Una tarjeta de título generada encabezada por «Audio de entrada, cajas de salida, evidencia adjunta», con el subtítulo «Liquid AI d1.2 y d1.2-ultra - publicados el 16 de noviembre de 2026». Tres tarjetas redondeadas muestran «75» sobre «n.º 1 de 25 modelos de decisión», «$0.02» sobre «por 1 millón de tokens de entrada» y «5» sobre «nuevos tipos de respuesta»; tres chips con contorno a continuación muestran «leer un valor», «localizar un objeto» y «todas las opciones que correspondan». La marca de OrcaRouter está compuesta en la esquina inferior derecha.
Guides & Insights

Liquid AI d1.2 llega con entrada de audio y salida de cajas — y el modelo barato es el interesante

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 d1.2-ultra se lanzaron en la API del proveedor el 16 de noviembre de 2026, y la cifra destacada corresponde al caro: d1.2-ultra obtiene 75 en el Artificial Analysis Decision Index v2.1, el primero entre los 25 modelos de decisión que clasifica el consejo. El cambio más trascendente está en el cuerpo de la solicitud, no en la tabla de clasificación. Ahora ambos modelos devuelven respuestas que la generación anterior no podía expresar —un valor junto con los caracteres de los que se leyó, una lista de fragmentos con sus posiciones, un cuadro delimitador, un recuento con un rango en torno a él, un conjunto de opciones cada una con su propia probabilidad— y ambos aceptan audio, ya sea como aquello sobre lo que se pregunta o como la propia pregunta.

Ese es un tipo de lanzamiento distinto al de una mejora de precisión. Un modelo de decisión solía devolver una etiqueta y una probabilidad, lo que significaba que cualquier pipeline que necesitara la evidencia detrás de la etiqueta tenía que añadir un segundo modelo para encontrarla. d1.2 responde con la evidencia adjunta, en una sola pasada hacia delante, a $0.02 por millón de tokens de entrada. d1.2-ultra hace lo mismo a $0.042. Ninguno genera tokens de salida, así que sigue sin haber nada que transmitir en streaming: son modelos a los que llamas y de los que recibes un objeto estructurado.

Ambos están disponibles hoy en la propia API de Liquid y en ningún otro lugar que el proveedor confirme. Todo lo siguiente separa lo que Liquid informa de lo que midió Artificial Analysis, porque en esta versión los dos no son el mismo conjunto de cifras y la diferencia importa.

Qué se envió realmente, artículo por artículo

Los cinco nuevos tipos de respuesta son aditivos. El endpoint no cambia, los tres tipos de pregunta originales no cambian, y un cliente que envía el mismo JSON que envió ayer obtiene la misma forma de respuesta.

• Leer un valor — pregunte cuánto se debe en una factura y obtenga el número junto con los caracteres de los que se leyó, o la cadena "not found" cuando el campo no está presente. Esta es la que elimina la mayor cantidad de código de pegamento, porque la solución habitual es una segunda llamada generativa para volver a leer la página.

• Encuentra cada intervalo de un tipo —cada nombre, número de teléfono y dirección de correo electrónico en una nota, cada uno con su posición en el texto. Eso es una primitiva de redacción, y es la primera vez que esta familia ofrece una.

• Localizar cosas en una imagen — un cuadro alrededor de la firma en un formulario escaneado, o un cuadro alrededor de cada instancia de un objeto más el recuento. «No encontrado» es una respuesta disponible, lo que importa más de lo que parece: un detector de objetos que deba devolver siempre un cuadro se lo inventará.

• Estime un número con un rango: doce personas en la foto, de forma plausible entre diez y catorce. El rango es la parte honesta del resultado, y es la pieza que, de lo contrario, la mayoría de los equipos tendría que calibrar por sí misma.

• Seleccione todas las opciones que correspondan — facturación y entrega, cada una con su propia probabilidad, en lugar de un único ganador. La clasificación multietiqueta antes se simulaba haciendo la misma pregunta una vez por etiqueta y pagando por el estado cada vez.

El audio llega en ambas direcciones. La grabación puede ser el tema —qué idioma se habla, si hay una sirena de fondo—, o la pregunta puede formularse hablada en lugar de escrita. Liquid informa una precisión del 95 % al 97 % en grabaciones reservadas de ESC-50 y FLEURS, con entre tres y seis opciones por pregunta y confusiones cercanas, como español frente a portugués, en la mezcla.

Un cambio en la facturación viene incluido y es fácil que pase desapercibido. Ahora una solicitud factura su texto e imágenes una sola vez, y cada pregunta adicional añade solo su propio texto. En la generación anterior, cada pregunta volvía a facturar el prompt completo, incluidas todas las imágenes adjuntas, así que un interrogatorio de diez preguntas sobre una sola fotografía pagaba diez veces por la fotografía.

El tablero, y entre qué es primero el primer lugar.

A generated two-column scoreboard titled ‘d1.2 vs d1.2-ultra - the scoreboard’. The d1.2 column lists Decision Index 69, #9 of 25; AA-Paperclip 62.6, 44.3% all-pass; AA-Symmetry 76.5; When2Call 96.1; HLE accuracy 5.30%; cost per 1M tasks $63. The d1.2-ultra column lists Decision Index 75, #1 of 25; AA-Paperclip 75.8, 67.7% all-pass; AA-Symmetry 86.3; When2Call 96.5; HLE accuracy 2.36%; cost per 1M tasks $133. The footer reads ‘All scores per Artificial Analysis Decision Index v2.1; the five new answer types are vendor-reported and not on the board.’ The OrcaRouter mark is composited bottom right.

Artificial Analysis ha puntuado ambos modelos nuevos en Decision Index v2.1, y las cifras no son reportadas por el proveedor: el propio panel los ejecutó, con las mismas seis evaluaciones, a los precios de lista actuales. d1.2-ultra queda en 74.85, primero de 25 modelos de decisión y 2.2 puntos por delante de su rival más cercano entre los modelos de decisión, Drex Max v1.1 con 72.62. d1.2 queda en 68.69, noveno de 25, por encima de la mediana de la clase de 66.

La salvedad que conviene tener presente es que “primero” tiene un alcance limitado. El mismo panel también puntúa dos modelos de lenguaje generales con el mismo instrumento, y ambos superan a d1.2-ultra de forma rotunda: Claude Haiku 5.5 (Max) con 76,49 y GPT-6 Luna (Max) con 75,67. Ninguno es un modelo de decisión, y el costo de la comparación es enorme —6.218 y 1.548 dólares por millón de tareas frente a 133—, pero “número uno en el Decision Index” sin la palabra decisión no es lo que muestra el panel.

Lo que el consejo sí corrobora, de forma independiente, es la historia de la calibración. Las puntuaciones de decisión de este índice restan la puntuación de Brier de la probabilidad asociada a la respuesta elegida, por lo que un modelo que acierta pero tiene una confianza desmedida recibe una penalización. d1.2-ultra tiene un Brier de 0,150; d1.2, de 0,164; y el modelo al que sustituyen, d1-ultra, de 0,176. El nuevo modelo, más barato, está mejor calibrado que el antiguo insignia pese a obtener 1,9 puntos menos en total, que es el tipo de discrepancia que solo se manifiesta cuando otra persona ejecuta el arnés de evaluación.

El tiempo y el costo completan el panorama y tiran en direcciones opuestas. d1.2 se ejecuta a 150 ms por tarea, el octavo más rápido de la tabla y justo por debajo de la mediana de 206 ms. d1.2-ultra se ejecuta a 218 ms, más lento que la mediana y en el puesto 15. En cuanto al costo por millón de tareas, la tabla sitúa a d1.2 en $63, el tercero más barato de los 25, y a d1.2-ultra en $133, undécimo frente a una mediana de $137.

Los números de las nuevas tareas, y quién los produjo

A headless-browser screenshot of Liquid AI's own release post, captured 18 November 2026 in English, headed ‘d1.2: State-of-the-Art Omnimodal Decision Models’ and dated Nov 16, 2026. The opening paragraph announces d1.2 and d1.2-ultra with audio input and five new tasks, states that d1.2-ultra ranks first among decision models on the Artificial Analysis Decision Index v2.1, and gives $0.02 per million input tokens for d1.2 against $0.042 for d1.2-ultra. A row of task tiles beneath reads ‘Read a value’, ‘Find every passage of a kind’ and ‘Locate things in a picture’.

Ningún benchmark público cubre todavía ninguno de los cinco nuevos tipos de respuesta, por lo que toda cifra de precisión para ellos proviene de los propios conjuntos de prueba internos de Liquid, construidos a partir de particiones reservadas de conjuntos de datos públicos. Son la evaluación de un proveedor de su propio modelo con datos que eligió, y deben interpretarse exactamente como eso.

• Lectura de un valor de un recibo, en CORD y SROIE — 98 % para d1.2-ultra, 96 % para d1.2. Una lectura cuenta como correcta cuando encuentra el objetivo o indica correctamente que está ausente, lo que hace que el caso de no encontrado forme parte de la puntuación en lugar de ser un pase libre.

• Fragmentos de datos personales, en Nemotron PII: 94% de precisión y 93% de exhaustividad para el ultra, 92% y 88% para d1.2. La brecha de exhaustividad de cinco puntos es la mayor separación entre los dos modelos en cualquiera de las cinco tareas, y es la que importa para la censura de datos, donde un fragmento omitido es el fallo que te cuesta una multa.

• Localización de objetos, en la familia RefCOCO — 94 % para ambos. Ninguna separación en absoluto.

• Conteo dentro de uno, en COCO — 93% para el ultra, 92% para d1.2.

• Seleccionar cada objeto presente, en COCO — 87% para el ultra frente a 90% para d1.2, la única fila en la que gana el modelo barato.

Así que la versión premium aporta una mejora clara en la lectura de valores y en el recuerdo de secuencias, y casi nada en tareas espaciales. Si tu caso de uso son cajas, el modelo de $0.02 es el primero que deberías probar.

Audio, y la ficha técnica que no se ha actualizado

El audio es la afirmación con la mayor brecha entre el anuncio y el registro independiente. La publicación de Liquid describe la entrada de audio como una capacidad destacada de ambos modelos; la especificación técnica de Artificial Analysis para ambos todavía enumera la modalidad de entrada como texto e imagen, y el índice no tiene evaluación de audio, así que nada en el tablero pone a prueba la afirmación. Eso no es una contradicción —el tablero simplemente no ha llegado ahí—, pero sí significa que la capacidad de audio es actualmente una declaración del proveedor sin ninguna verificación de terceros que la respalde.

La misma precaución se aplica a los cinco nuevos tipos de respuesta: el índice no mide ninguno de ellos. Un modelo puede ser el primero en la tabla y no estar medido en aquello que realmente quieres hacer con él.

La tabla de calibración del proveedor merece la pena leerla por una razón distinta. En 13 benchmarks y 22.505 preguntas respondidas por los cinco modelos, Liquid sitúa el error de calibración en 0,8 puntos para d1.2-ultra, 1,2 para d1.2, 2,7 para Jev 1.14, 3,7 para Decider v1.3 de Perplexity y 7,2 para GPT-6 Luna en su endpoint Decisions. Esas son cifras obtenidas por el proveedor sobre un conjunto de preguntas elegido por el proveedor. Las puntuaciones Brier del panel apuntan en la misma dirección para los mismos dos modelos, que es lo más parecido a una segunda opinión disponible esta semana.

Comprobando la frase de costo contra el tablero

A headless-browser screenshot of the Artificial Analysis d1.2 model page, captured 18 November 2026 in English. The summary panel reads ‘d1.2 is above average on the Decision Index and well priced’, gives a Decision Index score of 69 against a median of 66, 150 ms per task against a median of 206 ms, $0.02 per 1M input tokens, and about $63 per 1M tasks to run the index against a median of $137. The technical specification block lists text and image input and a 66k-token context window.

Liquid hace una afirmación inusualmente falsable: ningún modelo supera la puntuación de d1.2 por menos dinero, y ningún modelo supera la puntuación de d1.2-ultra a ningún precio. Ambas mitades sobreviven al tablero, con la misma salvedad de alcance que antes.

• La segunda mitad es casi trivialmente cierta entre los modelos de decisión — nada más en el tablero de 25 modelos puntúa por encima de 74.85 en absoluto. Solo falla si se admiten los dos modelos de lenguaje generales, y estos cuestan entre 12 y 47 veces más por millón de tareas.

• La primera mitad se mantiene en el tablero de decisiones: todo modelo de decisión que puntúa por encima de 68,69 de d1.2 cuesta más por millón de tareas. El competidor barato más cercano es Decider v1.3 de Perplexity, con 70,41 y 68 $, lo que está a menos de dos puntos de índice por cinco dólares por millón de tareas —lo más cerca que llega el tablero a un contraejemplo, y aún del lado correcto de la frase de Liquid.

• Las cifras de coste son propias de Artificial Analysis, calculadas con los precios de lista actuales y promediadas con los pesos del índice. Son un coste modelado por tarea, no una factura, y varían si un proveedor cambia un precio.

Ese último punto es donde una capa de enrutamiento se gana su lugar en vez de autopromocionarse. Esta versión cambió la regla de facturación de Liquid, redujo a la mitad el precio efectivo del modelo barato frente al antiguo buque insignia, y lo hizo hace dos días. Por nuestra parte, los precios de lista de los proveedores se trasladan con un 0% de margen, así que una rebaja del proveedor llega aquí el mismo día y no en la próxima renovación del contrato: los $0.02 y $0.042 de este artículo son las cifras del proveedor, no una reexpresión con margen añadido.

Qué hacer esta semana, si ya tienes en marcha un modelo de decisión

Nada en este texto es un anuncio de disponibilidad: ambos modelos nuevos están en la API de Liquid y ninguno ha llegado aún a nuestro catálogo. La razón para mencionar el nuestro es que el lanzamiento es un lanzamiento de modelo de decisión, y el modelo de decisión que sí servimos es Jev 1.14 — la única fila de la tabla que supera a d1.2-ultra en un componente, EvalSafe-O*NET-AA con 91.14 frente a 89.53, con la misma forma de solicitud de systemone a $0.042 por millón de tokens de entrada. Independientemente de lo que concluyas sobre los cinco nuevos tipos de respuesta, el segmento de seguridad y lugar de trabajo tiene un titular con el que puedes comparar hoy.

La maniobra que tiene sentido antes de que aparezcan realmente las plataformas de terceros que Liquid promete es una ejecución en la sombra. Envía a ambos modelos d1.2 los estados que tu pipeline ya ve, compara las probabilidades en lugar de las etiquetas top-1 y fíjate especialmente en los casos en los que el modelo responde 0,8 y se equivoca. Esa cola es donde la generación anterior era más débil, y es justo lo que esta versión afirma haber corregido y que el índice solo puede confirmar en parte.

La conmutación automática por error es la otra mitad de probar un modelo de hace dos días sin apostar por él una ruta de producción: dirige una fracción a d1.2-ultra, mantén el modelo actual detrás y deja que una mala tarde de un proveedor degrade la tasa de respuestas en lugar de tumbar el pipeline. Es una forma más barata de saber si 75 es real que esperar el benchmark de otro.

La pregunta abierta no es si estos modelos se lanzaron —se lanzaron, con precios y un endpoint—, sino si los cinco nuevos tipos de respuesta se sostienen fuera de las particiones reservadas propias de Liquid. Nadie ha publicado una cifra independiente para ninguno de ellos y, hasta que alguien lo haga, la postura honesta es que este lanzamiento añade un contrato de salida realmente útil basado en evidencia que es enteramente del propio proveedor.