Liquid AI d1-ultra vs Liquid AI d1 : même point de terminaison, mêmes questions, deux fois le prix — voici le point de bascule

La réponse honnête la plus courte est la suivante : Liquid AI d1-ultra coûte 0,042 $ par million de jetons d'entrée et Liquid AI d1 coûte 0,02 $ par million de jetons d'entrée, tous deux sont appelés à la même URL avec les mêmes trois types de questions, et le plus cher est celui à utiliser lorsque se tromper coûte plus cher que de doubler votre tarif par appel. C'est toute la décision, et elle est inhabituellement claire parce que rien d'autre ne diffère structurellement entre les deux modèles. Ils ont été livrés à dix jours d'intervalle — d1 le 5 octobre 2026 comme premier modèle de décision de Liquid AI, d1-ultra le 15 octobre comme membre le plus capable de la famille — et tous deux ont été conçus pour faire la même chose : accepter un état de texte, d'images ou des deux, ainsi qu'une ou plusieurs questions typées, et renvoyer des probabilités à partir d'une seule passe avant, avec zéro jeton de sortie généré et rien à diffuser.C'est aussi dans des comparaisons comme celle-ci que les modes de défaillance se manifestent : les incidents d'IA documentés et les défaillances d'agents associés aux modèles de cette classe sont recensés dans l'OrcaRouter AI Incident Archive où chaque entrée comporte ses propres sources, sa gravité, son niveau de confiance et son indicateur de contestation.

Ce qui fait que ce duo mérite un article plutôt qu’une note de bas de page, c’est qu’ils sont substituables l’un à l’autre, et non une échelle avec un barreau intermédiaire. Vous n’exécutez pas d1 pour vous rabattre sur d1-ultra dans les cas difficiles comme vous le feriez avec un petit et un grand modèle génératif, car les deux sont conditionnés par la même chaîne de modèle dans le même corps de requête. Le passage de l’un à l’autre coûte un mot dans une charge utile JSON. La question n’est donc pas de savoir si la mise à niveau est techniquement disponible — mais si les 0,022 $ supplémentaires par million de jetons d’entrée apportent quoi que ce soit de perceptible à votre charge de travail particulière, et on peut y répondre avec les chiffres publiés par Liquid AI.

Qu’est-ce qui diffère réellement, en une seule passe ?

Les différences divulguées sont moins nombreuses que ne le suggère l'écart de prix, et celles qui manquent comptent autant que celles qui sont présentes.

• Prix — 0,042 $ par million de jetons d’entrée pour d1-ultra contre 0,02 $ pour d1, les deux facturés uniquement sur l’entrée, sans frais de sortie, et comptabilisant tous deux les images comme du texte à raison de 1,5 jeton par zone de 32 × 32 pixels.

• Modèle de base — d1-ultra est décrit comme construit sur « un modèle à poids ouverts de plus grande taille, avec une série de personnalisations lourdes propres à Liquid » ; l’annonce de d1 indique seulement qu’il a été conçu pour la première génération de la famille, sans qu’aucun modèle de base ne soit nommé non plus.

• Couverture linguistique — La publication de lancement de Liquid AI pour d1-ultra indique 44 langues. Aucun chiffre comparable n'a été publié pour d1.

• Positionnement dans l'index — d1-ultra est annoncé comme en tête de l'Artificial Analysis Decision Index avec au moins huit points d'avance ; d1 a été présenté avec six comparaisons d'applications réelles face à GPT-6.1 Sol et Claude Opus 5.5 plutôt qu'avec un score d'index.

• Nombre de paramètres — non divulgué pour aucun des deux. La fenêtre de contexte de d1-ultra n'est pas non plus indiquée par le fournisseur, et n'est mentionnée que dans des catalogues de passerelles tierces, à 32 768 jetons, ce que nous considérons comme non confirmé plutôt que comme une spécification.

• Latence — celle de d1 était annoncée entre 200 et 300 ms pour une décision textuelle. d1-ultra n'a aucune donnée de latence publiée.

C'est cette dernière paire de lacunes qu'il faut remarquer. Le modèle plus récent et plus cher est celui dont la fiche technique est plus vide. On vous demande de payer 2,1 fois le tarif pour un modèle dont la taille, la longueur de contexte et la vitesse ne sont pas divulguées, sur la foi d'une affirmation de calibration et d'un chiffre d'indice que le fournisseur a lui-même rapporté.

L’affirmation que Liquid AI formule réellement

Lisez attentivement l’article sur d1-ultra : l’argument n’est pas la précision. C’est que la précision seule ne suffit pas pour un modèle de décision, car un modèle de décision émet aussi des probabilités, et la plupart d’entre elles sont trop confiantes. Un classifieur qui annonce 0,97 alors qu’il vaut 0,72 va faire dérailler un pipeline fondé sur des seuils, même si sa précision top-1 est excellente, parce que chaque action automatisée que vous prenez au-dessus de ce seuil repose sur une prémisse fausse. d1-ultra a été entraîné, selon l’article, précisément pour que ses probabilités soient mieux calibrées — et la publication indique que sur 112 évaluations uniques, il bat Jev 1.14 sur toutes les tâches avec une meilleure calibration au même prix.

C'est un argument de vente véritablement différent de « smarter », et c'est aussi, dans l'une ou l'autre version, l'affirmation la plus difficile à vérifier pour un tiers. Rien dans l'annonce ne vous permet de vérifier la calibration sur vos propres données avant de vous engager. Si votre pipeline prend l'argmax et ignore la probabilité, l'argument de la calibration ne s'applique pas à vous, et l'argument en faveur de d1-ultra se réduit à l'écart d'index. Si votre pipeline applique un seuil sur la probabilité — approbation automatique au-dessus de 0,9, escalade en dessous —, alors la calibration est le seul chiffre qui compte, et c'est un chiffre que vous devrez produire vous-même à partir d'un échantillon étiqueté.

Quand le doublement s'amortit

Faites le calcul à un volume où la différence de taux cesse d'être du bruit. Une barrière de modération qui pose une question noul par publication, 500 000 publications par mois, à environ 400 tokens d'entrée chacune, représente 200 millions de tokens d'entrée par mois.

• Sur d1 — 4,00 $ par mois. Sur d1-ultra — 8,40 $ par mois. La différence de quatre dollars n’est pas une ligne budgétaire ; elle est inférieure au coût de l’heure d’ingénieur consacrée à la décider.

• Appliquez la même logique aux entrées d'images et le nombre de tokens grimpe vite, car une seule image de 1024×1024 représente 1 536 tokens d'entrée et chaque question refacture son texte et toutes ses images. Cinq questions sur la même photo reviennent à payer cette photo cinq fois, une erreur de conception qu'il vaut mieux éviter quel que soit le modèle choisi.

• À 20 milliards de jetons d’entrée par mois — un classificateur à grande échelle, pas un projet pilote — d1 coûte environ 400 $ et d1-ultra environ 840 $. L’écart absolu est désormais bien réel, et il reste inférieur à mille dollars pour une charge de travail qui traite l’équivalent de dizaines de millions d’images.

La conclusion que cette arithmétique impose n’est pas celle que les gens attendent. Pour l’immense majorité des charges de travail de décision, l’écart de prix entre d1-ultra et d1 est trop faible pour être le facteur décisif, ce qui signifie que la décision doit reposer entièrement sur la qualité des réponses. L’exception intéressante va dans l’autre sens : si votre volume est réellement énorme et que votre tâche est facile — un filtre binaire sur du texte court, sans images —, vous ne devriez même pas comparer ces deux modèles, car le d1-3B à poids ouverts fait ce travail à coût nul par appel. La tarification de ce duo est suffisamment proche pour que la vraie question soit celle qui se situe juste en dessous d’eux.

Quand un modèle de décision est le mauvais instrument

Les deux modèles sont documentés pour les mêmes quatre tâches : classification et routage, notation et évaluation, portes binaires, et inspection multimodale. La documentation du fournisseur est tout aussi claire sur ce à quoi ils ne sont pas destinés — génération libre, chat multi-tours, résumé, raisonnement ouvert, écriture de code. Il n'y a aucun jeton de sortie à diffuser en flux, donc une application qui attend de la prose en retour recevra une erreur, et non une réponse moins bonne. Cela vaut la peine d'être dit, car la tentation de se tourner vers un modèle de décision comme substitut bon marché à un appel génératif est exactement la façon dont les pipelines finissent par en faire un mauvais usage.

Les preuves publiées concernant le modèle plus ancien sont au moins concrètes. Sur six applications réelles testées le 5 octobre 2026, il a été rapporté que d1 égalait ou dépassait GPT-6.1 Sol sur quatre d’entre elles, pour un coût 19 à 200 fois inférieur, et répondait plus rapidement à chaque tâche. L’une de ces six était une exécution d’inspection visuelle sur des pièces issues de quatre lignes de production — cartes de circuits imprimés, bougies, noix de cajou et chewing-gum, sur le jeu de données VisA — où le modèle triait les pièces bonnes des pièces défectueuses avec une précision de 85 à 97 %, sans entraînement spécifique à la tâche. Une autre a supprimé 52 % des tokens lors d’une passe de compactage du contexte. Ce sont des évaluations réalisées par le fournisseur avec une méthodologie déclarée, et elles restent réalisées par le fournisseur : une exécution par modèle et par application, des prix catalogue sans remises de cache, et plusieurs des questions de code et de compactage rédigées après que le pipeline de d1 était déjà figé. Lisez-les comme des preuves que la catégorie fonctionne, et non comme un tableau de scores que vous pouvez transposer à votre propre tâche.

La décision de mise à niveau, en règle générale

Commencez par d1. Non pas parce que c'est le meilleur modèle — l'affirmation de l'indice dit que non — mais parce qu'à 0,02 $ par million de jetons d'entrée sans frais de sortie, quelques centaines de milliers d'appels coûtent quelques centimes, et que le moyen le plus rapide de savoir si un modèle de décision convient à votre pipeline est d'en mettre un face à du trafic réel et d'examiner la distribution de probabilités qu'il renvoie. Enregistrez les probabilités, pas seulement les étiquettes. Si elles se regroupent étroitement autour des extrêmes et que vos seuils sont stables, vous obtenez la calibration gratuitement et n'avez aucune raison de payer plus.

Passez à d1-ultra lorsqu'un échec spécifique et nommé apparaît dans ce journal : la question de connaissances difficile, l'affirmation visuellement ambiguë, le cas où le modèle renvoie 0,6 et le pense vraiment. La migration est un changement de chaîne de modèle sur le même point de terminaison, elle peut donc être sélective — d1-ultra sur les routes qui ont montré les échecs, d1 sur tout le reste. C'est la forme honnête de cette comparaison. Ce n'est pas un choix binaire ; c'est un réglage par route, et la tarification est assez proche pour que vous puissiez vous permettre d'être chirurgical.

Il y a un détail pratique à anticiper. Si vos décisions alimentent une étape générative — une réponse, un résumé, un appel d'outil —, vous gérez deux relations fournisseurs, pas une seule. OrcaRouter réduit de moitié cette charge : une clé compatible OpenAI pour plus de 200 modèles génératifs au prix catalogue du fournisseur, répercuté avec 0 % de marge, de sorte qu'une hausse de prix en amont apparaît sur votre facture le jour même plutôt qu'à la prochaine reconduction de contrat, avec un basculement automatique entre fournisseurs derrière le même point d'accès. Pour être précis sur la frontière : nous n'hébergeons pas les modèles de décision de Liquid AI, donc l'appel à d1 ou d1-ultra passe toujours par l'API propre de Liquid AI, et ce que nous acheminons, c'est tout ce qui se trouve en aval de la décision.

Ce qu'il faut surveiller avant de s'engager sur d1-ultra à grande échelle

Deux chiffres, tous deux actuellement manquants. Le premier est la latence : le chiffre de 200 à 300 millisecondes de d1 ne vous dit rien sur d1-ultra, et le modèle plus récent ne publie rien, donc toute route sensible à la latence devrait être déployée en canari plutôt que migrée en bloc. Le second est une mesure d’étalonnage indépendante. La comparaison sur 112 évaluations et l’avance de huit points dans l’indice sont issues des propres données rapportées par Liquid AI, et le chiffre de l’indice est parvenu à cet article par l’annonce du fournisseur et la couverture de presse qui en a été faite, plutôt que depuis un tableau que nous aurions pu charger nous-mêmes. Lorsque quelqu’un reproduit une courbe de fiabilité pour l’un ou l’autre modèle sur des données publiques, le surcoût de 2,1 fois devient une décision d’achat plutôt qu’une appréciation subjective.

D'ici là, la position qui résiste à l'examen est conservatrice. d1 est un modèle de décision capable, bon marché, prouvé par son propre fournisseur, à un prix qui rend l'expérimentation presque gratuite. d1-ultra est une amélioration plausible, à laquelle est attachée une affirmation précise et d'apparence vérifiable, et derrière laquelle se trouve une fiche technique inhabituellement mince. Payer le double pour le second avant d'avoir une défaillance en main, c'est acheter une assurance contre un problème que vous n'avez pas encore observé — ce qui, à ces volumes, n'est pas tant une faute qu'une erreur d'arrondi. Veillez simplement à ce que l'erreur d'arrondi ne devienne pas l'architecture.