
d1.2-ultra vs Liquid AI D1 Ultra: Harga Sama, Konteks Dua Kali Lipat, dan Satu Aspek yang Justru Lebih Buruk
- GoogleBARUGoogle: Gemini 4 Carbon2026-11-10$2.00 / $10.00 per 1 juta token · 90 tok/s
- AnthropicBARUAnthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 per 1 juta token · 97 tok/s
- orcaBARUOrca: OrcaC2 1.02026-11-0717 tok/s
- OrcaBARUOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 per 1 juta token · 87 tok/s
- OrcaBARUOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 per 1 juta token · 133 tok/s
- OrcaBARUOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$4.00 / $20.00 per 1 juta token · 72 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 per 1 juta token · 126 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 per 1 juta token · 65 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 per 1 juta token · 92 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 per 1 juta token · 44 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447Kecerdasan
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 per 1 juta token · 193 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929Kecerdasan
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 per 1 juta token · 147 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733Kecerdasan
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740Kecerdasan
- OrcaOrca: OrcaCyber Zero 1.52026-10-10$3.00 / $7.50 per 1 juta token · 123 tok/s
- openaiOpenAI: GPT-6.1 Sol2026-09-2955Kecerdasan
- anthropicAnthropic: Claude Sonnet 5.52026-09-2855Kecerdasan
- typesafeTypeSafe: Jev 1.132026-09-24$0.04 / $0.00 per 1 juta token · 219 tok/s
Liquid AI d1.2-ultra biayanya persis sama dengan biaya Liquid AI D1 Ultra: $0,042 per juta token input, tanpa token output, endpoint yang sama, tiga jenis pertanyaan yang sama yang sudah Anda kirim. Model ini hadir pada 16 November 2026, sebulan setelah model yang digantikannya, dan lebih baik pada komposit — 74,85 berbanding 70,58 pada Artificial Analysis Decision Index v2.1, peringkat pertama dari 24 berbanding peringkat keenam. Jadi, peningkatan ini gratis dan jelas, dan Anda sebaiknya mengambilnya. Yang membuat keputusan ini layak menjadi artikel alih-alih catatan perubahan satu baris adalah bahwa empat dari enam belas metrik komponen yang dipublikasikan mengalami kemunduran, dan dua di antaranya adalah metrik yang paling terasa oleh pipeline yang digerakkan oleh ambang batas.
Polanya spesifik. Model baru ini jauh lebih baik dalam membaca dokumen, jauh lebih baik saat diparafrasakan, dan sedikit lebih buruk dalam mengetahui berbagai hal serta dalam menolak menjawab. Jika pipeline Anda menggunakan Liquid AI D1 Ultra sebagai mesin ekstraksi, penerusnya adalah peningkatan yang jelas. Jika pipeline Anda memakainya sebagai penjaga gerbang yang seharusnya mengatakan "Saya tidak tahu" ketika kasusnya ambigu, penerusnya adalah keputusan dua model, bukan sekadar penggantian.
Kedua model pada satu instrumen

Perbandingan ini luar biasa rapi karena kedua baris dihasilkan oleh organisasi yang sama pada versi yang sama dari papan yang sama, yang tidak berlaku untuk sebagian besar keputusan peningkatan. Artificial Analysis menjalankan d1-ultra dan d1.2-ultra pada Decision Index v2.1, jadi tidak ada di sini yang bergantung pada membandingkan angka vendor dengan angka independen, atau pada revisi indeks yang menggeser patokan antara kedua rilis. Klaim utama vendor sendiri untuk model baru — peringkat pertama, unggul dua poin — cocok dengan papan yang disebutnya.
• Harga — $0.042 per juta token input untuk keduanya. Identik, dan tidak berubah oleh peningkatan ini.
• Indeks Keputusan v2.1 — d1.2-ultra 74.85 (#1 dari 24) vs d1-ultra 70.58 (#6).
Jendela konteks — 66k token vs 33k, sesuai spesifikasi teknis dewan. Postingan peluncuran Liquid tidak menyebutkan jendela konteks untuk kedua model.
• Waktu per tugas — 218 ms vs 301 ms. Peningkatan ini juga sepertiga lebih cepat.
• Biaya per juta tugas — {{1}}$133{{/1}} untuk keduanya, yang sesuai dengan ekspektasi pada harga token yang identik dan jumlah token per tugas yang serupa.
• Brier score — 0.150 vs 0.176, semakin rendah semakin baik. Ini adalah angka tunggal yang paling langsung menyatakan "kalibrasi yang lebih baik".
Aturan penagihan telah berubah, dan nilainya lebih besar daripada poin indeks.
Dalam d1-ultra, setiap pertanyaan ditagih sebagai prompt tersendiri, termasuk setiap gambar yang dilampirkan. Ajukan sepuluh pertanyaan tentang satu foto dan Anda membayar foto tersebut sepuluh kali; untuk gambar 1024×1024, itu berarti 1.536 token dikalikan sepuluh sebelum teks apa pun dihitung. Dalam d1.2-ultra, permintaan menagih teks dan gambarnya satu kali, dan setiap pertanyaan tambahan hanya menambahkan teksnya sendiri.
Uraikan dengan contoh permintaan yang realistis: dokumen 2.000 token, satu gambar 1024×1024, sepuluh pertanyaan yang masing-masing sekitar 30 token. Aturan lama membebankan biaya sekitar 35.700 token; aturan baru membebankan sekitar 3.840. Dengan tarif identik $0.042 per juta, itu berarti $0.0015 versus $0.00016 per permintaan — sedikit lebih dari sembilan kali lebih murah untuk pekerjaan yang sama, pada harga yang dipublikasikan sama, dari vendor yang sama, tanpa judul pengumuman yang melekat padanya. Pada 100.000 permintaan per bulan, sekitar $150 menjadi sekitar $16.
Kedua angka itu merupakan aritmetika berdasarkan deskripsi penagihan milik vendor sendiri, bukan pengukuran tagihan langsung, dan rasionya sepenuhnya bergantung pada berapa banyak pertanyaan yang Anda ajukan per negara bagian. Ajukan satu pertanyaan per dokumen, dan kedua model itu berbiaya sama. Ajukan sepuluh, dan peningkatan "gratis" itu menjadi perubahan biaya terbesar dalam rilis ini.
Apa yang sebenarnya lebih baik dilakukan oleh model baru

Empat komponen naik, dan dua di antaranya naik cukup jauh.
• AA-Paperclip, 30% dari indeks — 75,81 berbanding 64,69 pada skor keputusan, dan 67,7% berbanding 51,3% dokumen yang sepenuhnya benar. Sebelas poin tingkat lolos penuh dokumen pada komponen dengan bobot terbesar adalah inti dari kenaikan komposit dua belas poin. Inilah angka yang perlu diperhatikan jika Anda mengekstrak bidang dari faktur, kwitansi, atau resume, karena dokumen yang melewatkan satu dari lima belas jawaban tetap dihitung sebagai meleset.
• AA-Symmetry, 15% — 86,34 berbanding 78,66, dengan konsistensi semua-lulus naik dari 45,8% menjadi 56,7%. Ubah susunan kata pertanyaan, pindahkan posisi opsi, negasikan pertanyaan ya/tidak, dan model baru jauh lebih sering mempertahankan jawabannya.
• When2Call, 10% — 96,49 berbanding 93,83. Pemanggilan alat sudah menjadi kekuatan utama keluarga model ini; ini adalah peningkatan yang lebih kecil pada komponen yang sudah mendekati batas atasnya.
EvalSafe-O*NET-AA, 15% — 89,53 berbanding 88,15. Satu setengah poin pada penilaian dokumen di tempat kerja, yang mendekati derau dan tidak boleh dipasarkan sebagai peningkatan.
• AA-Omniscience-Decision v1.1, 15% — 60,80 berbanding 64,39 pada skor keputusan. Turun empat poin pada komponen yang separuhnya pengetahuan dan separuhnya kejujuran.
• HLE-MultiChoice v1.1, 15% — 46,36 berbanding 47,39. Turun satu poin pada komponen yang seluruh pesertanya lemah.
Kedua regresi itu, secara sederhana
Penurunan omniscience bukanlah artefak penilaian; hal itu terlihat pada baris akurasi dan abstensi yang mendasarinya, dan keduanya saling tidak konsisten dengan cara yang perlu dipahami sebelum Anda melakukan migrasi.
• Akurasi AA-Omniscience-Decision — d1-ultra menjawab 28,0% pertanyaan dengan benar, d1.2-ultra 23,6%. Pendahulunya lebih banyak tahu.
• AA-Omniscience-Decision non-halusinasi — d1-ultra 88,6%, d1.2-ultra 83,8%. Pendahulunya juga lebih baik dalam tidak mengarang jawaban. Kedua baris bergerak ke arah yang sama, yang berarti ini adalah perubahan kapabilitas yang sesungguhnya, bukan pergeseran dalam seberapa hati-hati model menggunakan abstensinya.
• Akurasi HLE-MultiChoice — 6,09% dibandingkan 2,36%, model baru berada di urutan terakhir dari 24 pada akurasi mentah. Tingkat non-halusinasinya pada set yang sama naik, dari 56,9% menjadi 76,1%, sehingga penurunan akurasi sebagian diperoleh dengan lebih banyak abstensi. Namun tidak sepenuhnya: pasangan omniscience di atas menunjukkan model menjawab lebih sedikit DAN lebih sedikit yang benar.
Konsekuensinya bagi sebuah pipeline lebih sempit daripada kedengarannya. Jika Anda menerapkan ambang batas pada probabilitas dan mengirim kasus dengan keyakinan rendah kepada manusia, model yang lebih sering abstain justru menguntungkan Anda, dan angka non-halusinasi 83,8% tetap merupakan peringkat keenam dari 24. Jika Anda menggunakan model sebagai gerbang otomatis untuk pertanyaan yang menuntut pengetahuan atas suatu fakta — apakah klaim ini konsisten dengan kebijakan, apakah kode ini sesuai dengan spesifikasi — pendahulunya yang lebih murah terukur lebih baik dan tidak ada alasan untuk tidak terus menggunakannya untuk irisan itu.
Apa yang harus Anda ubah di klien Anda
Hampir tidak ada, dan itulah alasan untuk melakukannya sekarang, bukan satu kuartal lagi. Endpoint-nya sama, api.liquid.ai/decisions/v1/systemone, dipanggil dengan "model": "d1.2-ultra"; tiga jenis pertanyaan tidak berubah; respons masih berupa JSON terstruktur dengan probabilitas per opsi dan tanpa token keluaran. Migrasinya hanyalah perubahan string dan deploy ulang.
Yang baru bersifat penambahan, dan perlu diketahui karena menghilangkan solusi sementara alih-alih menambah fitur. Lima tipe jawaban bergabung dengan tipe yang sudah ada: membaca nilai dari halaman dan mengembalikan karakter tempat nilai itu dibaca, atau "tidak ditemukan"; mengembalikan setiap span dari suatu jenis beserta posisinya, yang mencakup redaksi PII tanpa model kedua; mengembalikan kotak di sekitar satu objek atau setiap instans plus jumlahnya; mengembalikan perkiraan dengan rentang; dan mengembalikan setiap opsi yang berlaku dengan probabilitasnya masing-masing. Input audio bekerja dua arah — rekaman dapat menjadi subjek, atau dapat menjadi pertanyaan, diucapkan alih-alih diketik.
Klaim akurasi untuk kelima tugas itu merupakan milik Liquid sendiri, pada set uji internal yang dibangun dari pemisahan held-out kumpulan data publik, karena belum ada benchmark publik yang mencakupnya. Berdasarkan angka vendor, kedua model berdekatan: 98% berbanding 96% dalam membaca nilai dari struk, 94%/93% berbanding 92%/88% pada span PII, masing-masing 94% pada lokasi objek, dan pada dua tugas terakhir model lama bukan yang lebih lemah di setiap baris — model baru menang dalam penghitungan dengan toleransi satu, 93% berbanding 92%, dan kalah dalam memilih setiap objek yang ada, 87% berbanding 90%.
Menjalankan yang lama dan yang baru secara berdampingan
Mempertahankan keduanya adalah migrasi yang jujur, dan itu murah: keduanya adalah string model yang berbeda pada endpoint yang sama dan keduanya sudah ada di API milik Liquid sendiri saat ini, dengan harga yang sama, dengan kunci dari console.liquid.ai. Tidak satu pun ada di katalog kami, dan tulisan ini bukan klaim ketersediaan untuk keduanya.
Di sinilah lapisan perutean menjadi berguna: pembagian antara kedua model merupakan keputusan per pertanyaan, bukan per layanan. Model penerus adalah pilihan untuk mengirim dokumen, gambar, dan apa pun yang akan Anda tetapkan ambangnya; model pendahulu adalah pilihan untuk mengirim penilaian yang padat fakta, tempat baris akurasi dan abstensinya masih lebih baik. Susun itu sebagai dua rute di belakang satu API — DSL perutean memungkinkan Anda membagi berdasarkan jenis pertanyaan atau ukuran state, bukan berdasarkan batas layanan yang dikodekan secara manual — dan kedua model berhenti bersaing untuk slot yang sama. Tidak ada yang berubah di sisi kami pada $0.042 yang dikenakan salah satu model: harga daftar penyedia diteruskan dengan markup 0%, sehingga perubahan harga Liquid berlaku langsung di sini pada hari yang sama, bukan pada siklus penagihan berikutnya. Dan ketika API vendor mengalami gangguan, failover otomatis adalah yang menjaga rute dokumen tetap hidup alih-alih menjadikan satu penyedia sebagai satu-satunya titik kegagalan untuk seluruh pipeline.
Peningkatan itu, satu baris masing-masing
Ambil d1.2-ultra untuk dokumen, untuk gambar, untuk keadaan ambigu, dan untuk apa pun yang Anda tetapkan ambangnya — model ini sebelas poin lebih baik pada komponen dokumen, delapan lebih baik pada simetri, sepertiga lebih cepat, menggandakan jendela konteks, dan, jika Anda mengajukan lebih dari satu pertanyaan per keadaan, memangkas tagihan Anda hingga satu orde besaran.
Pertahankan d1-ultra untuk gating yang padat fakta, di mana akurasi omniscience dan baris non-halusinasinya keduanya masih lebih tinggi, dan di mana akurasi HLE hampir tiga kali lipat penerusnya, sekecil apa pun kedua angka tersebut.
Lewati migrasi sepenuhnya hanya jika state Anda tidak membawa gambar, satu pertanyaan masing-masing, dan tanpa ambang batas — kasus ketika kedua model berbiaya sama dan model baru sekadar lebih baik pada setiap evaluasi yang Anda gunakan. Dalam kasus itu, satu-satunya alasan untuk menunggu adalah sembilan belas jam yang dibutuhkan untuk mengetahui bahwa tidak ada yang rusak.

