece precisarse con exactitud, porque las dos cosas que se comparan no son dos modelos en la misma estantería. Liquid AI D1 Ultra es un endpoint al que llamas. d1-omni es un archivo que ejecutas. Ambos responden a las mismas tres formas de pregunta —un sí/no con una probabilidad, una etiqueta con una probabilidad por etiqueta, o una posición en una escala— y ambos devuelven esas respuestas en una sola pasada hacia adelante sin generar ningún token de salida. Todo lo demás, incluido cuánto cuestan las respuestas y quién es responsable cuando se desvían, depende de cuál de los dos elijas.

El lado del alquiler, con precios tal como Liquid AI los factura realmente

Liquid AI D1 Ultra solo cobra por la entrada, a 0,042 $ por millón de tokens de entrada, sin cargo por finalización porque no hay finalización. Esa es toda la lista de tarifas, y la parte interesante es la regla de imágenes que hay debajo. Las imágenes se facturan a la tarifa de texto por parches: 1,5 tokens por parche de 32×32 píxeles, lo que hace que una imagen de 1024×1024 cueste 1536 tokens. Y cada pregunta se factura como su propio prompt, con su propia copia del estado y de todas las imágenes adjuntas. Si haces cuatro preguntas sobre la misma foto, pagas por esa foto cuatro veces.

Asigna un número a una carga de trabajo en la que una decisión de visión sea el encaje natural. Supón una pasada nocturna sobre 25.000 fichas de productos, cada una con una fotografía de 1024×1024 y unos 200 tokens de texto de la ficha, que plantea dos preguntas tipadas: una de sí/no sobre si la imagen coincide con la categoría y otra de puntuación sobre la calidad de la imagen. Cada prompt lleva 1.536 tokens de imagen más 200 tokens de texto, es decir, 1.736 tokens, y hay dos preguntas, así que 3.472 tokens por ficha. Eso son 86,8 millones de tokens de entrada para la pasada, o aproximadamente $3,65. Un trabajo nocturno, durante todo el mes, se queda en el rango bajo de los cientos de dólares.

Es un resultado verdaderamente incómodo para cualquiera que asumiera que la opción de frontera era la costosa. El modelo de precios es la razón: los modelos de decisión nunca emiten tokens, así que la curva de costes no tiene un término de salida que se dispare, y la refacturación por pregunta es un multiplicador fijo con el que se puede planificar en lugar de una variable que uno descubre en la factura.

El lado propio, y dónde se esconde realmente su coste

d1-omni no tiene ningún precio por llamada. Es un modelo de 587M de parámetros —381M de tronco compartido y cabeza de decisión, un codificador de visión SigLIP2 de 94M heredado de Liquid AI LFM2.5-VL-450M, y un codificador de audio de 112M— publicado bajo los términos de LFM 1.0 de Liquid, con compilaciones GGUF a partir del 6 de octubre y compilaciones MLX el 12 de octubre. Su costo es el hardware que ya tenga, más la parte que nadie incluye en la comparación: el trabajo de mantenerlo ahí.

Qué comparten y qué no comparten las dos opciones, en las dimensiones que determinan un despliegue:

• Pesos — publicados para d1-omni bajo LFM 1.0; no publicados para Liquid AI D1 Ultra. Liquid describe su modelo insignia únicamente como "basado en un modelo de pesos abiertos más grande con una serie de personalizaciones profundas específicas de Liquid". La base es abierta; el modelo que utilizas no lo es.

• Parámetros: 587M y totalmente desglosados para d1-omni; no revelados para d1-ultra. No se puede dimensionar el hardware para el buque insignia porque Liquid no ha publicado un tamaño. El hardware para el 600M sí se puede dimensionar con exactitud: 850 MB en la etiqueta mixta Q8_0 de Ollama, 1,2 GB para la etiqueta BF16.

• Precio — sin precio por llamada en d1-omni; $0.042 por millón de tokens de entrada en d1-ultra, con imágenes a 1.5 tokens por parche de 32×32 y cada pregunta se vuelve a facturar con el estado completo.

• Modalidades: d1-omni acepta texto más imágenes o texto más hasta 30 segundos de audio, pero nunca ambos en una misma solicitud. d1-ultra se describe como multimodal sin un desglose de modalidades publicado; lo que Liquid documenta son los tipos de preguntas y la regla de tokens de imagen.

• Contexto — 16.384 tokens para d1-omni en posiciones de texto, imagen y audio combinadas, reducido a 896 tokens de texto de estado y de pregunta siempre que se adjunta una imagen, "según el entrenamiento". No se ha publicado ninguna cifra de contexto para d1-ultra.

• Latencia — no hay cifras de inferencia publicadas para d1-omni, porque Liquid afirma que no las reporta para un checkpoint que describe como una versión de investigación temprana en desarrollo activo; d1-ultra se sirve de extremo a extremo sin que tampoco se haya publicado una cifra de latencia por separado.

• Calibración: el modelo insignia fue entrenado explícitamente para ello.La justificación declarada de Liquid es que la mayoría de los modelos de decisión son demasiado confiados, por lo que d1-ultra se ajustó para producir probabilidades más fiables. d1-omni lleva una etiqueta de calibración propia, pero el 600M es un checkpoint experimental y ningún tercero ha medido la calibración de ninguno de los dos modelos.

Las dos puntuaciones no son una misma regla.

La tentación es escribir 15.95 junto al modelo insignia y restar. No lo hagas. El 15.95 de d1-omni proviene de la partición pública de Decision Index v0.2.1, una tabla en la que Liquid AI puntuó sus propias entradas con el evaluador oficial en lugar de enviarlas —subpuntuaciones: Conocimiento 8.3, Lenguaje 12.9, Recuperación 35.0, Herramientas 15.1, Artes 6.8—, frente al 48.57 de d1-3B dentro de la misma familia. La afirmación de Liquid para d1-ultra es un primer puesto en el Artificial Analysis Decision Index por al menos ocho puntos, que es una tabla diferente con una versión diferente, publicada antes de que existiera el modelo insignia. Los dos números miden cosas distintas con reglas distintas, y la lectura honesta del par solo permite concluir que la brecha es grande, no que sea de cuarenta y tantos puntos.

La cifra que sobrevive a la comparación es la que nadie publica: el 600M no tiene ninguna cifra de inferencia, así que no puedes afirmar su coste por decisión en tu propio hardware sin medirlo tú mismo. Esa medición, y no una tabla de clasificación, es lo que permite decidir entre comprar y alquilar.

Tres cargas de trabajo, tres respuestas diferentes

• Un lote nocturno de 25.000 comprobaciones de imágenes — unos 3,65 $ por pasada en Liquid AI D1 Ultra, y en d1-omni una descarga de 1,2 GB más la GPU que le asignes. A este volumen, el medidor no es el factor decisivo; el factor decisivo es si quieres la precisión que promete el buque insignia, y si tres dólares por noche valen más que mantener un servidor de modelos.

• Una puerta estricta en la que la probabilidad es la decisión — una aprobación, una resolución de moderación, una operación que se activa al alcanzar un umbral. Aquí la calibración es el producto, y d1-ultra es el único de los dos que, según Liquid, se entrenó específicamente para ello. Una probabilidad incorrecta con una confianza de 0,6 es peor que no tener ninguna probabilidad, y ningún tercero ha comprobado todavía ninguno de los dos modelos en ese aspecto. Si el umbral importa, querrá que se reproduzca la afirmación de calibración del proveedor antes de confiar en ella en el límite.

• Un clasificador de alto volumen y bajo riesgo en un dispositivo — enrutar un comando de voz, clasificar una bandeja de entrada, marcar un anuncio para revisión humana. Nada de esta carga de trabajo requiere un modelo de frontera alojado. El 600M devuelve una respuesta tipada a partir de una única pasada hacia adelante en 850MB, que es la razón completa de que exista, y el presupuesto de imágenes de 896 tokens es suficiente para una frase de estado y una foto.

Dónde se sitúa realmente el límite de enrutamiento

Ninguno de los dos modelos está en nuestro catálogo, y conviene decirlo con claridad en lugar de insinuar lo contrario: cada llamada a Liquid AI d1-omni-600M y cada llamada a Liquid AI d1-ultra va a tu propio hardware o a la API propia del proveedor y a plataformas de terceros, no a través de nosotros. Lo que cubre OrcaRouter es la mitad del flujo de trabajo que un modelo de decisión no puede hacer por sí mismo. Un modelo de decisión de 587M devuelve una etiqueta o una probabilidad y se detiene; algo tiene que seguir escribiendo la respuesta, resumiendo el caso o actuando según la puntuación. Una API para más de 200 modelos, con el precio de lista de cada proveedor transferido sin modificaciones y el DSL de enrutamiento disponible cuando una solicitud triada necesita distribuirse a más de un modelo, es una afirmación más discreta que "alojamos el modelo de decisión", y es la verdadera.

¿Qué cambiaría la respuesta?

La comparación actualmente se decide por dos ausencias. Liquid AI D1 Ultra no tiene una cifra publicada de parámetros, por lo que su coste por token no se puede razonar frente al tamaño del trabajo que realiza, y tampoco tiene una cifra de latencia, por lo que no se puede diseñar una ruta interactiva en torno a él sin medir. Y d1-omni no tiene cifras de inferencia publicadas por decisión del propio proveedor, por lo que el cálculo de propio frente a alquiler tiene un lado que solo un benchmark de tu propio hardware puede completar.

Si se cierra cualquiera de esas dos, cambia la forma de la decisión. Un resultado de calibración independiente sobre d1-ultra resolvería la carga de trabajo de la puerta, donde el precio ya es un orden de magnitud más económico de lo que la mayoría de la gente supondría. Una cifra de latencia de Liquid para el 600M permitiría a alguien colocarlo en una ruta interactiva con confianza en lugar de probarlo primero. Hasta entonces, la lectura segura es limitada y poco glamurosa: el buque insignia tiene un precio tan cercano a gratis que el presupuesto por sí solo no te empujará a ejecutar nada por tu cuenta, y la verdadera ventaja del 600M es que, una vez que tienes el archivo, nadie puede cambiarte la cifra, las condiciones ni el punto de conexión a tus espaldas.

Los fallos de IA documentados y los incidentes de agentes que hay detrás de lanzamientos como este se recopilan en el Archivo de Incidentes de IA de OrcaRouter, donde cada entrada incluye sus propias fuentes, gravedad, grado de confianza e indicador de disputa.