
Liquid AI d1.2-ultra Menduduki Peringkat Teratas Indeks Keputusan dengan Skor 75 — dan Berada di Posisi Terakhir pada Salah Satu dari Enam Pengujiannya
- 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 adalah model pertama dalam kategori ini yang diberi peringkat pertama oleh pihak selain perusahaan yang membangunnya. Artificial Analysis memberinya skor 75 pada Decision Index v2.1, menampilkan angka itu di halaman papan peringkat model tersebut sendiri, dan menempatkannya di peringkat pertama dari 24 model pengambilan keputusan — unggul 2,2 poin dari Drex Max v1.1 milik Nace.AI di angka 73. Liquid AI d1.2, bagian yang lebih kecil dari rilis yang sama, berada di peringkat kesembilan dengan skor 69. Keduanya dirilis pada 16 November 2026, yang menjadikan ini peluncuran Liquid AI pertama ketika klaim papan peringkat datang bersamaan dengan papan independen yang sudah memuat model tersebut, bukan angka dari vendor yang menunjuk ke papan yang sudah ada sebelumnya.
Papan yang sama juga menempatkan d1.2-ultra di posisi terakhir di antara 24 model tersebut pada HLE-MultiChoice, dengan akurasi mentah 2,36%. Kedua pernyataan itu benar secara bersamaan, keduanya diukur oleh organisasi yang sama dengan instrumen yang sama pada hari yang sama, dan jarak di antara keduanya adalah hal paling berguna dalam rilis ini.
Mengapa klaim papan peringkat ini adalah jenis klaim yang berbeda
Pada Oktober, Liquid AI mengumumkan d1-ultra dengan klaim peringkat pertama yang diukur terhadap Decision Index v1.0, sebuah papan peringkat yang diterbitkan dua hari sebelum model itu ada. Tidak ada yang bisa memeriksanya, karena model itu tidak ada di papan peringkat. Bukan itu yang terjadi di sini. Artificial Analysis menjalankan d1.2-ultra sendiri, pada perangkat kerasnya sendiri, melalui harness-nya sendiri, dan hasilnya adalah baris berperingkat dengan enam skor komponen dan kurva kalibrasi yang disertakan. Ketika Liquid mengatakan "yang tertinggi pada indeks dan unggul dua poin dari model keputusan terbaik sebelumnya," indeks dan yang terbaik sebelumnya sama-sama publik dan keduanya sepakat.
Versi 2.1 adalah rata-rata berbobot dari enam evaluasi, dan bobotnya tidak tersebar merata. AA-Paperclip menyumbang 30%: 1.500 dokumen privat — resume, kuitansi, faktur, makalah penelitian — yang masing-masing memuat lima keputusan dan sepuluh fakta, dinilai sebagai satu dokumen yang hanya dihitung jika kelima belas jawabannya benar semua. EvalSafe-O*NET-AA, AA-Omniscience-Decision v1.1, HLE-MultiChoice v1.1, dan AA-Symmetry v1.1 masing-masing menyumbang 15%. When2Call, kumpulan pemanggilan alat dari NVIDIA, menyumbang 10%. Setiap pertanyaan dinilai sebagai 50 × (1 + c − (p − c)²), dengan c adalah benar atau tidaknya pilihan tersebut dan p adalah probabilitas yang diberikan model pada pilihan itu, yang secara agregat menjadi 50 × (1 + akurasi − skor Brier). Kesalahan yang percaya diri lebih merugikan daripada kesalahan yang ragu-ragu, dan model yang menyatakan 0,6 dan benar mendapat skor lebih baik daripada model yang menyatakan 0,99 dan benar.
Dari mana angka 75 berasal

Jika diurai, posisi pertama ditopang oleh dua evaluasi dan dipertahankan oleh evaluasi ketiga. Sisanya biasa saja atau lebih buruk, yang perlu diketahui sebelum orang menganggap skor komposit sebagai gambaran model.
• AA-Paperclip, 30% dari indeks — d1.2-ultra memperoleh skor 75,81 pada skor keputusan dengan 67,7% dokumen sepenuhnya benar, keduanya peringkat pertama dari 24. Drex Max v1.1 berada di posisi kedua dengan 72,82 dan 63,0%, SubQ Snap 1.2 di posisi ketiga dengan 71,58. Model yang digantikannya, Liquid AI d1-ultra, berada di 64,69 dan 51,3%.
• When2Call, 10% — d1.2-ultra berada di posisi pertama dengan 96,49, di atas SubQ Snap 1.2 dengan 96,10 dan d1.2 dengan 96,09. Pemanggilan tool memang sudah menjadi keunggulan terkuat bidang ini; selisihnya di sini adalah satu setengah poin di antara sepuluh teratas.
• AA-Symmetry, 15% — peringkat kedua pada 86,34, di belakang Mammoth 27B dengan 88,25. Pada ukuran all-pass yang lebih ketat, gambaran berubah: Mammoth mempertahankan jawaban yang sama di berbagai parafrase pada 68,3% pertanyaan, Elephant 9B pada 65,8%, dan d1.2-ultra pada 56,7%. Peringkat kedua pada skor bukanlah peringkat kedua pada konsistensi.
• EvalSafe-O*NET-AA, 15% — peringkat ketiga dengan 89.53, di belakang Jev 1.14 pada 91.14. Ini adalah satu-satunya komponen di mana model pesaing masih memimpin, dan selisihnya tidak cukup dekat untuk disebut noise.
• AA-Omniscience-Decision v1.1, 15% — 60.80, yang berada di pertengahan, dan di bawah 64.39 yang diraih d1-ultra.
• HLE-MultiChoice v1.1, 15% — 46,36 pada skor keputusan, tetapi akurasi mentah 2,36%, terendah dari semua 24. Kesenjangan itu bukan kontradiksi; itulah tampilan model yang terkalibrasi baik ketika ia menolak hampir semuanya. Tingkat non-halusinasinya pada set yang sama adalah 76,1%, yang berarti tiga dari empat kali ia dengan benar mengatakan tidak tahu alih-alih menebak.
Metrik utama yang mendasari keenam model tersebut, yakni skor indeks akurasi terpisah dari AA, menempatkan d1.2-ultra di posisi pertama dengan 61,6, di atas GLiDE v1.2 dengan 59,4 dan Drex Max v1.1 dengan 58,2. Skor Brier-nya sebesar 0,150 adalah yang terbaik dari 24 model. Model ini menang bukan karena hanya terkalibrasi tanpa faktor lain; model ini menang berkat dokumen dan kalibrasi secara bersamaan, kombinasi yang memang dirancang untuk diberi imbalan oleh indeks tersebut.
Skor yang bergerak ke arah sebaliknya
Ada versi rilis ini yang terbaca sebagai sapu bersih, dan baris HLE-MultiChoice-lah yang membantahnya. Akurasi mentah dua sepertiga persen pada soal pilihan ganda Humanity's Last Exam bukanlah kesalahan pembulatan, dan itu tidak bisa dijelaskan begitu saja oleh opsi menolak: model memiliki opsi untuk abstain, dan ia mengambilnya, lalu abstensi itu dinilai sebagai kejujuran, bukan sebagai pengetahuan. Decider v1.3 menjawab 15,32% dari soal yang sama dengan benar. Drex Max v1.1 menjawab 8,25%. Liquid AI d1.2, model murah dalam rilis yang sama, menjawab 5,30%.
Perbandingan terakhir itulah yang aneh. Pada evaluasi yang padat pengetahuan, model yang lebih kecil dan lebih murah bukanlah yang lebih lemah. d1.2 menjawab benar 30.0% pertanyaan AA-Omniscience-Decision dibandingkan dengan 23.6% milik d1.2-ultra, dan 5.30% pada HLE dibandingkan dengan 2.36%. Yang dibeli d1.2-ultra dengan tambahan dua sen per juta token bukanlah pengetahuan; melainkan penanganan dokumen, simetri, dan kalibrasi — separuh operasional dari pekerjaan itu. Jika beban kerja Anda adalah ekstraksi dari faktur hasil pindai, pertukaran itu jelas benar. Jika beban kerja Anda adalah menjawab pertanyaan sulit tentang dunia, model yang lebih murah dalam keluarga yang sama terukur lebih baik, dan tidak ada satu pun dalam postingan peluncuran yang mengatakan demikian.
Perubahan penagihan yang tidak ada di judul berita
Kalimat paling berdampak dalam postingan Liquid adalah aturan penagihan, bukan tolok ukur. Di bawah d1-ultra, setiap pertanyaan ditagih sebagai prompt tersendiri termasuk semua gambar yang dilampirkan, sehingga mengajukan sepuluh pertanyaan tentang satu foto membayar foto itu sepuluh kali. Di bawah d1.2 dan d1.2-ultra, permintaan menagih teks dan gambarnya sekali, dan setiap pertanyaan tambahan hanya menambahkan teksnya sendiri.
Ambil dokumen 2.000 token dengan satu gambar 1024×1024, yang memakan biaya 1.536 token pada tarif yang dinyatakan sebesar 1,5 token per patch 32×32 piksel, dan sepuluh pertanyaan pendek masing-masing sekitar 30 token. Berdasarkan aturan lama, permintaan itu membawa sekitar 35.700 token. Berdasarkan aturan baru, permintaan itu membawa sekitar 3.840. Pada $0,042 per juta token input, itu kira-kira $0,0015 per permintaan dibandingkan $0,00016 — sedikit lebih dari sembilan kali lebih murah untuk pekerjaan yang identik pada harga tertera yang identik. Pada 100.000 permintaan per bulan, selisihnya sekitar $150 dibandingkan $16. Kedua angka tersebut adalah aritmetika berdasarkan deskripsi penagihan vendor itu sendiri, bukan pengukuran.
Spesifikasi kedua yang berubah adalah jendela konteks. Artificial Analysis mencantumkan 66k token untuk kedua model d1.2, dibandingkan dengan 33k untuk d1-ultra. Postingan Liquid tidak menyebutkan jendela sama sekali, jadi angka 66k itu merupakan pembacaan papan peringkat, bukan spesifikasi vendor, dan angka itu tetap dua kali lipat dari yang dibawa generasi sebelumnya. Bagi model yang seluruh tugasnya adalah menerima state, itu perubahan praktis yang lebih besar daripada empat poin indeks.
Lima jenis jawaban baru, dan audio
Penambahan kapabilitas bersifat aditif, bukan pengerjaan ulang: endpoint yang sama, bentuk permintaan yang sama, lima jenis jawaban baru, dan modalitas masukan baru. Sebuah pertanyaan kini dapat meminta nilai yang dibaca dari halaman — angka, tanggal, nama — yang dikembalikan bersama karakter asal nilai itu dibaca, atau "tidak ditemukan" jika nilai itu tidak ada. Pertanyaan juga dapat meminta setiap span dari jenis tertentu beserta posisinya, yang merupakan kasus PII. Pertanyaan dapat meminta kotak di sekitar satu objek atau kotak di sekitar setiap instance plus jumlahnya. Pertanyaan dapat meminta estimasi dengan rentang yang disertakan. Dan pertanyaan dapat meminta setiap opsi yang berlaku, masing-masing dengan probabilitasnya sendiri.
Audio adalah tambahan lainnya, yang bekerja dalam dua arah: rekaman dapat menjadi hal yang ditanyakan pertanyaan, atau dapat menjadi pertanyaan itu sendiri. Liquid melaporkan bahwa pada rekaman yang disisihkan, kedua model menjawab 95% hingga 97% pertanyaan tentang suara apa yang mereka dengar, dari ESC-50, atau bahasa apa yang diucapkan, dari FLEURS di 43 bahasa, dengan masing-masing tiga hingga enam opsi dan kebingungan yang mirip seperti Spanyol dan Portugis di dalamnya.
Angka akurasi untuk lima tugas baru berasal dari set uji internal yang dibangun dari pemisahan data publik yang disisihkan, dan vendor menyatakannya secara terang-terangan, karena belum ada tolok ukur publik yang mencakup tugas-tugas ini. Bacalah sebagai evaluasi milik vendor sendiri: 98% dan 96% untuk membaca nilai dari struk pada CORD dan SROIE, presisi dan recall 94%/93% versus 92%/88% untuk rentang PII pada Nemotron PII, 94% untuk keduanya pada lokasi objek di seluruh keluarga RefCOCO, 93% dan 92% untuk penghitungan dengan toleransi selisih satu di seluruh COCO, dan 87% versus 90% untuk memilih setiap objek yang ada — satu-satunya baris tempat model murah menang.
Memeriksa klaim uang

Kalimat harga Liquid luar biasa dapat diverifikasi: “tidak ada model yang skornya lebih tinggi daripada d1.2 dengan biaya lebih murah, dan tidak ada model yang skornya lebih tinggi daripada d1.2-ultra pada harga berapa pun.” Kedua bagiannya tetap bertahan saat dihadapkan pada papan peringkat. Tidak ada satu pun dalam indeks 24 model yang skornya di atas 74,85, jadi bagian kedua benar secara trivial. Untuk bagian pertama, d1.2 berada di 68,69 dan $63 per juta tugas; setiap model yang skornya di atasnya berbiaya lebih mahal, dengan penantang murah terdekat adalah Decider v1.3 di 70,41 dan $68. Klaim itu bertahan, dan bertahan berdasarkan angka pihak lain, bukan angka Liquid, yang lebih jarang terjadi daripada seharusnya.
Angka biayanya sendiri berasal dari Artificial Analysis, yang menjalankan setiap evaluasi pada harga daftar saat ini dan merata-ratakan: $133 per juta tugas untuk d1.2-ultra, peringkat kesebelas dari 24 terhadap median kelas $135, dan $63 untuk d1.2, termurah ketiga. Waktu per tugas adalah 218 ms untuk model besar dan 150 ms untuk model kecil, terhadap median kelas 209 ms — model unggulan sedikit lebih lambat daripada rata-rata, model murah jauh lebih cepat, dan keduanya satu orde magnitudo lebih cepat daripada model generatif yang muncul di papan yang sama pada sebelas dan tiga puluh dua detik per tugas.
Di mana Anda dapat memanggilnya, dan terhadap apa Anda menjalankannya
Kedua model sudah aktif hari ini di API milik Liquid sendiri di api.liquid.ai/decisions/v1/systemone, yang disebut sebagai d1.2-ultra dan d1.2, dengan kunci dari konsol Liquid, dan keduanya tersedia di playground Liquid. Postingan Liquid menyebutkan platform pihak ketiga tambahan akan hadir; sampai tulisan ini dibuat, API milik vendor itu sendiri adalah jalur yang tersedia. Tidak satu pun model berada di katalog kami, dan artikel ini bukan klaim ketersediaan untuk salah satu pun.
Yang ada di katalog kami adalah Jev 1.14, model yang unggul pada satu komponen yang tidak diungguli d1.2-ultra — EvalSafe-O*NET-AA, dengan 91.14 berbanding 89.53 — disajikan melalui systemone dengan bentuk endpoint yang sama, teks masuk dan JSON terstruktur keluar, dengan $0.042 per juta token masukan. Kebetulan itu berguna: tim yang mengevaluasi rilis ini dapat menempatkan model baru dan model petahana pada keadaan yang sama tanpa kontrak kedua atau pustaka klien kedua, karena satu API untuk 200+ model sudah mendukung kedua bentuk tersebut. Harga daftar diteruskan dengan markup 0%, jadi jika Liquid mengubah $0.042, angka di sini ikut berubah bersamanya, bukan setelahnya, dan failover otomatis berarti model yang baru berumur satu hari dapat mengambil sebagian beban kerja nyata tanpa harus dipercaya untuk menangani semuanya.

Rekomendasi yang muncul dari data, bukan dari halaman harga: lakukan shadow-run terhadapnya. d1.2-ultra berada di peringkat pertama untuk dokumen dan peringkat pertama untuk kalibrasi—kombinasi yang benar-benar kuat untuk pipeline ekstraksi—dan berada di peringkat terakhir untuk pertanyaan pengetahuan yang sulit, yang merupakan keterbatasan nyata, bukan catatan kaki. Kirimkan state yang benar-benar dilihat pipeline Anda kepadanya, bandingkan probabilitasnya, bukan pilihan top-1, dan perhatikan kasus-kasus ketika ia menjawab 0,8 dan salah, karena ekor itulah tempat pendahulu model pada Oktober mencetak skor buruk dan tempat peningkatan itu terlihat atau tidak.
Pertanyaan terbukanya bukanlah apakah 75 itu nyata — Artificial Analysis telah mengukurnya dan menerbitkan komponen-komponennya. Pertanyaannya adalah apakah evaluasi dokumen berbobot 30%, terhadap 1.500 dokumen privat, dapat digeneralisasikan ke dokumen Anda. Itu adalah pertanyaan yang hanya dapat dijawab oleh sampel berlabel Anda sendiri, dan layak dijawab sebelum perubahan penagihan menggoda Anda untuk mengajukan sepuluh pertanyaan per dokumen alih-alih satu.
