Una tarjeta de título generada encabezada por ‘Primer puesto, último puesto, mismo ranking’, con el subtítulo ‘Liquid AI d1.2-ultra - Decision Index v2.1, 16 de noviembre de 2026’. Dos tarjetas redondeadas aparecen una al lado de la otra: la de la izquierda muestra ‘#1 de 24’ sobre ‘Decision Index 75’, la de la derecha muestra ‘#24 de 24’ sobre ‘precisión HLE 2,36%’; debajo, una línea de leyenda dice ‘un modelo, seis evaluaciones’, y tres chips con contorno dicen ‘medido por Artificial Analysis’, ‘contexto de 66k’ y ‘$0,042 por 1 millón de tokens de entrada’. La marca OrcaRouter está compuesta en la esquina inferior derecha.
Guides & Insights

Liquid AI d1.2-ultra lidera el Índice de Decisión con 75 — y queda en último lugar en una de sus seis pruebas

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-ultra es el primer modelo de esta categoría al que alguien distinto de la empresa que lo creó le otorga un primer puesto. Artificial Analysis le dio una puntuación de 75 en Decision Index v2.1, publicó ese número en la propia página del modelo en su tabla y lo situó en primer lugar entre 24 modelos de decisión —2,2 puntos por delante de Drex Max v1.1 de Nace.AI, con 73—. Liquid AI d1.2, la mitad más pequeña del mismo lanzamiento, ocupa el noveno puesto con 69. Ambos se lanzaron el 16 de noviembre de 2026, lo que convierte este en el primer lanzamiento de Liquid AI en el que la afirmación sobre la clasificación llegó con una tabla independiente que ya incluía el modelo, en lugar de una cifra del proveedor que apuntaba a una tabla anterior a este.

La misma tabla también sitúa a d1.2-ultra en último lugar entre esos 24 modelos en HLE-MultiChoice, con una precisión bruta del 2,36 %. Ambas afirmaciones son verdaderas a la vez, las mide la misma organización con el mismo instrumento el mismo día, y el espacio entre ellas es lo más útil del lanzamiento.

Por qué esta afirmación de la tabla de clasificación es un tipo diferente de afirmación

En octubre, Liquid AI anunció d1-ultra con una afirmación de primer puesto medida frente a Decision Index v1.0, una tabla publicada dos días antes de que ese modelo existiera. Nadie pudo comprobarlo, porque el modelo no estaba en la tabla. No es lo que ocurrió aquí. Artificial Analysis ejecutó d1.2-ultra por sí misma, en su propio hardware, mediante su propio sistema de pruebas, y el resultado es una fila clasificada con seis puntuaciones de componentes y una curva de calibración adjunta. Cuando Liquid dice «el más alto del índice y dos puntos por delante del mejor modelo de decisión anterior», tanto el índice como el mejor anterior son públicos y ambos coinciden.

La versión 2.1 es un promedio ponderado de seis evaluaciones, y los pesos no están distribuidos de manera uniforme. AA-Paperclip tiene un peso del 30%: 1.500 documentos privados —currículums, recibos, facturas, artículos de investigación—, cada uno con cinco decisiones y diez hechos, y se puntúa como un documento único que solo cuenta si las quince respuestas resultan correctas. EvalSafe-O*NET-AA, AA-Omniscience-Decision v1.1, HLE-MultiChoice v1.1 y AA-Symmetry v1.1 tienen cada uno un peso del 15%. When2Call, el conjunto de llamada a herramientas de NVIDIA, tiene un peso del 10%. Cada pregunta se puntúa como 50 × (1 + c − (p − c)²), donde c indica si la elección fue correcta y p es la probabilidad que el modelo le asignó, lo que se agrega a 50 × (1 + exactitud − puntuación de Brier). Un error cometido con seguridad cuesta más que uno cometido con duda, y un modelo que indica 0,6 y acierta obtiene mejor puntuación que uno que indica 0,99 y acierta.

De dónde viene el 75

A generated single-column scoreboard titled ‘Liquid AI d1.2-ultra - the scoreboard’, with six rows: Decision Index 75, first of 24; AA-Paperclip 75.8 with 67.7% of documents all-correct; AA-Symmetry 86.3, second of 24; When2Call 96.5, first of 24; HLE-MultiChoice 2.36% accuracy, last of 24; and Cost $133 per 1M tasks at $0.042 per 1M input tokens. The footer reads ‘All figures measured independently by Artificial Analysis, Decision Index v2.1; Liquid AI's own task accuracies are vendor-reported.’

Si se desglosa, el primer puesto lo sostienen dos evaluaciones y lo defiende una tercera. El resto no tiene nada de especial o es peor, lo cual vale la pena saber antes de que alguien tome una puntuación compuesta como una descripción del modelo.

• AA-Paperclip, 30 % del índice: d1.2-ultra obtiene 75,81 en la puntuación de decisión, con el 67,7 % de los documentos totalmente correctos, ambos en primer lugar entre 24. Drex Max v1.1 es segundo con 72,82 y 63,0 %; SubQ Snap 1.2, tercero con 71,58. El modelo al que sustituye, Liquid AI d1-ultra, se situaba en 64,69 y 51,3 %.

• When2Call, 10 % — d1.2-ultra ocupa el primer lugar con 96,49, por delante de SubQ Snap 1.2 con 96,10 y d1.2 con 96,09. La llamada a herramientas ya era la mayor fortaleza del sector; aquí la diferencia es de un punto y medio entre los diez primeros.

• AA-Symmetry, 15% — segundo con 86.34, por detrás de Mammoth 27B con 88.25. En la medida más estricta de aprobación total, el panorama cambia: Mammoth mantiene la misma respuesta entre paráfrasis en el 68.3% de las preguntas, Elephant 9B en el 65.8% y d1.2-ultra en el 56.7%. El segundo puesto en la puntuación no es el segundo puesto en consistencia.

• EvalSafe-O*NET-AA, 15% — tercero con 89.53, por detrás de Jev 1.14 con 91.14. Este es el único componente en el que el modelo de un competidor sigue liderando, y la diferencia no es lo bastante pequeña como para considerarla ruido.

• AA-Omniscience-Decision v1.1, 15% — 60.80, que está en la zona media, y por debajo del 64.39 que obtuvo d1-ultra.

• HLE-MultiChoice v1.1, 15% — 46,36 en la puntuación de decisión, pero 2,36% de precisión bruta, la más baja de las 24. Esa brecha no es una contradicción; es el aspecto que tiene un modelo bien calibrado cuando rechaza casi todo. Su tasa de no alucinación en el mismo conjunto es del 76,1%, lo que significa que tres de cada cuatro veces decía correctamente que no lo sabía en lugar de adivinar.

La métrica principal que subyace a los seis, la puntuación independiente del índice de precisión de AA, sitúa a {{1}}d1.2-ultra{{/1}} en primer lugar con {{2}}61.6{{/2}}, por delante de GLiDE v1.2 con 59.4 y Drex Max v1.1 con 58.2. Su puntuación de Brier de 0.150 es la mejor de las 24. El modelo no gana porque esté calibrado y nada más; gana en documentos y calibración en conjunto, que es la combinación que el índice fue creado para recompensar.

La puntuación que va en sentido contrario.

Hay una versión de este lanzamiento que se lee como un barrido limpio, y la fila HLE-MultiChoice es lo que la refuta. Un dos coma treinta y tres por ciento de precisión bruta en la opción múltiple de Humanity's Last Exam no es un error de redondeo, y no se explica por la opción de declinar: el modelo tiene la opción de abstenerse, y la toma, y la abstención se puntúa como honestidad en lugar de como conocimiento. Decider v1.3 responde correctamente el 15,32% de las mismas preguntas. Drex Max v1.1 responde el 8,25%. Liquid AI d1.2, el modelo barato de la misma versión, responde el 5,30%.

Esa última comparación es la extraña. En las evaluaciones con mucha carga de conocimiento, el modelo más pequeño y barato no es el más débil. d1.2 acierta el 30.0% de las preguntas de AA-Omniscience-Decision frente al 23.6% de d1.2-ultra, y obtiene 5.30% en HLE frente a 2.36%. Lo que d1.2-ultra compra con sus dos centavos extra por millón de tokens no es conocimiento; es manejo de documentos, simetría y calibración: la mitad operativa del trabajo. Si tu carga de trabajo es la extracción de datos de una factura escaneada, ese intercambio es obviamente correcto. Si es responder preguntas difíciles sobre el mundo, el modelo más barato de la misma familia es mediblemente mejor, y nada en la nota de lanzamiento lo dice.

El cambio de facturación que no está en el titular

La frase más trascendente en la publicación de Liquid es una regla de facturación, no un benchmark. Con d1-ultra, cada pregunta se facturaba como su propio prompt, incluidas todas las imágenes adjuntas, así que hacer diez preguntas sobre una fotografía suponía pagar por la fotografía diez veces. Con d1.2 y d1.2-ultra, la solicitud factura su texto e imágenes una sola vez, y cada pregunta adicional solo añade su propio texto.

Tome un documento de 2.000 tokens con una imagen de 1024×1024, que cuesta 1.536 tokens a la tasa indicada de 1,5 tokens por parche de 32×32 píxeles, y diez preguntas breves de aproximadamente 30 tokens cada una. Con la regla antigua, esa solicitud conlleva unos 35.700 tokens. Con la nueva, conlleva unos 3.840. A $0,042 por millón de tokens de entrada, eso es aproximadamente $0,0015 por solicitud frente a $0,00016 — un poco más de nueve veces más barato para un trabajo idéntico con un precio de lista idéntico. Con 100.000 solicitudes al mes, la diferencia es de unos $150 frente a $16. Ambas cifras son aritmética basada en la propia descripción de facturación del proveedor, no mediciones.

La segunda especificación que cambió es la ventana de contexto. Artificial Analysis indica 66k tokens para ambos modelos d1.2, frente a 33k para d1-ultra. La publicación de Liquid no indica ninguna ventana, así que la cifra de 66k es una lectura del panel y no una especificación del proveedor, y aun así sigue siendo el doble de lo que tenía la generación anterior. Para un modelo cuya función entera es recibir estado, eso es un cambio práctico mayor que cuatro puntos de índice.

Cinco nuevos tipos de respuesta y audio

Las incorporaciones de capacidades son aditivas en lugar de una reelaboración: el mismo endpoint, la misma forma de solicitud, cinco nuevos tipos de respuesta y una nueva modalidad de entrada. Ahora una pregunta puede solicitar un valor leído de la página —un número, una fecha, un nombre— devuelto junto con los caracteres de los que se leyó, o «no encontrado» si no está presente. Puede solicitar cada fragmento de un tipo determinado con posiciones, que es el caso de PII. Puede solicitar un cuadro delimitador alrededor de un objeto o un cuadro delimitador alrededor de cada instancia junto con un recuento. Puede solicitar una estimación con un intervalo asociado. Y puede solicitar cada opción aplicable, cada una con su propia probabilidad.

El audio es la otra incorporación, y funciona en ambas direcciones: la grabación puede ser aquello sobre lo que trata la pregunta, o puede ser la pregunta misma. Liquid informa que, en grabaciones no vistas, ambos modelos responden entre el 95 % y el 97 % de las preguntas sobre qué sonido oyen, de ESC-50, o qué idioma se habla, de FLEURS en 43 idiomas, con entre tres y seis opciones en cada caso y con confusiones cercanas, como español y portugués, entre las opciones.

Las cifras de precisión de las cinco tareas nuevas provienen de conjuntos de prueba internos creados a partir de particiones reservadas de conjuntos de datos públicos, y el proveedor lo dice claramente, porque ningún benchmark público cubre estas tareas todavía. Léalas como una evaluación del propio proveedor: 98% y 96% para leer un valor de un recibo en CORD y SROIE, 94%/93% de precisión y exhaustividad frente a 92%/88% para fragmentos de PII en Nemotron PII, 94% en ambos para la localización de objetos en la familia RefCOCO, 93% y 92% en el conteo con una tolerancia de uno en COCO, y 87% frente a 90% en seleccionar todos los objetos presentes —la única fila en la que gana el modelo barato.

Comprobando la reclamación del dinero

A headless-browser screenshot of the Artificial Analysis Decision Index v2.1 page, captured 17 November 2026 in English, headed ‘Artificial Analysis Decision Index v2.1’ and described as a composite index testing decision models across document decisions and extraction, tool calling, knowledge, reasoning and invariance, with a note that version 2.1 combines six evaluations starting with AA-Paperclip's 1,500 resumes, receipts, invoices and research papers.

La frase de precios de Liquid es inusualmente fácil de verificar: «ningún modelo puntúa más alto que d1.2 por menos dinero, y ningún modelo puntúa más alto que d1.2-ultra a ningún precio». Ambas mitades sobreviven al contraste con la tabla. Nada del índice de 24 modelos obtiene siquiera más de 74.85, así que la segunda mitad es trivialmente cierta. Para la primera, d1.2 se sitúa en 68.69 y 63 $ por millón de tareas; todos los modelos que puntúan por encima cuestan más, y el competidor barato más cercano es Decider v1.3, con 70.41 y 68 $. La afirmación se sostiene, y lo hace con los números de otro, no con los de Liquid, algo más raro de lo que debería ser.

Las propias cifras de coste proceden de Artificial Analysis, que ejecuta cada evaluación con los precios de lista actuales y promedia: 133 $ por millón de tareas para d1.2-ultra, undécimo de 24 frente a una mediana de su clase de 135 $, y 63 $ para d1.2, el tercero más barato. El tiempo por tarea es de 218 ms para el modelo grande y de 150 ms para el pequeño, frente a una mediana de su clase de 209 ms: el buque insignia es algo más lento que la media, el modelo económico claramente más rápido, y ambos son un orden de magnitud más veloces que los modelos generativos que aparecen en la misma tabla a once y treinta y dos segundos por tarea.

Dónde puedes llamarlo y contra qué ejecutarlo

Ambos modelos están disponibles hoy en la propia API de Liquid, en api.liquid.ai/decisions/v1/systemone, invocados como d1.2-ultra y d1.2, con claves de la consola de Liquid, y ambos están en el playground de Liquid. La publicación de Liquid indica que llegarán plataformas de terceros adicionales; a la fecha de este artículo, la propia API del proveedor es la única vía existente. Ninguno de los modelos está en nuestro catálogo, y este artículo no constituye una afirmación de disponibilidad para ninguno de los dos.

Lo que hay en nuestro catálogo es Jev 1.14, el modelo que lidera el único componente en el que d1.2-ultra no lo hace — EvalSafe-O*NET-AA, con 91,14 frente a 89,53 — servido sobre la misma forma de endpoint de systemone, texto de entrada y JSON estructurado de salida, a $0,042 por millón de tokens de entrada. Esa coincidencia es útil: un equipo que evalúe esta versión puede poner el modelo nuevo y el actual en los mismos estados sin un segundo contrato ni una segunda biblioteca cliente, porque una API para más de 200 modelos ya habla ambas formas. Los precios de lista se trasladan con un 0 % de margen, así que si Liquid mueve los $0,042, la cifra de aquí se mueve con él y no después, y la conmutación automática ante fallos significa que un modelo que tiene un día puede asumir una parte de una carga de trabajo real sin que se le confíe toda.

A headless-browser screenshot of the OrcaRouter model page for typesafe/jev-1.14, captured 17 November 2026 in English, showing the /v1/systemone endpoint, Zero Data Retention availability, an input and output list price of $0.04, and measured latencies of 182 ms and 372 ms.

La recomendación que se desprende de los datos y no de la página de precios: ejecútalo en modo sombra. d1.2-ultra es primero en documentos y primero en calibración, lo cual es una combinación realmente sólida para pipelines de extracción, y es último en preguntas difíciles de conocimiento, lo cual es una limitación real y no una nota a pie de página. Pásale los estados que tu pipeline ve realmente, compara las probabilidades en lugar de las selecciones top-1, y observa los casos en los que responde 0.8 y se equivoca, porque esa cola es donde el predecesor de octubre del modelo obtuvo malos resultados y donde la mejora o se manifiesta o no.

La cuestión abierta no es si 75 es real —Artificial Analysis lo midió y publicó los componentes—. Es si una evaluación de documentos ponderada al 30 % sobre 1.500 documentos privados se generaliza a tus documentos. Esa es una pregunta que solo tu propia muestra etiquetada puede responder, y merece la pena responderla antes de que el cambio de facturación te tiente a hacer diez preguntas por documento en lugar de una.