Une carte de titre générée intitulée « Même prix, une génération d’écart », sous-titrée « Liquid AI d1.2 face à Liquid AI D1 ». Une seule longue barre horizontale monte de gauche à droite, avec l’étiquette « D1 61 » à son extrémité gauche et « d1.2 69 » à son extrémité droite. Trois pastilles encadrées indiquent « même 0,02 $ par million de jetons d’entrée », « même point de terminaison systemone » et « les six composants améliorés », et une ligne de légende indique « deux lignes de précision appartiennent encore au modèle plus ancien ». Le logo OrcaRouter est intégré en bas à droite.
Guides & Insights

d1.2 vs Liquid AI D1 : même tarif de 0,02 $, six composants remportés et deux lignes de précision qui ont reculé

Auteur

jinhao.song

Date de publication

Derniers modèles · 20Voir tous les modèles →
Benchmarks : Artificial Analysis · mis à jour quotidiennement
Retour à tous les articles

Liquid AI d1.2 et Liquid AI D1 affichent le même prix catalogue — 0,02 $ par million de jetons d’entrée, seules les entrées étant facturées, aucun jeton de sortie — sur le même endpoint, pour répondre aux trois mêmes types de questions. Deux générations les séparent : D1 était le premier modèle de décision de la famille, qu’Artificial Analysis indique comme sorti en septembre 2026, et d1.2 est arrivé le 16 novembre 2026, avec d1.1 entre les deux. Tout ce sur quoi une comparaison repose habituellement — prix, contrat, code client, forme de déploiement — est identique. Il ne reste que le modèle, et sur le modèle, le résultat est déséquilibré mais pas net : d1.2 remporte les six évaluations du Decision Index v2.1 et mène de 7,9 points au global, tandis que D1 remporte encore deux des lignes de précision brute qui se trouvent en dessous.

Ces deux lignes sont la raison pour laquelle cela vaut la peine d’être lu plutôt que survolé. Toutes deux se situent sur l’axe des connaissances, et toutes deux constituent le coût direct du changement qui rend d1.2 meilleur partout ailleurs — il refuse bien plus souvent. La comparaison est un modèle de ce à quoi ressemble une mise à niveau « strictement meilleure » une fois que l’on examine les sous-lignes : un important gain composite, une véritable amélioration comportementale, et un point petit et prévisible où le nouveau modèle renonce à quelque chose.

Les deux lignes, côte à côte.

A generated two-column scoreboard titled ‘d1.2 vs D1 - the scoreboard’. The d1.2 column lists Decision Index 69, AA-Paperclip all-pass 44.3%, AA-Symmetry 76.5, When2Call 96.1, Omniscience non-hallucination 66.6% and price per 1M input tokens $0.02. The D1 column lists 61, 25.7%, 58.7, 81.6, 3.3% and $0.02. The footer reads ‘Both rows per Artificial Analysis Decision Index v2.1; D1 ranks #21 of 25 decision models on the board.’ The OrcaRouter mark is composited bottom right.

Les deux modèles ont été évalués par Artificial Analysis sur la même version du même classement, ce qui élimine le risque habituel de comparer un chiffre fourni par un fournisseur à un chiffre indépendant. Aucun des chiffres ici ne provient de Liquid.

{{1}}Decision Index v2.1 — 68,69 pour d1.2 (#9 sur 25) contre 60,78 pour D1 (#21 sur 25).{{/1}} Onze modèles les séparent désormais, et l’écart est suffisamment large pour qu’aucune réexécution plausible ne le comble.

• Prix par million de tokens d'entrée — 0,02 $ pour les deux. Inchangé sur deux générations.

• Coût modélisé par million de tâches — 63 $ pour les deux, ce qui correspond à ce que l’on attendrait avec un prix par token identique et un nombre de tokens par tâche similaire. Aucun n’est moins cher ; le classement place les deux troisièmes.

• Temps par tâche — 150 ms vs 151 ms. Pratiquement identiques, et tous deux plus rapides que la médiane de la classe de 206 ms.

• Fenêtre de contexte — 66k tokens pour les deux, comme indiqué dans le tableau. Les publications de Liquid elles-mêmes n’indiquent aucune fenêtre pour l’un ou l’autre ; il s’agit donc d’une interprétation de tiers plutôt que d’une spécification du fournisseur.

• Score de Brier, une valeur plus faible étant préférable — 0,164 contre 0,196. Une amélioration de 0,032 de la probabilité associée à la réponse choisie, sans coût.

La dernière ligne est celle sur laquelle il faut s’attarder. d1.2 n’a pas seulement plus souvent raison ; la confiance qu’il attache à sa réponse est plus proche de la vérité, ce qui est la propriété qui permet à un pipeline à seuil de fonctionner tout court. Et cela ne coûte rien.

Six composants, et la taille de chaque espace

A headless-browser screenshot of the Artificial Analysis d1 model page, captured 18 November 2026 in English, dated September 2026. The summary panel reads that d1 is among the lowest scoring on the Decision Index but well priced and faster than average: a Decision Index score of 61 against a median of 66, 151 ms per task against a median of 206 ms, $0.02 per 1M input tokens, and about $63 per 1M tasks against a median of $137. The rank badge reads #21/25 on the Decision Index and #3/25 on cost, and the technical specification lists text and image input with a 66k-token context window.

Le nombre composite cache un ensemble de changements très hétérogène, et deux d’entre eux ne portent pas vraiment sur la précision.

• AA-Paperclip, décisions sur les documents — 62,60 pour d1.2 contre 54,92, avec 44,3 % de documents entièrement corrects contre 25,7 %. Cette ligne où tout est validé constitue la plus forte amélioration individuelle de la version pour cette paire : une facture à quinze champs dont quatorze sont corrects compte comme un échec avec l’un ou l’autre modèle, et d1.2 fait passer un quart des documents à près de la moitié.

• When2Call, décisions d’outils — 96,09 contre 81,59, avec une précision de 95,5 % contre 77,9 %. C’est celui qui change ce à quoi le modèle peut servir. D1 à 77,9 % est un classifieur derrière lequel on mettrait un humain ; d1.2 à 95,5 % est un classifieur que l’on laisserait router.

• AA-Symmetry, invariance — 76,52 contre 58,67, avec 50,0 % de réussite totale contre 32,5 %. Reformulez la question, réordonnez les options, inversez un oui/non : la réponse de l’ancien modèle a bougé, celle du nouveau ne bouge généralement pas.

• EvalSafe-O*NET-AA, jugement professionnel — 86,55 contre 84,21, et une précision de 79,7 % contre 76,3 %. L'écart le plus faible du tableau, et pas une raison de migrer en soi.

• AA-Omniscience-Decision v1.1, connaissances — 60,94 contre 58,31. Près de trois points, et les sous-lignes en dessous sont la partie intéressante.

• HLE-MultiChoice v1.1, questions difficiles — 44,69 contre 39,80, avec une précision de 5,30 % contre 11,79 %. Le nouveau modèle réussit moins de questions difficiles et obtient pourtant un score supérieur de cinq points, car l’indice évalue la probabilité plutôt que seulement le choix.

L’histoire de l’abstention est la véritable amélioration

Examinez ensemble les lignes consacrées à l’absence d’hallucination, car elles décrivent un modèle qui a changé de nature plutôt que de précision.

AA-Omniscience-Decision — non-hallucination — d1.2 : 66,6 %, D1 : 3,3 %. D1 a répondu correctement à 39,8 % de ces questions et n’a presque jamais refusé de répondre ; d1.2 répond correctement à 30,0 % et refuse bien plus souvent.

• HLE-MultiChoice non-hallucination — 53,9 % contre 5,6 %, sur un benchmark où la précision brute de D1 est deux fois plus élevée.

• AA-Symmetry all-pass — 50,0 % contre 32,5 %, soit le même décalage observé sous l’angle de la cohérence plutôt que du refus.

D1 était le premier modèle de la famille et se comporte comme tel : à une question à laquelle il ne peut pas répondre, il produit une réponse. Un taux de non-hallucination de 3,3 % signifie que sur environ 97 questions de connaissance sur 100 où la bonne réponse était de s’abstenir, il ne l’a pas fait. Si votre pipeline envoie les cas à faible confiance à un réviseur humain, c’est cette propriété qui détermine si le filtre fonctionne ; un modèle qui ne dit jamais « je ne sais pas » ne vous donne rien sur quoi fixer un seuil, et ses probabilités de 0,9 valent moins que les 0,9 de d1.2.

La mise en garde est symétrique et mérite d’être énoncée : d1.2 obtient moins de bonnes réponses aux questions difficiles. Si votre tâche est une question de connaissances avec une réponse définitive et aucune possibilité de s’abstenir — cette affirmation est-elle cohérente avec la politique, ce code correspond-il à la spécification — vous troquez de l’exactitude contre de l’honnêteté, et ce compromis peut ne pas être sans coût.

Ce à quoi le nouveau modèle peut répondre et que l’ancien ne peut pas

d1.2 ajoute cinq types de réponses et une entrée audio. D1 n’en dispose d’aucun, et aucun prompting ne comble cet écart, car le contrat de réponse ne comporte aucun champ pour une position de span ou une boîte englobante.

• Une valeur accompagnée des caractères à partir desquels elle a été lue, ou « introuvable » — la primitive d’extraction qui supprime une seconde passe générative par champ.

• Chaque occurrence d'un même type, avec ses positions — noms, numéros de téléphone, adresses e-mail — comme primitive de caviardage plutôt que comme invite de résumé.

• Un cadre autour d’un objet ou autour de chaque instance, avec un décompte.

• Une estimation assortie d’une fourchette.

• Chaque option applicable avec sa propre probabilité, plutôt qu’un seul gagnant.

L’audio fonctionne dans les deux sens : l’enregistrement peut être le sujet, ou il peut être la question. Les chiffres de précision pour tout cela sont ceux de Liquid, sur des jeux de test internes construits à partir de découpages réservés de jeux de données publics, car aucun benchmark public ne couvre les nouvelles tâches — 98 % et 96 % pour lire une valeur sur un reçu pour d1.2-ultra et d1.2, 94 %/93 % contre 92 %/88 % sur les segments de données personnelles, 94 % pour les deux sur la localisation d’objets. Considérez-les comme le fournisseur qui s’évalue lui-même ; le tableau de classement n’a aucune ligne pour tout cela.

Un détail de facturation s’y ajoute. Avec D1, chaque question était facturée comme son propre prompt, y compris chaque image jointe ; avec d1.2, une requête facture son texte et ses images une seule fois, et chaque question supplémentaire n’ajoute que son propre texte. Posez dix questions sur une photographie 1024×1024 — 1 536 tokens d’image — et l’ancienne règle facture environ 15 360 tokens d’image ; la nouvelle en facture 1 536. À un tarif identique de 0,02 $, le schéma à plusieurs questions est plusieurs fois moins cher sur d1.2, et l’économie vient de la règle de facturation plutôt que du tarif.

Qu’est-ce qui casse lorsque vous modifiez la chaîne

A headless-browser screenshot of the OrcaRouter model page for typesafe/jev-1.14, captured 18 November 2026 in English, showing the /v1/decisions/v1/systemone endpoint family, Zero Data Retention availability, a $0.04 list price per million input tokens, and measured latencies of 182 ms and 372 ms.

Moins que ce à quoi vous vous attendriez, et les exceptions méritent un test plutôt qu'une inquiétude. Le point de terminaison reste api.liquid.ai/decisions/v1/systemone, la chaîne de modèle devient d1.2, et les trois types de questions d'origine conservent la structure de leurs requêtes et réponses. Un client qui envoie une valeur, un choix et un score reçoit le même JSON en retour.

Trois points à vérifier par rapport à votre propre échantillon avant de basculer un chemin de production :

• Analyse de « not found ». Les nouveaux types de réponse peuvent renvoyer une absence explicite, et un analyseur qui supposait une valeur non nulle échouera dessus. C'est une fonctionnalité, mais c'est un changement incompatible dans un schéma strict.

• Placement du seuil. Les probabilités ne signifient plus la même chose. Un 0,8 sur d1.2 est un 0,8 plus fiable qu’un 0,8 sur D1 ; un seuil réglé sur la surconfiance de l’ancien modèle se déclenchera donc moins souvent après le remplacement. Réajustez-le plutôt que de le conserver tel quel.

• La tranche de connaissances. Si une partie de votre charge de travail relève du jugement factuel plutôt que de la lecture de documents, mesurez cette tranche séparément. C’est le seul endroit où le taux d’abstention plus élevé du nouveau modèle pourrait vous coûter de la couverture, et les lignes d’exactitude du tableau de bord le disent clairement.

Qui devrait migrer, et qui devrait mesurer en premier

Migrez sans cérémonie si la charge de travail concerne l’extraction, le routage, la sélection d’outils ou une classification sensible à la cohérence. Chaque ligne publiée favorise d1.2, le prix ne change pas, et les écarts d’invariance et d’appel d’outils sont suffisamment importants pour qu’une réexécution ait peu de chances de les inverser.

Déterminez d’abord si la charge de travail relève du jugement de connaissances à grande échelle, ou si le pipeline comporte un seuil de probabilité réglé manuellement. Ni l’un ni l’autre n’est une raison de rester sur D1 — mais les deux sont des raisons de faire passer quelques milliers d’états réels dans les deux modèles et de comparer les probabilités plutôt que les étiquettes.

Commençons par l'accès, car une question de migration se transforme généralement en question d'achat. D1 et d1.2 sont tous deux exposés sur l'API de Liquid ; aucun des deux ne figure dans notre catalogue, et rien ici ne constitue une affirmation de disponibilité. Le modèle de notre catalogue qui a sa place dans ce test est Jev 1.14, qui porte EvalSafe-O*NET-AA à 91,14 là où d1.2 s'arrête à 86,55, parle la même forme systemone et facture 0,042 $ par million de tokens d'entrée. Placez les trois sur les mêmes états et le DSL de routage écrit la répartition une seule fois — par type de question, pas par service — avec les prix catalogue des fournisseurs répercutés à 0 % de marge, de sorte que les 0,02 $ affichés soient les 0,02 $ que vous payez. Le basculement automatique est ce qui permet à un modèle sorti il y a deux jours d'occuper une seule voie d'une charge de travail en production plutôt que la totalité.

C'est là toute la comparaison. Même prix, même contrat, même endpoint, une génération de travail entre eux, et six victoires composites contre deux lignes de précision que l'ancien modèle conserve encore — deux lignes qui se situent sur l'axe des connaissances, où c'est l'abstention de d1.2 qui lui coûte cher. Si votre charge de travail est de l'extraction, du routage ou de la classification, chaque ligne qui vous intéresse a évolué dans le bon sens. S'il s'agit de jugement factuel sans relecteur derrière, lancez d'abord la comparaison fantôme et laissez les chiffres sur vos propres états décider.