
d1.2 vs Liquid AI D1: Harga Sama $0.02, Enam Komponen Unggul, dan Dua Baris Akurasi yang Menurun
- OrcaBARUOrcaCyber: Hy4 Flash Abliterated / Uncensored2026-11-18$0.07 / $0.28 per 1 juta token · 187 tok/s
- openaiBARUOpenAI: GPT-6.2 Astra2026-11-17$8.00 / $40.00 per 1 juta token · 80 tok/s
- openaiBARUOpenAI: GPT-6.2 Sol2026-11-17$2.00 / $10.00 per 1 juta token · 155 tok/s
- tencentBARUTencent: Hy4 Flash2026-11-16$0.02 / $0.07 per 1 juta token · 196 tok/s
- AlibabaBARUQwen: Qwen4 Max2026-11-16$1.50 / $4.50 per 1 juta token · 85 tok/s
- GoogleBARUGoogle: Gemini 4 Carbon2026-11-10$2.00 / $10.00 per 1 juta token · 705 tok/s
- AnthropicBARUAnthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 per 1 juta token · 246 tok/s
- OrcaOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 per 1 juta token · 97 tok/s
- OrcaOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 per 1 juta token · 139 tok/s
- OrcaOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$2.00 / $5.00 per 1 juta token · 84 tok/s
- tencentTencent: Hy42026-11-04$0.83 / $2.50 per 1 juta token · 122 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 per 1 juta token · 102 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 per 1 juta token · 69 tok/s
- openaiOpenAI: GPT-6.1 Terra2026-10-26$1.00 / $5.00 per 1 juta token · 35 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 per 1 juta token · 89 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 per 1 juta token · 38 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 · 230 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929Kecerdasan
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 per 1 juta token · 101 tok/s
Liquid AI d1.2 dan Liquid AI D1 memiliki harga daftar yang sama — $0,02 per juta token input, hanya input yang ditagih, tanpa token output — pada endpoint yang sama, menjawab tiga jenis pertanyaan yang sama. Keduanya terpaut dua generasi: D1 adalah model keputusan pertama dalam keluarga ini, yang menurut Artificial Analysis dirilis pada September 2026, dan d1.2 hadir pada 16 November 2026, dengan d1.1 di antaranya. Segala hal yang biasanya menjadi penentu perbandingan — harga, kontrak, kode klien, bentuk deployment — identik. Yang tersisa adalah modelnya, dan pada model tersebut hasilnya timpang tetapi tidak bersih: d1.2 memenangkan keenam evaluasi Decision Index v2.1 dan unggul 7,9 poin secara keseluruhan, sementara D1 masih memenangkan dua dari baris akurasi mentah di bawahnya.
Kedua baris itulah alasan mengapa ini layak dibaca, bukan sekadar dipindai. Keduanya berada pada sumbu pengetahuan, dan keduanya merupakan biaya langsung dari perubahan yang membuat d1.2 lebih baik di semua bagian lain — model itu jauh lebih sering menolak. Perbandingan ini adalah templat untuk gambaran seperti apa peningkatan yang "secara ketat lebih baik" itu setelah Anda memeriksa subbarisnya: keuntungan komposit yang besar, peningkatan perilaku yang nyata, dan tempat kecil yang dapat diprediksi ketika model baru mengorbankan sesuatu.
Kedua baris, berdampingan

Kedua model dinilai oleh Artificial Analysis pada versi yang sama dari papan yang sama, yang menghilangkan bahaya biasa dalam membandingkan angka dari vendor dengan angka independen. Tidak satu pun angka di sini berasal dari Liquid.
• Decision Index v2.1 — 68,69 untuk d1.2 (#9 dari 25) vs 60,78 untuk D1 (#21 dari 25). Sebelas model kini memisahkan keduanya, dan selisihnya cukup lebar sehingga tidak ada uji ulang yang masuk akal yang dapat menutupnya.
• Harga per juta token input — $0.02 untuk keduanya. Tidak berubah selama dua generasi.
• Biaya yang dimodelkan per juta tugas — $63 untuk keduanya, sesuai dengan yang Anda perkirakan pada harga token yang identik dan jumlah token per tugas yang serupa. Tidak ada yang lebih murah; papan peringkat menempatkan keduanya di posisi ketiga.
• Waktu per tugas — 150 ms vs 151 ms. Praktis identik, dan keduanya lebih cepat daripada median kelas 206 ms.
• Jendela konteks — 66k token untuk keduanya, seperti yang tercantum di papan. Postingan Liquid sendiri tidak menyebutkan jendela untuk salah satu pun, jadi ini pembacaan pihak ketiga, bukan spesifikasi vendor.
• Skor Brier, semakin rendah semakin baik — 0,164 vs 0,196. Peningkatan 0,032 pada probabilitas yang dikaitkan dengan jawaban yang dipilih, tanpa biaya.
Baris terakhir adalah yang perlu direnungkan. d1.2 bukan hanya lebih sering benar; keyakinan yang dilekatkannya pada jawabannya lebih dekat dengan kebenaran, yaitu sifat yang membuat pipeline ambang batas bisa berfungsi sama sekali. Dan itu hadir gratis.
Enam komponen, dan ukuran setiap celah

Angka komposit itu menyembunyikan serangkaian perubahan yang sangat tidak merata, dan dua di antaranya sebenarnya bukan soal akurasi.
• AA-Paperclip, keputusan dokumen — 62,60 untuk d1.2 dibandingkan 54,92, dengan 44,3% dokumen sepenuhnya benar dibandingkan 25,7%. Baris semua-lulus itu adalah peningkatan tunggal terbesar dalam rilis ini untuk pasangan ini: faktur lima belas bidang dengan empat belas yang benar tetap dihitung sebagai meleset pada model mana pun, dan d1.2 mengubah seperempat dokumen menjadi hampir setengah.
• When2Call, keputusan penggunaan alat — 96,09 dibandingkan 81,59, dengan akurasi 95,5% dibandingkan 77,9%. Inilah yang mengubah untuk apa model dapat digunakan. D1 pada 77,9% adalah pengklasifikasi yang perlu didampingi manusia; d1.2 pada 95,5% adalah pengklasifikasi yang dapat Anda biarkan melakukan perutean.
• AA-Symmetry, invariansi — 76,52 dibandingkan 58,67, dengan 50,0% lolos semua dibandingkan 32,5%. Ubah susunan kata pertanyaan, urutkan ulang opsi, negasikan ya/tidak: jawaban model lama berubah, jawaban model baru sebagian besar tidak.
• EvalSafe-O*NET-AA, penilaian tempat kerja — 86.55 dibandingkan 84.21, dan akurasi 79.7% dibandingkan 76.3%. Selisih terkecil dalam daftar ini, dan bukan alasan untuk bermigrasi dengan sendirinya.
• AA-Omniscience-Decision v1.1, pengetahuan — 60,94 berbanding 58,31. Hampir tiga poin, dan sub-baris di bawahnya adalah bagian yang menarik.
• HLE-MultiChoice v1.1, pertanyaan sulit — 44,69 berbanding 39,80, dengan akurasi 5,30% berbanding 11,79%. Model baru menjawab lebih sedikit pertanyaan sulit dengan benar namun tetap memperoleh skor lima poin lebih tinggi, karena indeks menilai probabilitas, bukan hanya pilihan.
Narasi soal abstain adalah peningkatan yang sesungguhnya
Lihat baris non-halusinasi secara bersamaan, karena baris-baris itu menggambarkan model yang mengubah karakternya, bukan akurasinya.
• AA-Omniscience-Decision non-halusinasi — d1.2 66,6%, D1 3,3%. D1 menjawab 39,8% pertanyaan ini dengan benar dan hampir tidak pernah menolak; d1.2 menjawab 30,0% dengan benar dan jauh lebih sering menolak.
• Non-halusinasi HLE-MultiChoice — 53,9% dibandingkan 5,6%, pada benchmark yang akurasi mentah D1 dua kali lebih tinggi.
• AA-Symmetry all-pass — 50,0% dibandingkan 32,5%, yaitu pergeseran yang sama yang terlihat melalui konsistensi, bukan melalui penolakan.
D1 adalah model pertama dalam keluarga ini dan perilakunya seperti itu: ketika diajukan pertanyaan yang tidak dapat dijawabnya, ia tetap menghasilkan jawaban. Tingkat non-halusinasi sebesar 3,3% berarti bahwa pada sekitar 97 dari setiap 100 pertanyaan pengetahuan yang respons benarnya adalah tidak menjawab, ia tidak melakukannya. Jika pipeline Anda mengirim kasus dengan keyakinan rendah ke peninjau manusia, sifat itulah yang menentukan apakah gerbang tersebut berfungsi; model yang tidak pernah mengatakan "Saya tidak tahu" tidak memberi Anda apa pun untuk dijadikan ambang, dan probabilitas 0,9-nya kurang bermakna dibandingkan probabilitas 0,9 milik d1.2.
Catatan ini bersifat simetris dan layak dikemukakan: d1.2 lebih sedikit menjawab benar pertanyaan-pertanyaan sulit. Jika tugas Anda adalah pertanyaan pengetahuan dengan jawaban pasti dan tanpa jalur untuk abstain — apakah klaim ini konsisten dengan kebijakan, apakah kode ini sesuai dengan spesifikasi — Anda sedang menukar akurasi dengan kejujuran, dan pertukaran itu mungkin tidak gratis.
Apa yang dapat dijawab oleh model baru yang tidak dapat dijawab oleh model lama
d1.2 menambahkan lima tipe jawaban dan input audio. D1 tidak memiliki satu pun dari semua itu, dan sebanyak apa pun prompting tidak akan menutup kesenjangan tersebut, karena kontrak respons tidak memiliki bidang untuk posisi span atau kotak pembatas.
• Sebuah nilai ditambah karakter asal nilai itu dibaca, atau "tidak ditemukan" — primitif ekstraksi yang menghilangkan proses generatif kedua per bidang.
• Setiap rentang sejenis beserta posisinya — nama, nomor telepon, alamat email, sebagai primitif redaksi alih-alih prompt peringkasan.
• Kotak di sekitar satu objek atau di sekitar setiap kemunculan ditambah jumlah.
• Perkiraan dengan rentang yang disertakan.
• Setiap opsi yang berlaku dengan probabilitasnya sendiri, bukan satu pemenang.
Audio berfungsi dalam dua arah: rekaman bisa menjadi subjek, atau bisa menjadi pertanyaan. Angka akurasi untuk semua ini adalah milik Liquid, pada set uji internal yang dibangun dari pemisahan data publik yang disisihkan, karena tidak ada tolok ukur publik yang mencakup tugas-tugas baru — 98% dan 96% membaca nilai dari struk untuk d1.2-ultra dan d1.2, 94%/93% berbanding 92%/88% pada span data pribadi, 94% untuk keduanya pada lokasi objek. Anggap saja ini sebagai vendor yang mengevaluasi dirinya sendiri; dewan tidak memiliki baris untuk semua itu.
Satu detail penagihan turut menyertai. Di bawah D1, setiap pertanyaan ditagih sebagai prompt tersendiri termasuk setiap gambar yang dilampirkan; di bawah d1.2, satu permintaan menagih teks dan gambarnya sekali, dan setiap pertanyaan tambahan hanya menambahkan teksnya sendiri. Ajukan sepuluh pertanyaan tentang satu foto 1024×1024 — 1,536 token gambar — dan aturan lama menagih sekitar 15,360 token gambar; aturan baru menagih 1,536. Dengan tarif $0.02 yang identik, pola banyak pertanyaan beberapa kali lebih murah pada d1.2, dan penghematannya terletak pada aturan penagihan, bukan pada tarifnya.
Apa yang rusak saat Anda mengubah string

Lebih sedikit dari yang Anda perkirakan, dan pengecualiannya layak diuji daripada dikhawatirkan. Endpoint tetap api.liquid.ai/decisions/v1/systemone, string model menjadi d1.2, dan tiga jenis pertanyaan asli tetap mempertahankan bentuk permintaan dan responsnya. Klien yang mengirim nilai, pilihan, dan skor akan menerima JSON yang sama kembali.
Tiga hal yang perlu diperiksa terhadap sampel Anda sendiri sebelum beralih ke jalur produksi:
• Mengurai "tidak ditemukan". Tipe jawaban baru dapat mengembalikan ketiadaan secara eksplisit, dan parser yang mengasumsikan nilai non-null akan gagal karenanya. Ini adalah fitur, tetapi ini merupakan breaking change dalam skema yang ketat.
• Penempatan ambang batas. Probabilitas kini bermakna berbeda. Nilai 0,8 pada d1.2 adalah 0,8 yang lebih andal daripada 0,8 pada D1, sehingga ambang batas yang disetel berdasarkan sikap terlalu percaya diri model lama akan lebih jarang terpicu setelah penggantian. Setel ulang ambang tersebut alih-alih membawanya begitu saja.
• Irisan pengetahuan. Jika sebagian beban kerja Anda adalah penilaian fakta, bukan pembacaan dokumen, ukur irisan itu secara terpisah. Di sinilah abstensi yang lebih tinggi dari model baru dapat merugikan cakupan Anda, dan baris-baris akurasi di papan menyatakannya dengan gamblang.
Siapa yang harus melakukan migrasi, dan siapa yang harus mengukur terlebih dahulu
Migrasikan tanpa basa-basi jika beban kerjanya adalah ekstraksi, perutean, pemilihan alat, atau klasifikasi yang sensitif terhadap konsistensi. Setiap baris yang dipublikasikan mendukung d1.2, harga tidak berubah, dan kesenjangan invariansi serta pemanggilan alat cukup besar sehingga pengulangan tidak mungkin membalikkannya.
Ukur dulu apakah beban kerjanya berupa penilaian pengetahuan dalam volume besar, atau apakah pipeline memiliki ambang probabilitas yang disetel secara manual. Keduanya bukan alasan untuk tetap memakai D1 — tetapi keduanya adalah alasan untuk menguji beberapa ribu state nyata melalui kedua model dan membandingkan probabilitasnya, bukan labelnya.
Akses dulu, karena pertanyaan migrasi biasanya berubah menjadi pertanyaan pengadaan. D1 dan d1.2 keduanya ada di API Liquid; keduanya tidak ada di katalog kami, dan tidak ada yang di sini merupakan klaim ketersediaan. Model di katalog kami yang cocok untuk pengujian ini adalah Jev 1.14, yang membawa EvalSafe-O*NET-AA ke 91.14 sedangkan d1.2 berhenti di 86.55, berbicara dalam bentuk systemone yang sama, dan menagih $0.042 per juta token input. Tempatkan ketiganya pada state yang sama dan DSL perutean menuliskan pembagiannya sekali — berdasarkan jenis pertanyaan, bukan berdasarkan layanan — dengan harga daftar penyedia diteruskan pada markup 0% sehingga $0.02 yang Anda lihat dikutip adalah $0.02 yang Anda bayar. Failover otomatis adalah yang memungkinkan model yang dirilis dua hari lalu memegang satu jalur dari beban kerja aktif alih-alih semuanya.
Itulah keseluruhan perbandingannya. Harga sama, kontrak sama, endpoint sama, satu generasi pekerjaan di antara keduanya, dan enam kemenangan komposit terhadap dua baris akurasi yang masih dipegang model lama — keduanya berada pada sumbu pengetahuan, tempat abstensi d1.2 justru merugikannya. Jika beban kerja Anda adalah ekstraksi, perutean, atau klasifikasi, setiap baris yang Anda pedulikan bergerak ke arah yang benar. Jika itu adalah penilaian fakta tanpa peninjau di belakangnya, jalankan perbandingan bayangan terlebih dahulu dan biarkan angka pada status Anda sendiri yang menentukan.
