Liquid AI d1-ultra: המוביל החדש במדד ההחלטות, שאומן לפקפק בעצמו

Liquid AI d1-ultra הושק ב-15 באוקטובר 2026, והדבר המעניין ביותר בו הוא מספר שאיש לא מצטט: במדד Artificial Analysis Decision Index, המודל שהוא מחליף קיבל 2 באי-הזיה. Liquid AI d1 היה, באותו מדד, מודל ההחלטות המדויק ביותר בתשובה לשאלות ידע — והגרוע ביותר בקטגוריה שלו בזיהוי השאלות שהוא לא יכול היה לענות עליהן. Liquid AI d1-ultra הוא תשובת הספק לכך, והוא מוכרז עם טענת מקום ראשון: שהוא מוביל ב-Decision Index בפער של לפחות שמונה נקודות על פני כל מודל החלטות אחר, כולל זה שנמצא כעת בראש אותו מדד, Jev 1.13. הטענה הזו היא של Liquid, לא של Artificial Analysis, והמדד שאליו היא מתייחסת פורסם לפני שהמודל הזה היה קיים. שתי העובדות הן בעלות משקל, והכתבה הזו שומרת אותן מחוברות למספרים שאליהם הן שייכות. כל השבתת ספק וכל חזרה לאחור שעקבנו אחריהן מתועדות ב-Orca AI Incident Archive, שמכיל את מערך הרשומות המלא לצד הרשומות השכנות של התקרית הזו.

מה שהמודל הזה הוא, מבחינה מכנית, הוא אותו הימור ש-Liquid מהמרת עליו כל השנה. אתה נותן לו מצב — מטען JSON, כרטיס תמיכה, צילום מסך של לוח מחוונים — וקבוצה של שאלות בעלות שמות, והוא קורא תשובות מתוך ההתפלגות של עצמו במעבר קדימה יחיד. בלי דגימה, בלי פענוח, בלי יצירה משתוללת. מונה השימוש של הספק מדווח output_tokens: 0, בדיוק כפי שהוא עושה עבור שאר סדרת d1.

מה Liquid אומרת שבנתה, ומול מה היא בדקה אותו

כל מספר בסעיף זה הוא של Liquid עצמה, כפי שדווח בפוסט ההשקה, ולא שוחזר על ידי אף אחד אחר נכון לכתיבת שורות אלה. המודל מתואר כמודל החלטות מולטימודלי הבנוי על בסיס גדול יותר במשקולות פתוחות, עם מה שהפוסט מכנה התאמה אישית כבדה ייחודית ל-Liquid, המכוונת במיוחד להחלטות עתירות ידע — ביטוי שנראה כהתייחסות ישירה לבעיית הכיול שלהלן. הוא נושא את אותם שלושה סוגי שאלות כמו שאר המשפחה. noul הוא בינארי: נותנים לו הצהרה והוא מחזיר P(yes) בין 0 ל-1. Choice בוחר תווית ומחזיר התפלגות בתוספת רמת ביטחון. Score ממקם את המצב על סקאלה סדורה עם הסתברויות לכל רמה. שלושתם חוזרים במבנה מוגדר, ואף אחד מהם לא עולה טוקני פלט.

הראיות של Liquid הן רצף של 112 הערכות ייחודיות מול ה-d1 המוקדם שלה ומול Jev 1.14, מהדורת Jev החדשה יותר. החברה אומרת ש-d1-ultra עולה על Jev 1.14 בכל המשימות ומכויל טוב יותר באותו מחיר. זוהי טענה חזקה וספציפית יותר מ"מוביל את טבלת הדירוג", וגם הקשה יותר לבדיקה, מפני שכיול הוא התכונה שאי אפשר לקרוא מציון בודד. שימו לב גם ש-Jev 1.14 הוא משווה שקיבל את שמו מהספק: הוא אינו מופיע בשום מקום בקטלוג שלנו, ולא הצלחנו לאתר עבורו שורה ציבורית ב-Decision Index.

משטח ה-API הוא קריאה יחידה שאינה בזרימה אל POST https://api.liquid.ai/decisions/v1/systemone עם "model": "d1-ultra". אין חלון הקשר שפורסם בשום מקום בחומר ההשקה, וזהו פער אמיתי ולא שגיאת עיגול: עבור מודל שכל תפקידו הוא לקבל מצב, הגודל של המצב שמותר למסור לו קרוב למפרט הראשי. מכיוון שהוא לעולם אינו מייצר טוקנים, עלות הפלט היא אפס מבחינה מבנית וזרימה אינה חלה.

המדד המדובר קדם למודל

Artificial Analysis פרסמה את Decision Index v1.0 ב-13 באוקטובר 2026 — יומיים לפני ש-d1-ultra היה קיים. הלוח מורכב מארבע הערכות, כל אחת במשקל 25%: AA-Omniscience-Decision, סט פרטי של 500 שאלות שהניקוד עליהן מורכב מחציו מדיוק ומחציו מאי-הזיה; HLE-MultiChoice, 513 שאלות רב-ברירה טקסטואליות שנלקחו מתוך Humanity's Last Exam; When2Call, הערכת הפעלת כלים של N​VIDIA; ו-WildGuardTest, סט סיווג הבטיחות של Ai2.

המאמר שהציג אותו אינו מזכיר את d1-ultra בשום מקום, וזה לא מפתיע, ולכן יש לקרוא את הנתון "שמונה נקודות יתרון" כטענת ספק ולא כדירוג. בלוח שהתפרסם, Jev 1.13 מוביל את תחום מודלי ההחלטה עם 58, כאשר GLiDE ו-M​icrosoft-Decision-1 נמצאים בתיקו על 54. שני מודלי שפה ממוקמים מעל כולם: C​laude H​aiku 5.5 (Low) עם 61 ו-GPT-6 Luna (Low) עם 55. בצעו את החישוב על הטענה של Liquid והוא מגיע ל-66 או יותר — מעל מודל השפה הטוב ביותר בלוח. ייתכן בהחלט שזה מה שהמודל עושה. זו גם בדיוק סוג הטענה שדורשת שצד שלישי ישחזר אותה לפני שמישהו מתכנן על סמך זה.

למה דווקא כיול הוא כל הסיפור

הכשל שאליו מכוון d1-ultra הוא זה ש-Artificial Analysis ציין באותו מאמר. מודלים של החלטות, כקבוצה, נמצאו כבעלי ביטחון יתר נרחב: ההסתברות שמודל מציין עבור תשובה גבוהה באופן שגרתי מהתדירות שבה אותה תשובה מתבררת כנכונה. זה חשוב כאן יותר מאשר בצ'אטבוט, כי כל הפלט של מודל החלטות הוא הסתברות. מודל שפה שטועה בביטחון מייצר פסקה שאפשר לבחון. מודל החלטות שטועה בביטחון מייצר מספר שפייפליין נועד לפעול לפיו.

הפיזור בתוך הכיתה רחב, ו-d1 ישב בקצה הגרוע שלו:

• דיוק החלטות ב-AA-Omniscience — Liquid AI d1 היה מודל קבלת ההחלטות המוביל עם 41, בעוד Jev 1.13 עם 35. מודלים לשוניים באותה הערכה קיבלו 52 ו-66.

• שיעור אי-הזיה — Liquid AI d1 קיבל ציון 2. Jev 1.13 קיבל ציון 35, Mercury Decide 32, ו-M​icrosoft-Decision-1 הוביל עם 40. אף מודל החלטות אחר בלוח לא נכשל בהגעה ל-17.

• הפער בין שתי השורות האלה הוא כל הפיץ'. d1 ידע הכי הרבה והודה הכי פחות. מודל שאומן לסגור את הפער הזה — הממד היחיד שבו הרשומה הקודמת של Liquid הייתה אחרונה ולא ראשונה — יקדם את הקטגוריה קדימה גם בלי לגעת בדיוק הגולמי.

• HLE-MultiChoice — Jev 1.13 הוביל עם 21, כל שאר מודלי ההחלטה עם 15 או פחות. זהו המבחן שבו לתחום יש את מרב המרחב לשיפור, וזהו המבחן שריצת 112 ההערכות של Liquid אינה מדווחת עליו.

• When2Call ו-WildGuardTest — Celeris-1 Decision ו-GLiDE בשוויון על 84 בקריאה לכלים, כאשר Jev 1.13 רביעי עם 81; GLiDE הוביל בבטיחות עם 95, כאשר Decider v1.1 27B ו-Jev 1.13 יחד עם 94.

מה באמת עולה מיליון החלטות

התמחור הוא החלק בהשקה שלא דורש הסתייגות. Liquid AI d1-ultra מתומחר בתעריף של $0.042 למיליון טוקני קלט ולא כלום עבור פלט, כי אין פלט. המחיר הזה זהה לזה של d1 וזהה למה שאנחנו גובים עבור Jev 1.13, מה שהופך את שני המודלים לניתנים להשוואה ישירה בעלות ולא בשום דבר אחר.

החשבון פשוט מספיק כדי לעשות אותו על מפית. מצב של כאלף טוקנים — מטען JSON מפורט במידה בינונית, או עמוד טקסט — עולה $0.042 כדי להריץ מיליון פעמים. הנתונים של Artificial Analysis עצמה לגבי עלות למיליון משימות עבור הקטגוריה הזו נעים בין $17 ל-$199, כאשר Jev 1.13 עומד על $42, M​icrosoft-Decision-1 על $31 ו-Decider v1.1 27B על $17; הזמן החציוני למשימה בקטגוריה כולה נע בין 0.06 שניות לחצי שנייה. החלטה בת אלף טוקנים ב-$42 למיליון משימות נמצאת באמצע הטווח הזה, וזה הדבר השימושי לדעת: התמחור אינו יוצא דופן לקטגוריה, והשאלה המעניינת אינה עלות לטוקן אלא עלות להחלטה נכונה.

יש פרט חיוב אחד שנתפס אנשים, וכדאי לקרוא אותו פעמיים. תמונות מחויבות כטקסט קלט בקצב 1.5 טוקנים לכל מקטע של 32×32 פיקסלים, מה שהופך תמונה בגודל 1024×1024 ל-1,536 טוקנים — וכל שאלה מחויבת כפרומפט נפרד משלה, כולל כל התמונות המצורפות. שאלו עשר שאלות נפרדות על אותה תמונה והתמונה תחויב עשר פעמים, כך שעשר השאלות האלה נושאות 15,360 טוקני תמונה עוד לפני מילה אחת של טקסט. איחוד השאלות לקריאה אחת אינו מפזר את העלות הזו. אם עומס העבודה שלכם חזותי, המספר שקובע את החשבון שלכם הוא מספר השאלות כפול טוקני התמונה, ולא מספר המסמכים כפול טוקני התמונה.

איפה אפשר לקרוא לזה

Liquid AI d1-ultra פעיל כעת ב-API של Liquid עצמה, דרך קונסולת Liquid, וב-d1 Playground לכל מי שרוצה לשחק איתו בלי לכתוב לקוח. הספק אמר שפלטפורמות נוספות בדרך; הסיכום הכנה היום הוא ה-API של הספק עצמו, עם כמה פלטפורמות צד שלישי שיבואו בהמשך. יש דוגמת קוד בפוסט ההשקה שתרוץ כמו שהיא.

הערת ניתוב, וזו לא מצג מכירה: Liquid AI d1-ultra לא נמצא בקטלוג שלנו, והמאמר הזה אינו טענת זמינות לגביו. מה שכן נמצא בקטלוג שלנו הוא Jev 1.13 — המודל שמוביל כעת את Decision Index — באותו $0.042 למיליון טוקני קלט ובאותה עלות השלמה אפס, עם חלון הקשר של 64K, מוגש דרך ה-systemone בצורת נקודת קצה זהה: טקסט נכנס, JSON מובנה יוצא, ללא סטרימינג. זהו צירוף מקרים שימושי עבור כל מי שמעריך את ההשקה הזו, כי זה אומר שאפשר להריץ את המאתגר והמכהן זה לצד זה בלי חוזה שני. d1-ultra מנותב ישירות אל Liquid; המכהן כבר נמצא בקטלוג שלנו. שניהם יושבים מאחורי API אחד ל-200+ מודלים, שבו מחירי הרשימה מועברים הלאה במרווח של 0% ושבו מעבר אוטומטי לגיבוי פירושו שמודל חדש יכול לקחת נתח מעומס עבודה אמיתי בלי להפקיד בידיו את כולו.

החלק האחרון הזה הוא ההמלצה המעשית ולא שיבוץ מוצרי. מודל בן יום אחד, שמדד הביצועים הראשי שלו לא שוחזר באופן עצמאי וחלון ההקשר שלו לא פורסם, אינו משהו שאליו מנתבים תעבורת ייצור ביום הראשון. זה משהו שמריצים בהרצת צל מול המודל שכבר נמצא במשבצת. הריצו את אותם המצבים דרך שניהם, השוו את ההתפלגויות ולא את התוויות, ושימו לב במיוחד למקרה שבו d1-ultra אומר 0.8 ומתברר שזה שגוי — כי זה בדיוק המקרה שכל ההשקה סובבת סביבו, וזה המספר היחיד ש-Liquid לא פרסמה.

מה יפתור את זה?

שלושה דברים, בסדר יורד של המידה שבה הם היו משנים את ההחלטה.

הראשון הוא שורה ב-Decision Index. עד ש-Artificial Analysis תריץ את d1-ultra דרך הפייפליין שלה, פער שמונה הנקודות מול Jev 1.13 הוא נתון של ספק, והשיפור בכיול לעומת Jev 1.14 הוא נתון של ספק בלי שום מקבילה ציבורית. הלוח מתעדכן באופן קבוע, ומודל החלטות שבאמת עובר את 66 יהיה התוצאה המעניינת ביותר בקטגוריה השנה, מפני שהוא יציב מודל לא-גנרטיבי מעל כל מודל שפה באותו מדד.

השנייה היא גיליון המפרט החסר. חלון ההקשר, זמן השהיה בגודל אצווה מוצהר, והאם שאלות יכולות לחלוק תמונה מבלי לחייב עליה שוב — שלושת המספרים האלה קובעים אם עומס עבודה הוא בר־ביצוע הרבה לפני שציוני הבנצ'מרק קובעים זאת. הדור הקודם של Liquid ביצע החלטות טקסט ב־200 עד 300 אלפיות השנייה, וזו נקודת ייחוס שימושית אך לא מדידה של המודל הזה.

השלישי הוא כיול מחוץ למעבדה. 112 ההערכות של Liquid הן הבחירה של הספק עצמו מבין המשימות. ביטחון יתר הוא תכונה שמתגלה בזנב — השאלה הקשה הנדירה, המצב הדו-משמעי, הקלט מהתפלגות שהמודל מעולם לא ראה. שם d1 קיבל ציון 2, וזה המקום היחיד שבו שיפור אמיתי היה נראה.

עד אז העמדה הכנה היא המשעממת: המחיר אמיתי ופומבי, נקודת הקצה עובדת, הפגם החמור ביותר של הקטגוריה מזוהה כהלכה, והתיקון נטען ולא הודגם. אם אתם עוסקים בהחלטות מובנות, זה שווה אחר צהריים. זה לא שווה מיגרציה.