d1-omni vs Liquid AI D1 Ultra : un fichier de 850 Mo contre un compteur à 0,042 $, et le calcul n’est pas celui que vous imaginez

L'instinct, lorsqu'on place d1-omni à côté de Liquid AI D1 Ultra, est qu'ils occupent les deux extrémités d'un spectre et que le choix relève de l'ambition. L'un, ce sont 587 M de paramètres en poids ouverts — 850 Mo sur disque dans le tag apparu dans la bibliothèque d'Ollama cette semaine, un checkpoint téléchargé environ 13 900 fois depuis Hugging Face depuis le 5 octobre 2026. L'autre est le modèle de décision phare de Liquid AI, annoncé le 15 octobre 2026, sans nombre de paramètres divulgué, sans poids publiés, et avec un seul chiffre publié qui compte plus que n'importe quel benchmark : 0,042 $ par million de tokens d'entrée. Louer un modèle de décision de frontière plutôt que posséder un petit modèle semble être une question de budget. Faites le calcul sur une charge de travail réelle et cela cesse largement d'en être une — l'avantage du petit modèle n'est pas qu'il est bon marché, c'est qu'il est à vous.

Cette distinction mérite d’être établie avec précision, car les deux choses comparées ne sont pas deux modèles sur la même étagère. Liquid AI D1 Ultra est un endpoint que vous appelez. d1-omni est un fichier que vous exécutez. Les deux répondent aux mêmes trois formes de questions — un oui/non avec une probabilité, une étiquette avec une probabilité par étiquette, ou une position sur une échelle — et les deux renvoient ces réponses en une seule passe avant, sans générer aucun token de sortie. Tout ce qui suit, y compris ce que coûtent les réponses et qui est responsable lorsqu’elles dérivent, dépend de celui des deux que vous avez choisi.

Le côté location, au tarif réellement facturé par Liquid AI

Liquid AI D1 Ultra ne facture que les entrées, à 0,042 $ par million de tokens d’entrée, sans frais de complétion puisqu’il n’y a pas de complétion. C’est toute la grille tarifaire, et la partie intéressante est la règle relative aux images qui se trouve en dessous. Les images sont facturées au tarif du texte, par patch : 1,5 token par patch de 32×32 pixels, ce qui fait d’une image de 1024×1024 1 536 tokens. Et chaque question est facturée comme son propre prompt, avec sa propre copie de l’état et de toutes les images jointes. Posez quatre questions sur la même photo et vous payez cette photo quatre fois.

Chiffrons une charge de travail où une décision de vision par ordinateur est le choix naturel. Imaginons une passe nocturne sur 25 000 fiches produit, chacune avec une photographie de 1024×1024 et environ 200 tokens de texte de fiche, posant deux questions structurées — une question oui/non pour savoir si l’image correspond à la catégorie, et une question de notation sur la qualité de l’image. Chaque prompt contient 1 536 tokens d’image plus 200 tokens de texte, soit 1 736 tokens, et comme il y a deux questions, cela fait 3 472 tokens par fiche. Cela représente 86,8 millions de tokens d’entrée pour la passe, soit environ 3,65 $. Une tâche nocturne, sur tout un mois, revient à quelques centaines de dollars.

C’est un résultat vraiment inconfortable pour quiconque supposait que l’option de pointe était la plus chère. Le modèle de tarification en est la raison : les modèles de décision n’émettent jamais de tokens, donc la courbe de coût n’a aucun terme de sortie qui puisse exploser, et la refacturation par question est un multiplicateur fixe sur lequel vous pouvez planifier plutôt qu’une variable que vous découvrez sur la facture.

Le camp des siens, et où son coût se cache en réalité

d1-omni n’a aucun prix à l’appel. C’est un modèle de 587 M de paramètres — 381 M pour le tronc commun et la tête de décision, un encodeur visuel SigLIP2 de 94 M hérité de Liquid AI LFM2.5-VL-450M, et un encodeur audio de 112 M — publié sous les termes LFM 1.0 de Liquid, avec des versions GGUF prévues le 6 octobre et des versions MLX le 12 octobre. Son coût correspond au matériel que vous possédez déjà, plus la partie que personne n’inclut dans la comparaison : le travail nécessaire pour le maintenir en l’état.

Ce que les deux options partagent et ne partagent pas, dans les dimensions qui déterminent un déploiement :

• Poids — publiés pour d1-omni sous LFM 1.0 ; non publiés pour Liquid AI D1 Ultra. Liquid ne décrit son modèle phare que comme « basé sur un modèle à poids ouverts plus grand, avec une série de lourdes personnalisations spécifiques à Liquid ». La base est ouverte ; le modèle que vous appelez ne l'est pas.

• Paramètres — 587 M et entièrement détaillés pour d1-omni ; non communiqués pour d1-ultra. Vous ne pouvez pas dimensionner le matériel pour le modèle phare, car Liquid n'a pas publié de taille. Vous pouvez dimensionner le matériel pour le 600M avec exactitude : 850 Mo dans le tag Q8_0 mixte d'Ollama, 1,2 Go pour le tag BF16.

• Prix — aucun prix par appel sur d1-omni ; $0.042 par million de jetons d’entrée sur d1-ultra, avec des images à 1,5 jeton par patch 32×32 et chaque question refacturée avec l’état complet.

• Modalités — d1-omni accepte du texte accompagné d’images ou du texte accompagné de jusqu’à 30 secondes d’audio, mais jamais les deux dans une même requête. d1-ultra est décrit comme multimodal sans décomposition publiée des modalités ; ce que Liquid documente, ce sont les types de questions et la règle des tokens d’image.

• Contexte — 16 384 tokens pour d1-omni sur les positions texte, image et audio réunies, réduit à 896 tokens de texte d’état et de question chaque fois qu’une image est jointe, « tel qu’entraîné ». Aucun chiffre de contexte n’a été publié pour d1-ultra.

• Latence — aucun chiffre d’inférence publié pour d1-omni, car Liquid déclare ne pas les communiquer pour un checkpoint qu’elle qualifie de version de recherche précoce en développement actif ; d1-ultra est servi de bout en bout sans qu’aucun chiffre de latence distinct ne soit publié non plus.

• Calibration — le modèle phare a été explicitement entraîné pour cela.La justification avancée par Liquid est que la plupart des modèles de décision sont trop confiants ; d1-ultra a donc été ajusté pour produire des probabilités plus fiables. d1-omni porte sa propre étiquette de calibration, mais le 600M est un point de contrôle expérimental et aucun tiers n’a mesuré la calibration de l’un ou l’autre modèle.

Les deux scores ne sont pas une seule règle.

La tentation est d’inscrire 15,95 à côté du modèle phare et de soustraire. Ne le faites pas. Le 15,95 de d1-omni provient du découpage public de Decision Index v0.2.1, un classement sur lequel Liquid AI a noté ses propres entrées avec l’outil de notation officiel plutôt que de les soumettre — sous-scores Connaissances 8,3, Langage 12,9, Récupération 35,0, Outils 15,1, Arts 6,8, contre 48,57 pour d1-3B au sein de la même famille. Liquid revendique pour d1-ultra une première place sur l’Artificial Analysis Decision Index avec au moins huit points d’avance, ce qui correspond à un classement différent, avec une version différente, publié avant l’existence du modèle phare. Les deux chiffres mesurent des choses différentes sur des règles différentes, et la lecture honnête de ce couple de chiffres est seulement que l’écart est important — pas qu’il est de quarante et quelques points.

Le chiffre qui résiste à la comparaison est celui que personne ne publie : le 600M n’a aucun chiffre d’inférence, vous ne pouvez donc pas indiquer son coût par décision sur votre propre matériel sans le mesurer vous-même. C’est cette mesure, et non un classement, qui permet de trancher entre posséder et louer.

Trois charges de travail, trois réponses différentes

• Un lot nocturne de 25 000 vérifications d’images — environ 3,65 $ par passage sur Liquid AI D1 Ultra, et sur d1-omni un téléchargement de 1,2 Go plus le GPU que vous lui allouez. À ce volume, le compteur n’est pas le facteur décisif ; l’élément décisif est de savoir si vous voulez la précision revendiquée par le modèle phare, et si trois dollars par nuit valent plus que la maintenance d’un serveur de modèles.

• Une barrière stricte où la probabilité fait office de décision — une approbation, une décision de modération, une transaction qui se déclenche sur un seuil. Ici, la calibration est le produit, et d1-ultra est le seul des deux que Liquid présente comme entraîné spécifiquement pour cela. Une probabilité erronée mais affirmée avec assurance à 0,6 est pire que pas de probabilité du tout, et aucun tiers n'a encore vérifié l'un ou l'autre modèle sur ce point. Si le seuil compte, vous voudrez que l'affirmation de calibration du fournisseur soit reproduite avant de lui faire confiance à la limite.

• Un classificateur à grand volume et à faible enjeu sur un appareil — acheminer une commande vocale, trier une boîte de réception, signaler une annonce pour examen humain. Rien dans cette charge de travail n’appelle un modèle frontière hébergé. Le 600M renvoie une réponse typée à partir d’une seule passe avant en 850MB, ce qui est toute la raison de son existence, et le budget d’image de 896 tokens convient pour une phrase d’état et une photo.

Où se situe réellement la frontière de routage

Aucun des deux modèles ne figure dans notre catalogue, et il vaut mieux être franc à ce sujet plutôt que de laisser entendre le contraire : chaque appel à Liquid AI d1-omni-600M et chaque appel à Liquid AI d1-ultra passe par votre propre matériel ou par l'API propre au fournisseur et des plateformes tierces, et non par nous. Ce qu'OrcaRouter couvre, c'est la moitié du pipeline qu'un modèle de décision ne peut pas assurer lui-même. Un modèle de décision de 587 M renvoie une étiquette ou une probabilité puis s'arrête ; il faut encore quelque chose pour rédiger la réponse, résumer le cas ou agir sur le score.Une API pour plus de 200 modèles, avec le prix catalogue de chaque fournisseur répercuté sans modification et le DSL de routage disponible lorsqu'une requête triée doit être répartie sur plusieurs modèles, est une affirmation plus discrète que « nous hébergeons le modèle de décision », et c'est la vraie.

Qu’est-ce qui changerait la réponse ?

La comparaison est actuellement tranchée par deux absences. Liquid AI D1 Ultra n’a pas de nombre de paramètres publié, si bien qu’on ne peut pas raisonner sur son coût par token par rapport à l’ampleur de la tâche qu’il accomplit, et aucun chiffre de latence, si bien qu’on ne peut pas concevoir de parcours interactif autour de lui sans mesurer. Et d1-omni n’a pas de chiffres d’inférence publiés, par choix de son fournisseur, si bien que le calcul possession-location comporte un côté que seul un benchmark de votre propre matériel peut compléter.

Si l’un ou l’autre de ces points se dénoue, la forme de la décision change. Un résultat de calibration indépendant sur d1-ultra trancherait la charge de travail liée au gate, où le prix est déjà d’un ordre de grandeur inférieur à ce que la plupart des gens imagineraient. Un chiffre de latence fourni par Liquid pour le 600M permettrait de le placer en confiance dans un chemin interactif au lieu de le tester au préalable. En attendant, la lecture prudente est étroite et peu glamour : le vaisseau amiral est facturé à un prix si proche de la gratuité que le budget seul ne vous poussera pas à faire tourner quoi que ce soit vous-même, et le véritable avantage du 600M, c’est qu’une fois le fichier en votre possession, personne ne peut changer le chiffre, les conditions ni le point de terminaison sous vous.

Les défaillances documentées de l’IA et les incidents d’agents à l’origine de versions comme celle-ci sont recueillis dans l’OrcaRouter AI Incident Archive, où chaque entrée comporte ses propres sources, sa gravité, sa note de confiance et un indicateur de contestation.