Liquid AI d1-ultra לעומת Liquid AI d1-3B: נקודת קצה שכורה ב-0.042 דולר למיליון, או צ'קפוינט בנפח 2.87 GB בבעלותך

Liquid AI d1-ultra מחויב ב-$0.042 למיליון טוקנים של קלט ורץ על מאיץ של מישהו אחר במרכז נתונים של מישהו אחר. Liquid AI d1-3B אינו מחויב בדבר לפי קריאה ורץ על Jetson Orin Nano על שולחן. שני המשפטים האלה מתארים מודלים ש-Liquid AI שחררה בהפרש של שמונה ימים זה מזה — d1-3B כנקודת ביקורת במשקולות פתוחות שהוכרזה ב-7 באוקטובר 2026, ו-d1-ultra כמודל API בלבד ב-15 באוקטובר — והם מתארים את אותה משימה בדיוק: להעביר למודל מצב העשוי טקסט, תמונות או שניהם, להעביר לו קבוצה של שאלות טיפוסיות, ולקבל בחזרה תשובות מכוילות ממעבר קדימה אחד בלי שטוקן פלט אחד נוצר. אף אחד מהם לא כותב פרוזה. אף אחד מהם לא מזרים. ההבדל ביניהם אינו „איזה מהם חכם יותר” במופשט, כי התשובה הכנה תלויה כולה בכמה פעמים ביום אתם שואלים. עבור מודל שאופני הכשל שלו עדיין אינם מתועדים, בן הזוג המועיל הוא התיעוד של מה שכבר השתבש במקומות אחרים: תקריות ה-AI המתועדות וכשלי סוכנים סביב מודלים במחלקה הזו נאספים בארכיון תקריות ה-AI של OrcaRouter שבו כל ערך נושא את המקורות שלו, את חומרת האירוע, את דירוג הוודאות שלו ואת סימון המחלוקת.

הניסוח הזה הוא הסיבה שההשוואה הזו שווה יותר מדף מפרט. d1-3B ו-d1-ultra ניצבים בשני קצוותיה של החלטה ש-Liquid AI הפכה כעת למפורשת בתיעוד שלה: אפשר לשכור את המודל היכול ביותר במשפחה לפי טוקן, או להיות בעלים של מודל עם 3.12 מיליארד פרמטרים ולשלם במקום זאת בסיליקון, בחשמל ובשעות הנדסה. שניהם מוצרים עדכניים. d1-ultra הוא הדבר החדש ביותר שהחברה הוציאה, ו-d1-3B הוא מה שרוב הקוראים כנראה צריכים להתחיל איתו. איזה מהם מתאים לפייפליין נתון היא שאלה אריתמטית עם נקודת הצטלבות אמיתית, וניתן לענות עליה באמצעות מספרים שפורסמו — וזה מה שבא בהמשך.

הערת מקורות אחת לפני המספרים, כי היא חשובה יותר מהפורמט שלה. כמעט כל מה שלמטה הוא דיווח של Liquid AI עצמה: כרטיסי המודל, הפוסט מ-7 באוקטובר על משקולות פתוחות, והפוסט מ-15 באוקטובר על d1-ultra. לא שחזרנו באופן עצמאי שום בנצ'מרק של מודל החלטות עבור מאמר זה, ולמיטב ידיעתנו, אף אחד אחר גם לא עשה זאת. כאשר נתון הוא חישוב שלנו על מספר שפורסם ולא מדידה של מישהו אחר, הדבר מצוין במשפט שנושא אותו.

מהו כל מודל למעשה, נכון לאמצע אוקטובר 2026

Liquid AI d1-3B הוא מודל החלטה במשקולות פתוחות (open-weight) בעל 3.12 מיליארד פרמטרים, שאומן מ-LFM2.5-VL-3B, מודל חזותי-לשוני מסוג decoder-only. הוא כולל מקודד חזותי SigLIP2 NaFlex 400M, חלון הקשר של 32,768 טוקנים ואוצר מילים של 128,000 טוקנים, מקבל טקסט, JSON, תמונות או תערובת כמצב שלו, ועונה על שאלה אחת או יותר — Choice, Score או noul, פרימיטיב הכן/לא שמחזיר הסתברות בין 0 ל-1 — במעבר קדימה אחד. המשקולות נמצאות ב-Hugging Face תחת רישיון LFM Open License, שאותו הספק מתאר כחופשי לשימוש, כולל שימוש מסחרי, מתחת להכנסה שנתית של 10 מיליון דולר. תמיכה ב-llama.cpp מהיום הראשון מצוינת, עם בילדים של NVFP4 עבור Apple, AMD, Qualcomm ו-NVIDIA.

Liquid AI d1-ultra is the same shape of product pointed at a harder problem. It is API-only — there are no weights, no GGUF, no MLX or ONNX export, and the vendor's documentation index lists it in a row whose only downloadable artifact is the word "API". It was built, per the announcement, on "a larger open-weight model with a series of Liquid-specific heavy customizations," which is the entire architectural disclosure: no parameter count, no context window and no latency figure appear on the vendor's pages. Third-party gateway listings put the context window at 32,768 tokens and one listing has described it as roughly 8.3B total parameters with about 1.5B active per token, but those are catalogue entries, not vendor statements, and we treat them as unconfirmed. The model string is d1-ultra, on the same endpoint as d1: https://api.liquid.ai/decisions/v1/systemone.

הסיבה שהפסקאות האלה כל כך לא מאוזנות אינה עריכתית. זו ההשוואה כולה. d1-3B מתועד ברמת פירוט שמאפשרת לך לקבוע את גודל החומרה לפני שאתה מוריד משהו. d1-ultra מתועד ברמת פירוט שמאפשרת לך לקרוא לו, ותו לא.

שני מספרי האינדקס אינם יושבים על אותו סרגל.

כל כתיבה משנית על הזוג הזה תציב את 65 לצד 48.57 ותאפשר לך להסיק את המסקנה המתבקשת. קרא תחילה את התוויות, מפני ששני המספרים פורסמו תחת מכשירים שונים.

• הנתון של d1-3B — 48.57, בחלוקה הציבורית של Decision Index v0.2.1, בפוסט ההשקה מ-7 באוקטובר. הספק מציין בנוסף שהמודל מקדים את כל מה שמתחת ל-10B ומשתווה ל-Decider 35B-A3B, מודל שגדול ממנו פי שנים עשר.

• הנתון של d1-ultra — 65, כמתואר בפוסט מ-15 באוקטובר כמוביל את Artificial Analysis Decision Index בפער של לפחות שמונה נקודות, עם הטענה ש-d1-ultra גובר על Jev 1.14 בכל המשימות. סיקור עיתונאי של ההכרזה דיווח כי Jev 1.14 עומד על 57, מה שתואם פער של שמונה נקודות.

שני דברים נכונים וראוי לומר אותם בפשטות. ראשית, האינדקס שמאחורי 65 של d1-ultra הוא של צד שלישי, אך הנתון הגיע אלינו דרך ההכרזה של Liquid AI עצמה ובדרך כתבות בעיתונות עליה — לא הצלחנו לטעון בעצמנו טבלה ציבורית שמציגה 65 — לכן הוא מדווח מטעם הספק במאמר זה. שנית, לא מובטח שציון פיצול ציבורי בגרסה 0.2.1 וציון אינדקס ללא גרסה נמצאים על אותו סולם, ולאינדקס v0.3 יש פיצול ראייה פרטי שהמהדורה הפתוחה במפורש לא דיווחה מולו. התייחסו לפער כאל כיווני — המודל בתשלום טוב באופן משמעותי — ולא כאל מדידה של 16.4 נקודות. אף אחד, כולל אותנו, לא העביר את שני המודלים האלה דרך הרנס משותף.

השהיה: מספר אחד מפורסם, והשני לא

המהירות של המודל הפתוח מתועדת היטב באופן יוצא דופן, מה שהופך את ההשמטה במודל בתשלום לבולטת הרבה יותר. הכרטיס של d1-3B מדווח על שאלה בודדת בת 8 מ״ש על RTX 4090, 9 מ״ש על AMD MI325X, 16 מ״ש על Jetson AGX Thor, 26 מ״ש על Jetson AGX Orin 64 GB, 30 מ״ש על Apple M5 Pro ו-50 מ״ש על Jetson Orin Nano, כאשר תפוקה ארוזה מגיעה ל-1,106 החלטות בשנייה על ה-MI325X.

אלה זמני מעבר קדמי על חומרה נקובת שם, לא זמני בקשה מקצה לקצה, וההבחנה הזו אינה פדנטית. בפעם האחרונה ש-Liquid AI פרסמה נתון השהיה עבור מודל החלטות מתארח — הפוסט מ-5 באוקטובר שהציג את d1 — הוא עמד על 200 עד 300 מילישניות עבור החלטת טקסט, שזהו הלוך ושוב של API הכולל תורים ורשת, והוא אינו בר-השוואה למעבר של 8 מילישניות על כרטיס מקומי. עבור d1-ultra הספק לא פרסם כלל נתון השהיה, באף אחת משתי הצורות. אם הפייפליין שלך מוגבל על ידי השהיה ולא על ידי דיוק, ההיעדר הזה הוא הדבר החשוב ביותר בעמוד הזה: אינך יכול כרגע לדעת אם המודל היקר מהיר, והדרך היחידה לגלות היא למדוד אותו בעצמך.

החשבון שעמודי השיווק לא עורכים

הנה המקום שבו שני המוצרים באמת מתפצלים, וזה חישוב שאפשר לעשות על מפית. קחו שער מיון תמיכה ששואל שאלת noul אחת לכל פנייה, 200,000 פניות בחודש, עם בערך 1,200 טוקני קלט לכל שאלה, כולל צילום מסך קטן. זה 240 מיליון טוקני קלט בחודש, וזו הכמות שעושה את התעריף למיליון לקריא.

• ב-d1-ultra בתעריף של $0.042 למיליון טוקני קלט, זה בערך $10.08 לחודש. ב-d1-3B בתעריף אפס לקריאה, זה $0.00 לחודש בתוספת כל עלות חומרה שהיא.

• בילד Q8_0 בנפח 2.87 GB נכנס בנוחות על Jetson Orin Nano. אם אתה קונה את הקופסה הזו במיוחד עבור עומס העבודה הזה, תקופת ההחזר מול נקודת הקצה המתארחת נמדדת בשנים, לא בשבועות — וזו המסקנה הכנה, ולא זו שספק חומרה היה מדפיס.

• הפוך את הכמות. ב-200 מיליון שאלות בחודש — 240 מיליארד טוקני קלט — החשבון של d1-ultra הוא בערך 10,080 דולר בחודש, והבילד המקומי עדיין אוכל את אותה כמות חשמל. כאן הבעלות על הצ'קפוינט מפסיקה להיות העדפה פילוסופית והופכת לסעיף תקציבי.

שלוש הסתייגויות, וכולן פועלות באותו כיוון. כל ספירת הטוקנים שלמעלה היא זו שבחרנו; אורך המצב ומספר התמונות שלכם יהיו שונים, ותמונות מחויבות כטקסט בקצב של 1.5 טוקנים לכל טלאי בגודל 32×32 פיקסלים, כך שתמונה אחת בגודל 1024×1024 היא 1,536 טוקני קלט. כל שאלה מחויבת כפרומפט נפרד הכולל את הטקסט שלה ואת כל התמונות שלה, כך ששאילת שלוש שאלות על אותו צילום מסך משלמת על אותו צילום מסך שלוש פעמים. וכל זה לא מתמחר את הנדסת המערכת: המסלול המקומי קונה לכם בחירת קוונטיזציה, סביבת הרצה שיש לשמור מעודכנת, ומקודד חזותי שטורף זיכרון לפני ש-3.12B המשקולות עושות זאת. אם אתם קוראים למודל כמה אלפי פעמים בחודש, נקודת הקצה המתארחת זולה יותר מהפגישה שבה אתם מחליטים לארח בעצמכם.

היכן שכל אחד מפסיק להיות התשובה הנכונה

Liquid AI d1-3B הוא ברירת המחדל הנכונה כאשר מי מהבאים הוא האילוץ המכריע: הנתונים אינם יכולים לצאת מהחצרים או מהמכשיר; המעבר דרך הרשת אינו מקובל; הנפח גבוה מספיק כך שתמחור לפי קריאה הופך לעלות הדומיננטית; או שהמצב הוא פריים ממצלמה חיה או צילום מסך שאותו תעדיפו שלא לשלוח לצד שלישי. ההצגה של הספק עצמו תומכת בראשון מבין אלה — השחרור הפתוח מכוון במפורש לפריסה בקצה ועל המכשיר על פני חומרת NVIDIA DGX, RTX ו-Jetson — ו-17,820 ההורדות שנקודת הביקורת רשמה בחודש הראשון שלה מרמזות שהרבה אנשים הגיעו לאותה מסקנה במהירות.

Liquid AI d1-ultra הוא התשובה הנכונה כשההחלטה עצמה היא החלק הקשה. שאלות עתירות ידע, טענות חזותיות שצריכות להיות מותאמות להקשר מהעולם האמיתי — הדוגמאות של הספק עצמו הן פגמים בלוחות מעגלים והתאמת תביעת נזק לתמונה של לקוח — ומקרי זנב ארוך שבהם רמת הביטחון של מודל 3B פשוט אינה ראויה לאמון. הטענה הספציפית של Liquid AI לגביו היא לא רק דיוק אלא כיול: רוב מודלי קבלת ההחלטות הם בעלי ביטחון יתר, כך טוען הפוסט, ו-d1-ultra אומן כך שההסתברויות שלו אומרות משהו. אם אתם קובעים סף על הסתברות במקום לקחת את ה-argmax — מנתבים כל דבר מעל 0.8 לפתרון אוטומטי ואת כל השאר לבן אדם — הכיול הוא כל המשחק, וזו גם הטענה במהדורה הזו שהכי קשה למי מבחוץ לבדוק.

גם את המקרים שבהם אף אחד מהם אינו מתאים ראוי להזכיר. אם התשובה שלך היא טקסט חופשי, עקבה מרובת שלבים או סיכום, מודל החלטה הוא הכלי הלא נכון, והספק אומר זאת בתיעוד שלו עצמו. אם אתה זקוק לאודיו כחלק מהמצב, ולא רק לטקסט ותמונות, החבר השלישי במשפחה, d1-omni-600M, הוא זה שמטפל בו — שימוש ב-d1-ultra למשימה הזאת אינו שדרוג, אלא שגיאה קטגורית.

להתאים את זה לסטאק שאתה כבר מריץ

מודל החלטה הוא כמעט אף פעם לא כל הצינור. הוא השער: הדבר שמחליט אם פנייה דחופה, אם תמונה היא פגם, אם קריאה לכלי מאושרת. משהו עדיין צריך לכתוב את התשובה, ובמסלול המקומי אותו משהו הוא מודל שני שאתה צריך לארח עכשיו — וזו העלות האמיתית של מעבר לאירוח עצמי, וזו שלעולם לא מופיעה בהשוואה לפי טוקן. הדפוס שבאמת עובד בנפחים קטנים ובינוניים הוא d1-3B מקומי לשער בתדירות גבוהה ונקודת קצה שכורה למקרה הקשה הנדיר, עם מפתח OrcaRouter שנושא את המודלים הגנרטיביים שאליהם מסתעפות ההחלטות האלה: API אחד ל-200+ מודלים, מחיר מחירון של ספק מועבר עם 0% תוספת, ומעבר אוטומטי בין ספקים כך שאחר צהריים רע אחד במעלה הזרם לא יהפוך את תור המיון שלך למצבור. כדאי להיות מדויקים לגבי מה שזה מכסה ומה שזה לא מכסה — אנחנו לא מארחים אף מודל של Liquid AI, כך שקריאת ההחלטה עצמה הולכת ל-API של Liquid AI או לצ'קפוינט המקומי, ו-OrcaRouter הוא מה שעומד מאחוריו.

ברגע שמפסיקים להתייחס למודל ההחלטה כקבוע, ההשוואה מפסיקה להיות בינארית. ה-DSL של הניתוב מאפשר לשלב שער זול וכותב יקר לקריאה אחת, ו-fusion מאפשר לפאנל של מודלים להשיב יחד כאשר מודל בודד אינו אמין מספיק. אף אחד מאלה אינו סיבה לבחור ב-d1-ultra על פני d1-3B. שניהם סיבות לכך שכדאי לבחון מחדש את הבחירה בנפח שבו האריתמטיקה באמת משתנה.

מה היה משנה את התשובה הזו

שלושה דברים, לפי סדר הסבירות. בנצ'מרק עצמאי שיעביר את d1-3B ואת d1-ultra דרך אותה מסגרת בדיקה על אותן משימות — ואז הפער של 48.57 מול 65 הופך למדידה במקום להערכה כיוונית. זמן השהיה מפורסם עבור d1-ultra, שבלעדיו כל צינור רגיש להשהיה צריך להתייחס למודל המתארח כאל בלתי־ידוע ולמדוד אותו תחילה במסלול קנרי. ולבסוף שחרור במשקלים פתוחים שייבנה על עמוד השדרה הגדול יותר, שההיסטוריה של משפחת המודלים הופכת אותו לפחות דמיוני מכפי שזה נשמע: כל מודל d1 אחר שהתחיל כמתארח הפך לזמין להורדה בתוך יומיים.

עד אז כלל האצבע תקף. התחל עם d1-3B מפני שאפשר לנסות אותו בחינם, הוא מהיר על חומרה שאולי כבר יש לך, והוא מתועד מספיק טוב כדי להעריך את הגודל כראוי לפני שאתה מתחייב. העבר את ההחלטות הספציפיות שחוזרות כלא משכנעות אל d1-ultra. הפער בין השניים אמיתי; הוא רק צר יותר ממה שהפרש המחירים מרמז, וצר בהרבה ממה שמספרי האינדקס מרמזים כשהם מודפסים זה לצד זה בלי תוויות הגרסה שלהם.