Una tarjeta de título generada encabezada por «Karpo Decision 31B vs Liquid AI D1 Ultra» con el subtítulo «Una tiene un precio. La otra tiene una historia», cuatro chips que muestran «$0.042 por millón de tokens de entrada», «70.58 en Artificial Analysis v2.1», «73.9 en el tablero de la comunidad» y «sin fila de Artificial Analysis para Karpo», y dos tarjetas delineadas separadas por un fino divisor etiquetado «con precio y servido» y «pesos abiertos, sin endpoint».
Guides & Insights

Karpo Decision 31B vs Liquid AI D1 Ultra: Uno tiene un precio, el otro tiene una historia.

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 Ultra es el único modelo de esta comparación que un equipo de finanzas puede aprobar. Se lanzó el 15 de octubre de 2026, se sirve desde la infraestructura propia de Liquid a 0,042 $ por millón de tokens de entrada con cero tokens de salida por construcción, y Artificial Analysis le otorga 70,58 en Decision Index v2.1 — octavo de 25 modelos de decisión, 4,3 puntos por detrás de su propio sucesor d1.2-ultra y más o menos a la par de Drex Max 1.1 con 72,62. Karpo Decision 31B, de MachinePulse, no tiene precio, ni endpoint, ni fila en Artificial Analysis. Lo que tiene es una puntuación Full de 73,9 en el Decision Index de la comunidad, calculada por los mantenedores de ese panel, y un repositorio Apache-2.0 de hace dos semanas que nadie ha anunciado.

Puestos uno al lado del otro, los dos modelos describen las dos formas en que un modelo de decisión puede entrar en una organización: uno llega con una factura y un número medido; el otro llega con un enlace de descarga y una promesa. Cuál debería importarte depende de si la capa de decisión va a entrar en producción este trimestre o se está prototipando con vistas al presupuesto del próximo trimestre.

El número que Liquid está vendiendo realmente, y por qué es el que no es una alucinación

A generated two-column scoreboard titled 'Karpo Decision 31B vs Liquid AI D1 Ultra — the scoreboard'. The Karpo column reads 'Score: 73.9 Decision Index', 'Price: none published', 'Cost per million tasks: self-hosted only', 'Latency: 94 ms per request', 'Non-hallucination: not reported' and 'Licence: Apache-2.0'; the D1 Ultra column reads 'Score: 70.58 Artificial Analysis', 'Price: $0.042 per million input', 'Cost per million tasks: $133', 'Latency: 301 ms per task', 'Non-hallucination: 88.6' and 'Licence: not open, API only'. The footer reads 'Karpo figures per the Decision Index; D1 Ultra figures per Artificial Analysis v2.1.'A capture of the Artificial Analysis Decision Index v2.1 page showing the six weighted evaluations — AA-Paperclip at 30%, EvalSafe-O*NET-AA at 15%, When2Call at 10%, AA-Omniscience-Decision at 15%, HLE-MultiChoice at 15% and AA-Symmetry at 15% — the methodology note that all evaluations are conducted independently by Artificial Analysis, the 'Update Oct 30, 2026' stamp, and the worked example of a support-ticket state scored by a decision model.

El titular de D1 Ultra es una afirmación de primer puesto de octubre que la clasificación publicada no respaldaba, y ese argumento ya se ha esgrimido en otros lugares. Lo que merece la pena entender ahora es qué cambió entre él y su predecesor, porque los datos de AA lo muestran con claridad.

Liquid AI d1, el original, obtiene 3,3 en la tasa de no alucinación de AA para la evaluación de conocimiento. Eso está cerca del fondo de toda la tabla: un modelo que, cuando no sabe, inventa. D1 Ultra obtiene 88,6 en la misma medida. En el examen de conocimiento de opción múltiple, pasa de 5,6 a 56,9. Casi nada de ese avance proviene de acertar más respuestas: la precisión bruta en AA-Omniscience de hecho cayó del 39,8 % al 28,0 %. El modelo mejoró al aprender a abstenerse.

Eso no es un truco. Para una capa de decisión, es el comportamiento más valioso que existe, porque una respuesta rechazada se deriva a una persona y una respuesta inventada con confianza se deriva a un cliente. Pero replantea qué está recompensando el índice. El 70.58 de D1 Ultra es en gran medida una puntuación por abstención, y la misma tabla muestra el costo: en HLE-MultiChoice, la precisión bruta es del 6.09%, una de las cifras más bajas de los 25 modelos enumerados.

El sucesor, d1.2-ultra, fue más lejos en la misma dirección y aún más allá — 83,8 de no alucinación con solo un 23,6 % de precisión bruta, un índice de 74,85 y la cima de la tabla. Liquid ha estado optimizando un eje con ahínco, y el eje es la honestidad más que el conocimiento.

Donde el perfil de Karpo va en la dirección opuesta

Los números de Karpo provienen de un instrumento distinto, así que no se pueden restar de los de Liquid. Lo que sí pueden hacer es mostrar una forma diferente.

En las cinco categorías del Decision Index, el área más fuerte de Karpo es herramientas y automatización, con 88,4 de habilidad corregida por azar, y la más débil es conocimiento y razonamiento, con 65,5. Su error de calibración registrado por el tracker es de 4,8 puntos. La ficha también informa una latencia mediana de 94 ms en hardware de referencia, frente a 301 ms por tarea para D1 Ultra según la medición de AA —mediciones distintas, una por solicitud y otra por tarea, por lo que solo son orientativas.

Lee los dos perfiles en conjunto y surge una diferencia coherente: Karpo es un modelo ajustado hacia la acción —selección de herramientas, enrutamiento, interacción con la página, las pequeñas decisiones que un agente toma en cada paso—, mientras que D1 Ultra y su sucesor están ajustados hacia la negativa. Un modelo que rechaza el 72% de las preguntas de conocimiento es un mal motor de selección de herramientas, porque la selección de herramientas no es una pregunta de la que se te permita abstenerte. Un modelo que responde correctamente el 88% en enrutamiento de herramientas pero solo el 65% en conocimiento es un mal motor de conocimiento.

Ese es el verdadero enfrentamiento, y es un enfrentamiento de uso previsto más que de puntuaciones. El propio planteamiento de MachinePulse en la ficha del modelo lo dice: el modelo es para las decisiones que un agente toma entre pasos, si llamar a una herramienta o preguntar primero, en qué elemento hacer clic. La versión de octubre de Liquid, y aún más su sucesora de noviembre, sirve para juzgar si una afirmación está respaldada.

La comparación de costos, con las salvedades correspondientes

• Liquid AI D1 Ultra — $0.042 por millón de tokens de entrada, sin cargo por salida porque no se genera nada, $133 por millón de tareas en el conjunto de documentos de AA, mediana de 301 ms por tarea.

• Karpo Decision 31B — sin precio publicado. Solo en autoalojamiento: 62,5 GB de pesos bf16, una GPU, 94 ms de mediana por solicitud en el hardware de referencia del tracker.

• Drex Max 1.1, a escala — $0.03 por millón de tokens de entrada con un precio de lanzamiento que AA señala como temporal, $102.7 por millón de tareas.

• La comparación que nadie publica: un modelo residente de 62.5 GB en una GPU alquilada cuesta lo que esa GPU cueste por hora, ya sea que le envíes una solicitud o diez mil. Con volúmenes pequeños, eso es mucho más que $133 por millón de tareas; con volúmenes altos y sostenidos, la situación se invierte.

La cifra por tarea es la que se debe usar como base para el presupuesto, porque incluye cuántos tokens consume cada modelo para responder al mismo documento, y un modelo que relee su estado repetidamente cuesta más por decisión de lo que sugiere su tarifa por token. Los $133 de D1 Ultra son los más altos de los tres modelos Liquid enumerados aquí y están $30 por encima del precio de lanzamiento de Drex Max 1.1. No es una capa de decisión barata, y el modelo al que sustituyó costaba $63.4.

Donde un nivel alojado realmente gana es en el extremo inferior. Si necesitas un modelo de decisión para cien solicitudes al día, aprovisionar 62,5 GB de memoria para Karpo no es una opción seria, y llamar a un endpoint servido a precio de lista sí lo es. Nuestro catálogo aplica el precio de lista del proveedor sin recargo, así que una rebaja de precio de Liquid llega el mismo día en que se anuncia, y un modelo de decisión puede convivir con el resto del stack con una sola clave en lugar de como un segundo contrato. Eso no es un argumento a favor de D1 Ultra frente a Karpo; es un argumento para no comprar una GPU para averiguar si la necesitas.

Lo que D1 Ultra puede decirte que Karpo no puede

Tres cosas, y todas son del tipo que uno descubre en el segundo mes.

La primera es la escalera de confianza. AA publica la calibración por tramos de cada modelo que evalúa, y la de D1 Ultra se entiende con claridad: en el tramo de confianza de 0.96 o más, acierta el 97.1% de las veces en la evaluación de simetría. Eso indica que un umbral de 0.95 se comporta más o menos como se anuncia, lo cual es una afirmación sobre la que se puede construir una cola de revisión. La ficha de Karpo da una única cifra agregada —un error de calibración de 4.8 puntos— y ninguna curva por tramos. Puedes generar una tú mismo, y tendrás que hacerlo.

El segundo es la invariancia. AA-Symmetry reordena las opciones, intercambia las etiquetas y niega las preguntas de sí/no en 440 variantes, y D1 Ultra obtiene 78,7 con una tasa de aprobación total del 45,8 %. Un modelo de decisión que da una respuesta diferente cuando se alfabetizan las opciones no es un modelo de decisión, es una moneda con pasos extra. La ficha de Karpo no informa un resultado de invariancia y, como su lectura puntúa los códigos de opción en posiciones fijas en lugar del texto de la opción, esta es exactamente la propiedad que vale la pena verificar antes del despliegue.

El tercero es el comportamiento ante el rechazo. AA informa un 88,6 de no alucinación en el conjunto de conocimientos para D1 Ultra, lo que significa que la ruta de abstención se ejercita y se mide. Karpo solo rechaza por longitud —nueve de 140.178 solicitudes, todas demasiado largas— y su ficha no dice nada sobre la abstención como decisión. No está documentado si Karpo rechaza una pregunta que no puede responder, o si elige la opción menos mala porque la lectura siempre elige algo. La sección de limitaciones solo dice que "siempre elige una de las opciones dadas".

Esa última frase es la más importante de las dos fichas de modelo. Un modelo de decisión que estructuralmente no puede abstenerse necesita una opción de «no hay respuesta segura» en cada lista de opciones, o un umbral en la probabilidad, o ambas cosas. Los diseñadores de D1 Ultra eligieron la otra arquitectura: puede declinar, y declina a menudo.

La licencia, que es el único terreno en el que Karpo gana de forma contundente.

Karpo Decision 31B es Apache-2.0, tanto los pesos como el código, con la licencia de Gemma 4 incluida junto a ella. Descárgalo, ejecútalo, modifícalo, distribuye el derivado, sin necesidad de hablar con un abogado.

Los modelos de Liquid no son abiertos. No hay pesos, ni autoalojamiento, ni ajuste fino con tu propio tráfico, ni despliegue en entornos aislados. La API es el producto. Para una canalización de clasificación interna que procesa documentos regulados, eso constituye un obstáculo en la adquisición de una manera que un checkpoint de 62,5 GB no lo es.

Así que la disyuntiva es cruda y no tiene que ver con las puntuaciones: Karpo te da control y nada más; Liquid te da un producto medido y te quita los pesos. Un equipo con un requisito de cumplimiento no puede elegir D1 Ultra a ningún precio. Un equipo con un plazo de tres semanas no puede elegir Karpo por mucho esfuerzo que haga, porque no hay ningún endpoint al que llamar.

Qué hacer este mes

Si la capa de decisión va a producción y la entrada son documentos, D1 Ultra es la opción defendible a pesar del precio y de la baja precisión de conocimiento bruto, porque se mide, se sirve y tiene precio, y su comportamiento de abstención es la propiedad que realmente se desea. En cambio, fíjese en d1.2-ultra si va a comprar ahora: es la misma línea de producto, cuatro puntos por encima en la misma tabla y con la misma salvedad de que una gran parte de su puntuación corresponde a abstención y no a conocimiento.

Si la entrada es una página, una captura de pantalla o una llamada a herramienta y tienes GPUs, Karpo es el modelo más interesante y el de la licencia más permisiva, y su habilidad de enrutamiento de herramientas de 88.4 es el número con el que hay que comparar tu propio tráfico. Entra sabiendo que eres la primera persona que lo mide en algo que importa: sin fila de AA, sin precio, sin anuncio y con un proveedor cuya página de producto actualmente devuelve cuatro-cero-cuatro.

Hay un camino intermedio que merece la pena mencionar, porque es lo que la mayoría de los equipos acaba haciendo. Ejecute el modelo alojado en producción, ejecute el abierto contra las mismas solicitudes sin conexión y compare la tasa de respuestas seguras pero erróneas en lugar del índice principal. Esa comparación requiere que ambos modelos se puedan invocar con una sola credencial y tengan precios transparentes, y eso es justo lo que nuestro catálogo hace posible —un modelo de decisión en servicio y las bases abiertas a partir de las cuales se construyeron estos ajustes finos, con una sola clave, al precio de lista del proveedor. Si Karpo consigue un endpoint o un envío a AA en el próximo mes, la latencia de ese cambio es ahora lo que hay que vigilar; si no lo hace, el 73.9 sigue siendo un número interesante en un tablero comunitario y D1 Ultra sigue siendo el modelo con un recibo.

A capture of the Hugging Face model card for MachinePulseAI/karpo-decision-31B showing the Text Classification tag, the gemma4 image-text-to-text tag, the apache-2.0 licence, the line 'Ranked #1 on the Decision Index, with the highest Full score, 73.9', the description of a multimodal decision model that returns a probability for every option of every question in one forward pass without generating text, 'Fine-tuned from google/gemma-4-31B', 'Parameters: 31.3B in bf16, plus a 255 x 5,376 readout in fp32', the screenshot input at state.viewport_screenshot, and the base-model link to google/gemma-4-31B.