Liquid AI d1-ultra: el nuevo líder del Índice de Decisión, entrenado para dudar de sí mismo

Liquid AI d1-ultra se lanzó el 15 de octubre de 2026, y lo más interesante de él es un número que nadie está citando: en el Índice de Decisiones de Artificial Analysis, el modelo al que reemplaza obtuvo un 2 en no alucinación. Liquid AI d1 era, en esa misma tabla, el modelo de decisiones más preciso a la hora de responder preguntas de conocimiento, y el peor de su clase a la hora de reconocer las preguntas que no podía responder. Liquid AI d1-ultra es la respuesta del proveedor a eso, y se anuncia con una afirmación de primer puesto: que encabeza el Índice de Decisiones por al menos ocho puntos sobre todos los demás modelos de decisiones, incluido el que ocupa actualmente el primer puesto de esa tabla, Jev 1.13. Esa afirmación es de Liquid, no de Artificial Analysis, y la tabla a la que se refiere se publicó antes de que este modelo existiera. Ambos hechos son fundamentales, y este artículo los mantiene vinculados a los números a los que pertenecen. Todas las interrupciones y reversiones de proveedores que hemos registrado están documentadas en el Orca AI Incident Archive, que contiene el conjunto completo de registros junto con las entradas vecinas de este incidente.

Lo que el modelo es, mecánicamente, es la misma apuesta que Liquid ha estado haciendo todo el año. Le das un estado —una carga útil JSON, un ticket de soporte, una captura de pantalla de un panel— y un conjunto de preguntas con nombre, y lee las respuestas de su propia distribución en una sola pasada hacia adelante. Sin muestreo, sin análisis, sin generación descontrolada. El contador de uso del proveedor informa output_tokens: 0, exactamente como lo hace para el resto de la línea d1.

Lo que Liquid afirma haber construido y contra lo que lo probó.

Todas las cifras de esta sección son de Liquid, publicadas en la entrada de lanzamiento, y nadie más las ha reproducido hasta la fecha. El modelo se describe como un modelo de decisión multimodal construido sobre una base de pesos abiertos más grande con lo que la publicación denomina una intensa personalización específica de Liquid, ajustado específicamente hacia decisiones con alta carga de conocimiento — una frase que se lee como una referencia directa al problema de calibración que aparece más abajo. Incluye los mismos tres tipos de pregunta que el resto de la familia. noul es binario: se le da un enunciado y devuelve P(sí) entre 0 y 1. Choice elige una etiqueta y devuelve una distribución más una confianza. Score sitúa el estado en una escala ordenada con probabilidades por nivel. Los tres devuelven una respuesta estructurada, y ninguno de ellos consume tokens de salida.

La evidencia de Liquid es una serie de 112 evaluaciones únicas frente a su propio d1 anterior y frente a Jev 1.14, la versión más reciente de Jev. La compañía afirma que d1-ultra supera a Jev 1.14 en todas las tareas y está mejor calibrado al mismo precio. Esa es una afirmación más fuerte y más específica que "lidera la tabla de clasificación", y también es la más difícil de comprobar, porque la calibración es la propiedad que no se puede leer a partir de una única puntuación. Nótese también que Jev 1.14 es un comparador nombrado por el proveedor: no aparece en ningún lugar de nuestro catálogo, y no pudimos localizar una fila pública de Decision Index para él.

La superficie de la API es una única llamada sin streaming a POST https://api.liquid.ai/decisions/v1/systemone con "model": "d1-ultra". En ningún lugar del material de lanzamiento se publica una ventana de contexto, lo cual es una laguna real y no un error de redondeo: para un modelo cuyo único trabajo es que se le entregue estado, el tamaño del estado que se te permite entregarle es casi la especificación principal. Como nunca genera tokens, el coste de salida es estructuralmente cero y el streaming no aplica.

El índice en cuestión es anterior al modelo.

Artificial Analysis publicó el Decision Index v1.0 el 13 de octubre de 2026 — dos días antes de que d1-ultra existiera. El ranking se compone de cuatro evaluaciones ponderadas al 25 % cada una: AA-Omniscience-Decision, un conjunto privado de 500 preguntas puntuado mitad por precisión y mitad por no alucinación; HLE-MultiChoice, 513 preguntas de opción múltiple de texto extraídas de Humanity's Last Exam; When2Call, una evaluación de llamada a herramientas de N​VIDIA; y WildGuardTest, el conjunto de clasificación de seguridad de Ai2.

El artículo que lo presentó no menciona d1-ultra en ninguna parte, lo cual no sorprende, y es por eso que la cifra de «ocho puntos de ventaja» debería leerse como una afirmación de proveedor y no como una clasificación. En el tablero publicado, Jev 1.13 lidera el campo de modelos de decisión con 58, con GLiDE y M​icrosoft-Decision-1 empatados en 54. Dos modelos de lenguaje se sitúan por encima de todos ellos: C​laude H​aiku 5.5 (Low) con 61 y GPT-6 Luna (Low) con 55. Haz los cálculos sobre la afirmación de Liquid y da 66 o más —por encima del mejor modelo de lenguaje del tablero. Puede que eso sea justo lo que hace el modelo. También es exactamente el tipo de afirmación que necesita que un tercero la reproduzca antes de que alguien planifique en torno a ella.

Por qué la calibración, en concreto, lo es todo

El fallo al que apunta d1-ultra es el que Artificial Analysis nombró en el mismo artículo. Los modelos de decisión, como clase, resultaron ser en general demasiado confiados: la probabilidad que un modelo declara para una respuesta suele ir por delante de la frecuencia con la que esa respuesta resulta ser correcta. Eso importa más aquí de lo que importaría en un chatbot, porque toda la salida de un modelo de decisión es una probabilidad. Un modelo de lenguaje que se equivoca con confianza produce un párrafo que puedes escudriñar. Un modelo de decisión que se equivoca con confianza produce un número sobre el que un pipeline está diseñado para actuar.

La dispersión dentro de la clase es amplia, y d1 se situaba en el extremo malo de ella:

• Precisión de decisión de AA-Omniscience — Liquid AI d1 fue el mejor modelo de decisión con 41, con Jev 1.13 en 35. Los modelos de lenguaje en la misma evaluación obtuvieron 52 y 66.

• Tasa de no alucinación — Liquid AI d1 obtuvo 2. Jev 1.13 obtuvo 35, Mercury Decide 32, y M​icrosoft-Decision-1 lideró con 40. Ningún otro modelo de decisión en la tabla dejó de alcanzar 17.

• La brecha entre esas dos filas es todo el argumento de venta. d1 era el que más sabía y el que menos admitía. Un modelo entrenado para cerrar esa brecha —la única dimensión donde la entrada anterior de Liquid quedó en último lugar en vez de en primero— haría avanzar a la clase incluso sin tocar la precisión bruta.

• HLE-MultiChoice — Jev 1.13 lideró con 21, todos los demás modelos de decisión en 15 o menos. Esta es la evaluación donde el campo tiene el mayor margen de mejora, y aquella sobre la que no reporta la ejecución de 112 evaluaciones de Liquid.

• When2Call y WildGuardTest — Celeris-1 Decision y GLiDE empataron en 84 en la invocación de herramientas, con Jev 1.13 en cuarto lugar con 81; GLiDE lideró en seguridad con 95, con Decider v1.1 27B y Jev 1.13 juntos en 94.

Lo que realmente cuesta un millón de decisiones

El precio es la parte del lanzamiento que no necesita ninguna salvedad. Liquid AI d1-ultra se factura a $0.042 por millón de tokens de entrada y absolutamente nada por la salida, porque no hay salida. Ese precio es idéntico al de d1 e idéntico al que cobramos por Jev 1.13, lo que hace que los dos modelos sean directamente comparables en coste y en nada más.

La aritmética es lo bastante sencilla como para hacerla en una servilleta. Un estado de aproximadamente mil tokens —una carga útil JSON moderadamente detallada, o una página de texto— cuesta $0,042 ejecutarlo un millón de veces. Las propias cifras de costo por millón de tareas de Artificial Analysis para esta clase se sitúan entre $17 y $199, con Jev 1.13 a $42, M​icrosoft-Decision-1 a $31 y Decider v1.1 27B a $17; el tiempo mediano por tarea en toda la clase va de 0,06 segundos a medio segundo. Una decisión de mil tokens a $42 por millón de tareas se sitúa en el medio de esa banda, que es lo útil que hay que saber: el precio no tiene nada de notable para la categoría, y la pregunta interesante no es el costo por token, sino el costo por decisión correcta.

Hay un detalle de facturación que pillará a más de uno, y vale la pena leerlo dos veces. Las imágenes se cobran como texto de entrada a 1,5 tokens por parche de 32×32 píxeles, lo que hace que una imagen de 1024×1024 sea 1536 tokens — y cada pregunta se factura como su propio prompt, incluidas todas las imágenes adjuntas. Haz diez preguntas separadas sobre la misma fotografía y la imagen se factura diez veces, así que esas diez preguntas conllevan 15.360 tokens de imagen antes de una sola palabra de texto. Agrupar tus preguntas en una sola llamada no lo amortiza. Si tu carga de trabajo es visual, el número que rige tu factura es el de preguntas multiplicadas por tokens de imagen, no el de documentos multiplicados por tokens de imagen.

Dónde puedes llamarlo

Liquid AI d1-ultra ya está disponible en la propia API de Liquid, a través de la consola de Liquid y en el d1 Playground para cualquiera que quiera trastear con él sin escribir un cliente. El proveedor ha dicho que llegarán plataformas adicionales; el resumen honesto hoy es la propia API del proveedor, con varias plataformas de terceros por llegar. Hay un ejemplo de código en la publicación de lanzamiento que se ejecutará tal cual.

Una nota de enrutamiento, y no es un argumento de venta: Liquid AI d1-ultra no está en nuestro catálogo, y este artículo no es una afirmación de disponibilidad sobre él. Lo que sí está en nuestro catálogo es Jev 1.13 — el modelo que actualmente lidera el Decision Index — por el mismo precio de $0.042 por millón de tokens de entrada y el mismo costo de finalización de cero, con una ventana de contexto de 64K, servido a través de la idéntica systemone forma de endpoint: texto de entrada, JSON estructurado de salida, sin streaming. Eso es un accidente útil para cualquiera que evalúe este lanzamiento, porque significa que el retador y el titular pueden ejecutarse en paralelo sin un segundo contrato. d1-ultra va directamente a Liquid; el titular ya está en nuestro catálogo. Ambos se encuentran detrás de una sola API para más de 200 modelos, donde los precios de lista se trasladan con un 0% de margen y donde la conmutación por error automática significa que un nuevo modelo puede asumir una porción de una carga de trabajo real sin que se le confíe toda ella.

Esa última parte es la recomendación práctica, más que una colocación de producto. Un modelo que tiene un día de vida, cuyo benchmark principal no ha sido reproducido de forma independiente y cuya ventana de contexto no está publicada no es algo a lo que enrutar el tráfico de producción el primer día. Es algo que hay que ejecutar en la sombra contra el modelo que ya está en la ranura. Pasa los mismos estados por ambos, compara las distribuciones en lugar de las etiquetas y vigila específicamente el caso en el que d1-ultra dice 0.8 y resulta estar equivocado, porque ese es el caso del que trata por completo el lanzamiento, y es el único número que Liquid no ha publicado.

¿Qué lo resolvería?

Tres cosas, en orden descendente de cuánto cambiarían la decisión.

El primero es una fila de Decision Index. Hasta que Artificial Analysis ejecute d1-ultra a través de su propio pipeline, el margen de ocho puntos sobre Jev 1.13 es una cifra del proveedor, y la mejora de calibración respecto a Jev 1.14 es una cifra del proveedor sin ninguna contraparte pública en absoluto. El tablero se actualiza con regularidad, y un modelo de decisión que realmente superara los 66 sería el resultado más interesante de la categoría este año, porque pondría a un modelo no generativo por encima de todos los modelos de lenguaje del mismo índice.

La segunda es la hoja de especificaciones que falta. La ventana de contexto, la latencia con un tamaño de lote declarado y si las preguntas pueden compartir una imagen sin volver a facturarla: esos tres números deciden si una carga de trabajo es viable mucho antes de que lo hagan las puntuaciones de los benchmarks. La generación predecesora de Liquid ejecutaba decisiones de texto en 200 a 300 milisegundos, lo que es un punto de referencia útil, pero no una medición de este modelo.

La tercera es la calibración fuera del laboratorio. Las 112 evaluaciones de Liquid son la propia selección de tareas del proveedor. La confianza excesiva es una propiedad que aparece en la cola: la pregunta difícil poco frecuente, el estado ambiguo, la entrada de una distribución que el modelo nunca vio. Ahí es donde d1 obtuvo una puntuación de 2, y es el único lugar donde una mejora real sería visible.

Hasta entonces, la postura honesta es la aburrida: el precio es real y público, el endpoint funciona, el peor defecto de la categoría está correctamente identificado, y la solución se afirma en lugar de demostrarse. Si trabajas en decisiones estructuradas, vale la pena una tarde. No vale la pena una migración.