
Liquid AI d1.2 Hadir dengan Input Audio dan Output Berupa Kotak — dan Model Murahnya Itulah yang Menarik
- OrcaBARUOrcaCyber: Hy4 Flash Abliterated / Uncensored2026-11-18$0.07 / $0.28 per 1 juta token · 180 tok/s
- tencentBARUTencent: Hy4 Flash2026-11-16$0.02 / $0.07 per 1 juta token · 223 tok/s
- GoogleBARUGoogle: Gemini 4 Carbon2026-11-10$2.00 / $10.00 per 1 juta token · 89 tok/s
- AnthropicBARUAnthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 per 1 juta token · 98 tok/s
- orcaBARUOrca: OrcaC2 1.02026-11-079 tok/s
- OrcaOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 per 1 juta token · 88 tok/s
- OrcaOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 per 1 juta token · 134 tok/s
- OrcaOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$2.00 / $5.00 per 1 juta token · 79 tok/s
- tencentTencent: Hy42026-11-04$0.83 / $2.50 per 1 juta token · 94 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 per 1 juta token · 118 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 per 1 juta token · 68 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 per 1 juta token · 94 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 · 199 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929Kecerdasan
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 per 1 juta token · 114 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733Kecerdasan
- DeepSeekDeepSeek: DeepSeek V4.1 Flash 09102026-10-17$0.15 / $0.60 per 1 juta token · 311 tok/s
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740Kecerdasan
Liquid AI d1.2 dan Liquid AI d1.2-ultra mulai tersedia di API vendor pada 16 November 2026, dan angka utama ada pada model yang mahal: d1.2-ultra mendapat skor 75 pada Artificial Analysis Decision Index v2.1, peringkat pertama di antara 25 model keputusan yang diperingkat oleh papan tersebut. Perubahan yang lebih berdampak ada pada isi permintaan, bukan pada papan peringkat. Kedua model kini mengembalikan jawaban yang tidak dapat diungkapkan oleh generasi sebelumnya — sebuah nilai beserta karakter asal pembacaannya, daftar span beserta posisinya, kotak pembatas, hitungan dengan rentang di sekitarnya, sekumpulan opsi yang masing-masing membawa probabilitasnya sendiri — dan keduanya menerima audio, baik sebagai hal yang ditanyakan maupun sebagai pertanyaan itu sendiri.
Itu adalah jenis rilis yang berbeda dari sekadar peningkatan akurasi. Sebuah model keputusan dulu mengembalikan label dan probabilitas, yang berarti pipeline apa pun yang membutuhkan bukti di balik label harus menambahkan model kedua untuk menemukannya. d1.2 menjawab dengan bukti yang terlampir, dalam satu forward pass, dengan biaya $0,02 per juta token masukan. d1.2-ultra melakukan hal yang sama dengan biaya $0,042. Keduanya tidak menghasilkan token keluaran, jadi masih tidak ada yang bisa di-stream: ini adalah model yang Anda panggil dan dapatkan kembali sebagai objek terstruktur.
Keduanya aktif hari ini di API milik Liquid sendiri dan tidak di tempat lain mana pun yang akan dikonfirmasi vendor. Semua uraian di bawah ini memisahkan apa yang dilaporkan Liquid dari apa yang diukur Artificial Analysis, karena pada rilis ini keduanya bukan kumpulan angka yang sama dan perbedaannya penting.
Apa yang sebenarnya dikirim, per item
Lima tipe jawaban baru bersifat aditif. Endpoint tidak berubah, tiga tipe pertanyaan asli tidak berubah, dan klien yang mengirim JSON yang sama seperti yang dikirim kemarin akan mendapatkan bentuk respons yang sama.
• Membaca nilai — tanyakan berapa yang harus dibayar pada sebuah faktur dan dapatkan angka beserta karakter yang dibaca darinya, atau string "not found" saat bidang tersebut tidak ada. Inilah yang paling banyak menghilangkan kode perekat, karena solusi sementara yang biasa dipakai adalah panggilan generatif kedua untuk membaca ulang halaman.
• Temukan setiap rentang dari suatu jenis — setiap nama, nomor telepon, dan alamat email dalam sebuah catatan, masing-masing dengan posisinya di dalam teks. Itu adalah primitif penyensoran, dan ini adalah pertama kalinya keluarga ini menawarkan satu.
• Menemukan objek dalam gambar — satu kotak di sekitar tanda tangan pada formulir hasil pindaian, atau kotak di sekitar setiap kemunculan suatu objek beserta jumlahnya. "Tidak ditemukan" adalah jawaban yang tersedia, yang lebih penting daripada kedengarannya: detektor objek yang harus selalu mengembalikan kotak akan mengarangnya.
• Perkirakan sebuah angka dengan rentang — dua belas orang dalam foto, kemungkinan sepuluh hingga empat belas. Rentang itulah bagian yang jujur dari output, dan itu adalah bagian yang biasanya harus dikalibrasi sendiri oleh sebagian besar tim.
• Pilih setiap opsi yang berlaku — penagihan dan pengiriman, masing-masing dengan probabilitasnya sendiri, bukan satu pemenang tunggal. Klasifikasi multi-label sebelumnya dilakukan secara semu dengan mengajukan pertanyaan yang sama sekali per label dan membayar state setiap kali.
Audio masuk dari kedua arah. Rekaman dapat menjadi subjek — bahasa apa yang sedang diucapkan, apakah ada sirene di latar belakang — atau pertanyaan dapat diucapkan, bukan diketik. Liquid melaporkan akurasi 95% hingga 97% pada rekaman held-out di ESC-50 dan FLEURS, dengan tiga hingga enam opsi per pertanyaan dan kebingungan yang mirip seperti bahasa Spanyol versus Portugis dalam campuran tersebut.
Ada satu perubahan penagihan yang ikut serta dan mudah terlewat. Sebuah permintaan kini menagih teks dan gambarnya sekali saja, dan setiap pertanyaan tambahan hanya menambahkan teksnya sendiri. Pada generasi sebelumnya, setiap pertanyaan menagih ulang prompt lengkap termasuk setiap gambar terlampir, sehingga interogasi sepuluh pertanyaan terhadap satu foto membayar foto tersebut sepuluh kali.
Papan, dan di antara apa tempat pertama itu menjadi yang pertama

Artificial Analysis telah menilai kedua model barunya pada Decision Index v2.1, dan angkanya bukan hasil laporan vendor: papan penilaian itu menjalankannya sendiri, pada enam evaluasi yang sama, dengan harga daftar saat ini. d1.2-ultra berada di 74,85, peringkat pertama dari 25 model keputusan dan unggul 2,2 poin dari pesaing model keputusan terdekatnya, Drex Max v1.1 di 72,62. d1.2 berada di 68,69, peringkat kesembilan dari 25, di atas median kelas 66.
Catatan pembatas yang perlu diingat adalah bahwa "pertama" dibatasi cakupannya. Papan yang sama juga menilai dua model bahasa umum pada instrumen yang sama, dan keduanya mengalahkan d1.2-ultra secara mutlak: Claude Haiku 5.5 (Max) dengan 76,49 dan GPT-6 Luna (Max) dengan 75,67. Keduanya bukan model keputusan, dan biaya perbandingannya berat — $6.218 dan $1.548 per juta tugas dibandingkan $133 — tetapi "nomor satu di Decision Index" tanpa kata decision di dalamnya bukanlah yang ditunjukkan papan itu.
Yang memang dikuatkan secara independen oleh papan peringkat adalah soal kalibrasi. Skor keputusan pada indeks ini diperoleh dengan mengurangi skor Brier dari probabilitas yang dilekatkan pada jawaban yang dipilih, sehingga model yang benar tetapi terlalu percaya diri akan dihukum. d1.2-ultra memiliki Brier 0,150, d1.2 0,164, dan model yang mereka gantikan, d1-ultra, 0,176. Model baru yang lebih murah terkalibrasi lebih baik daripada model unggulan lama meskipun skor keseluruhannya 1,9 poin lebih rendah, semacam perbedaan yang hanya muncul ketika pihak lain menjalankan harness.
Waktu dan biaya melengkapi gambaran dan menarik ke arah berlawanan. d1.2 berjalan pada 150 ms per tugas, tercepat kedelapan di papan peringkat dan sedikit di bawah median 206 ms. d1.2-ultra berjalan pada 218 ms, lebih lambat dari median dan berada di urutan ke-15. Untuk biaya per juta tugas, papan peringkat menempatkan d1.2 pada $63, termurah ketiga dari 25, dan d1.2-ultra pada $133, urutan kesebelas dibandingkan median $137.
Angka tugas baru, dan siapa yang menghasilkannya

Belum ada tolok ukur publik yang mencakup salah satu dari lima tipe jawaban baru, jadi setiap angka akurasi untuk tipe-tipe tersebut berasal dari set uji internal Liquid sendiri, yang dibangun dari pembagian data publik yang disisihkan. Itu adalah evaluasi vendor terhadap modelnya sendiri pada data yang dipilihnya, dan harus dibaca persis seperti itu.
• Membaca sebuah nilai dari struk, pada CORD dan SROIE — 98% untuk d1.2-ultra, 96% untuk d1.2. Sebuah pembacaan dianggap benar bila menemukan target atau dengan tepat menyatakan bahwa nilai itu tidak ada, sehingga kasus tidak ditemukan menjadi bagian dari skor, bukan sekadar lolos tanpa penilaian.
• Rentang data pribadi, pada Nemotron PII — presisi 94% dan recall 93% untuk ultra, 92% dan 88% untuk d1.2. Selisih recall lima poin adalah pemisahan terbesar antara kedua model pada tugas mana pun dari kelima tugas, dan itulah yang penting untuk penyamaran, karena rentang yang terlewat adalah kegagalan yang membuat Anda didenda.
• Pelokalan objek, pada keluarga RefCOCO — 94% untuk keduanya. Tidak ada pemisahan sama sekali.
• Penghitungan dalam satu, pada COCO — 93% untuk ultra, 92% untuk d1.2.
• Memilih setiap objek yang ada, pada COCO — 87% untuk ultra versus 90% untuk d1.2, satu-satunya baris di mana model murah menang.
Jadi model premium memberikan peningkatan yang jelas dalam membaca nilai dan dalam recall span, dan hampir tidak ada pada tugas spasial. Jika kasus penggunaan Anda adalah kotak, model $0.02 adalah yang harus diuji terlebih dahulu.
Audio, dan lembar spesifikasi yang belum diperbarui
Audio adalah klaim dengan kesenjangan terlebar antara pengumuman dan catatan independen. Postingan Liquid menggambarkan input audio sebagai kemampuan utama kedua model; spesifikasi teknis Artificial Analysis untuk keduanya masih mencantumkan modalitas input sebagai teks dan gambar, dan indeks tersebut tidak memiliki evaluasi audio, sehingga tidak ada apa pun di papan yang menguji klaim itu. Itu bukan kontradiksi — papan tersebut memang belum sampai ke sana — tetapi itu berarti kemampuan audio saat ini hanyalah pernyataan vendor tanpa pemeriksaan pihak ketiga di baliknya.
Kewaspadaan yang sama berlaku untuk lima tipe jawaban baru: indeks tidak mengukur satu pun darinya. Sebuah model bisa berada di peringkat pertama di papan peringkat namun tidak terukur pada hal yang sebenarnya ingin Anda lakukan dengannya.
Tabel kalibrasi vendor layak dibaca karena alasan yang berbeda. Di seluruh 13 benchmark dan 22.505 pertanyaan yang dijawab oleh kelima model, Liquid menetapkan galat kalibrasi sebesar 0,8 poin untuk d1.2-ultra, 1,2 untuk d1.2, 2,7 untuk Jev 1.14, 3,7 untuk Decider v1.3 milik Perplexity, dan 7,2 untuk GPT-6 Luna pada endpoint Decisions-nya. Itu adalah angka yang dihasilkan vendor pada kumpulan pertanyaan yang dipilih vendor. Skor Brier dewan mengarah ke arah yang sama pada dua model yang sama, yang merupakan hal terdekat dengan pendapat kedua yang tersedia minggu ini.
Memeriksa kalimat biaya terhadap board

Liquid membuat klaim yang luar biasa dapat difalsifikasi: tidak ada model yang mencetak skor lebih tinggi daripada d1.2 dengan biaya lebih rendah, dan tidak ada model yang mencetak skor lebih tinggi daripada d1.2-ultra pada harga berapa pun. Kedua bagian itu bertahan di papan, dengan catatan cakupan yang sama seperti sebelumnya.
• Paruh kedua hampir secara trivial benar di antara model keputusan — tidak ada yang lain di papan 25 model yang sama sekali mencetak skor di atas 74.85. Pernyataan ini hanya gagal jika dua model bahasa umum dimasukkan, dan keduanya berbiaya 12 hingga 47 kali lebih besar per juta tugas.
• Paruh pertama bertahan di papan keputusan: setiap model keputusan dengan skor di atas 68,69 milik d1.2 memakan biaya lebih tinggi per juta tugas. Penantang murah terdekat adalah Decider v1.3 milik Perplexity pada 70,41 dan $68, yang berada di bawah dua poin indeks dengan biaya lima dolar per juta tugas — kasus yang paling mendekati kontracontoh di papan, dan masih berada di sisi yang benar dari kalimat Liquid.
• Angka biaya tersebut berasal dari Artificial Analysis sendiri, dihitung berdasarkan harga daftar saat ini dan dirata-ratakan dengan bobot indeks. Angka ini merupakan biaya per tugas yang dimodelkan, bukan tagihan, dan akan berubah jika penyedia mengubah harga.
Poin terakhir itulah tempat lapisan routing membuktikan nilainya, bukan mengiklankan dirinya sendiri. Rilis ini mengubah aturan penagihan Liquid, memangkas separuh harga efektif model murah dibandingkan flagship lama, dan melakukannya dua hari lalu. Di sisi kami, harga daftar penyedia diteruskan dengan markup 0%, jadi pemotongan dari vendor sampai di sini pada hari yang sama, bukan pada perpanjangan kontrak berikutnya — $0.02 dan $0.042 dalam artikel ini adalah angka vendor, bukan penyajian ulang yang sudah ditambahi markup.
Apa yang perlu dilakukan minggu ini jika Anda sudah menjalankan model keputusan
Tidak ada bagian dalam tulisan ini yang merupakan pengumuman ketersediaan: kedua model baru sudah ada di API Liquid, dan belum satu pun yang masuk ke katalog kami. Alasan menyebut milik kami sama sekali adalah karena rilis ini adalah rilis model keputusan, dan model keputusan yang kami layani adalah Jev 1.14 — satu-satunya baris di papan yang mengalahkan d1.2-ultra pada satu komponen, EvalSafe-O*NET-AA dengan 91,14 berbanding 89,53, pada bentuk permintaan systemone yang sama dengan $0,042 per juta token masukan. Apa pun kesimpulan Anda tentang lima jenis jawaban baru, segmen keamanan dan tempat kerja memiliki incumbent yang dapat Anda jadikan tolok ukur hari ini.
Langkah yang masuk akal sebelum platform pihak ketiga yang dijanjikan Liquid benar-benar muncul adalah shadow run. Kirim state yang sudah dilihat pipeline Anda ke kedua model d1.2, bandingkan probabilitasnya alih-alih label top-1, dan perhatikan secara khusus kasus-kasus ketika model menjawab 0,8 dan salah. Ekor itulah titik terlemah generasi sebelumnya, dan itulah satu hal yang diklaim telah diperbaiki oleh rilis ini yang hanya bisa dikonfirmasi sebagian oleh indeks.
Failover otomatis adalah separuh lainnya dari mencoba model berusia dua hari tanpa mempertaruhkan jalur produksi padanya: arahkan sebagian trafik ke d1.2-ultra, biarkan model yang sedang berjalan tetap di belakangnya, dan biarkan sore buruk di salah satu vendor menurunkan tingkat jawaban alih-alih membuat pipeline mati. Itu cara yang lebih murah untuk mengetahui apakah 75 nyata daripada menunggu benchmark orang lain.
Pertanyaan yang masih terbuka bukanlah apakah model-model ini sudah dirilis — memang sudah, lengkap dengan harga dan sebuah endpoint — melainkan apakah kelima tipe jawaban baru itu tetap terbukti andal di luar split held-out milik Liquid sendiri. Belum ada yang menerbitkan angka independen untuk salah satu pun dari kelimanya, dan sampai ada yang melakukannya, posisi yang jujur adalah bahwa rilis ini menambahkan kontrak keluaran yang benar-benar berguna berdasarkan bukti yang sepenuhnya berasal dari vendor sendiri.
