Liquid AI d1-ultra: Pemimpin Decision Index Baru, Dilatih untuk Meragukan Diri Sendiri

Liquid AI d1-ultra dirilis pada 15 Oktober 2026, dan hal paling menarik tentangnya adalah angka yang tidak dikutip siapa pun: pada Artificial Analysis Decision Index, model yang digantikannya mendapat skor 2 pada non-halusinasi. Liquid AI d1 adalah, pada papan yang sama, model keputusan paling akurat dalam menjawab pertanyaan pengetahuan — dan yang terburuk di kelasnya dalam mengenali pertanyaan yang tidak dapat dijawabnya. Liquid AI d1-ultra adalah jawaban vendor untuk itu, dan diumumkan dengan klaim peringkat pertama: bahwa ia menempati puncak Decision Index dengan selisih setidaknya delapan poin di atas setiap model keputusan lainnya, termasuk yang saat ini berada di puncak papan tersebut, Jev 1.13. Klaim itu milik Liquid, bukan milik Artificial Analysis, dan papan yang dimaksud diterbitkan sebelum model ini ada. Kedua fakta tersebut sangat penting, dan tulisan ini menjaganya tetap melekat pada angka yang menjadi miliknya. Setiap gangguan dan rollback penyedia yang kami lacak dicatat di Orca AI Incident Archive, yang memuat kumpulan catatan lengkap bersama entri-entri tetangga insiden ini.

Secara mekanis, apa yang dilakukan model ini adalah taruhan yang sama yang telah dilakukan Liquid sepanjang tahun ini. Anda memberinya sebuah state — payload JSON, tiket dukungan, tangkapan layar dasbor — dan sekumpulan pertanyaan bernama, dan model tersebut membaca jawaban dari distribusinya sendiri dalam satu forward pass. Tanpa sampling, tanpa parsing, tanpa generasi yang lepas kendali. Penghitung penggunaan vendor melaporkan output_tokens: 0, persis seperti yang dilakukannya untuk sisa lini d1.

Apa yang Liquid katakan telah dibangunnya, dan apa yang dijadikan pembanding pengujiannya

Setiap angka di bagian ini adalah milik Liquid sendiri, yang dilaporkan dalam postingan peluncuran, dan belum direproduksi oleh siapa pun lain pada saat penulisan ini. Model ini digambarkan sebagai model keputusan multimodal yang dibangun di atas basis berbobot terbuka yang lebih besar dengan apa yang oleh postingan tersebut disebut sebagai kustomisasi berat yang khusus untuk Liquid, disetel secara khusus untuk keputusan yang padat pengetahuan — frasa yang terbaca sebagai rujukan langsung ke masalah kalibrasi di bawah ini. Model ini membawa tiga jenis pertanyaan yang sama seperti anggota keluarga lainnya. noul bersifat biner: beri ia sebuah pernyataan dan ia mengembalikan P(ya) antara 0 dan 1. Choice memilih label dan mengembalikan distribusi plus keyakinan. Score menempatkan status pada skala berurutan dengan probabilitas per tingkat. Ketiganya dikembalikan dalam format terstruktur, dan tidak satu pun memakan token keluaran.

Bukti dari Liquid adalah serangkaian 112 evaluasi unik terhadap d1-nya sendiri yang lebih awal dan terhadap Jev 1.14, rilis Jev yang lebih baru. Perusahaan mengatakan d1-ultra mengungguli Jev 1.14 di semua tugas dan lebih terkalibrasi pada harga yang sama. Itu adalah klaim yang lebih kuat dan lebih spesifik daripada "memimpin papan peringkat," dan itu juga yang lebih sulit diperiksa, karena kalibrasi adalah properti yang tidak dapat Anda baca dari satu skor saja. Perhatikan juga bahwa Jev 1.14 adalah pembanding yang dinamai vendor: ia tidak muncul di katalog kami, dan kami tidak dapat menemukan baris Decision Index publik untuknya.

Permukaan API adalah satu panggilan non-streaming ke POST https://api.liquid.ai/decisions/v1/systemone dengan "model": "d1-ultra". Tidak ada jendela konteks yang dipublikasikan di mana pun dalam materi peluncuran, yang merupakan celah nyata, bukan kesalahan pembulatan: untuk model yang seluruh tugasnya adalah menerima state, ukuran state yang boleh Anda berikan kepadanya hampir sama dengan spesifikasi utama. Karena model ini tidak pernah menghasilkan token, biaya keluaran secara struktural nol dan streaming tidak berlaku.

Indeks yang dimaksud sudah ada sebelum model tersebut.

Artificial Analysis menerbitkan Decision Index v1.0 pada 13 Oktober 2026 — dua hari sebelum d1-ultra ada. Papan ini dibangun dari empat evaluasi dengan bobot 25% masing-masing: AA-Omniscience-Decision, kumpulan privat berisi 500 pertanyaan yang dinilai setengah berdasarkan akurasi dan setengah berdasarkan non-halusinasi; HLE-MultiChoice, 513 pertanyaan pilihan ganda teks yang diambil dari Humanity's Last Exam; When2Call, evaluasi pemanggilan alat NVIDIA; dan WildGuardTest, kumpulan klasifikasi keamanan milik Ai2.

Artikel yang memperkenalkannya tidak menyebut d1-ultra di mana pun, dan itu tidak mengejutkan, dan itulah sebabnya angka "unggul delapan poin" harus dibaca sebagai klaim vendor, bukan peringkat. Pada papan yang dipublikasikan, Jev 1.13 memimpin bidang model keputusan dengan 58, dengan GLiDE dan M​icrosoft-Decision-1 seri di 54. Dua model bahasa berada di atas semuanya: C​laude H​aiku 5.5 (Low) pada 61 dan GPT-6 Luna (Low) pada 55. Hitunglah aritmetika pada klaim Liquid dan hasilnya mencapai 66 atau lebih tinggi — di atas model bahasa terbaik di papan. Bisa jadi memang itulah yang dilakukan model itu. Itu juga persis jenis klaim yang memerlukan pihak ketiga untuk mereproduksinya sebelum siapa pun membuat rencana berdasarkan klaim itu.

Mengapa kalibrasi, khususnya, adalah inti dari semuanya

Kegagalan yang dituju d1-ultra adalah kegagalan yang disebut Artificial Analysis dalam artikel yang sama. Model keputusan, sebagai suatu kelas, ditemukan terlalu percaya diri secara luas: probabilitas yang dinyatakan sebuah model untuk suatu jawaban secara rutin melampaui seberapa sering jawaban itu ternyata benar. Hal itu lebih penting di sini daripada pada sebuah chatbot, karena seluruh keluaran model keputusan adalah sebuah probabilitas. Model bahasa yang salah dengan percaya diri menghasilkan paragraf yang dapat Anda teliti. Model keputusan yang salah dengan percaya diri menghasilkan angka yang dirancang untuk ditindaklanjuti oleh sebuah pipeline.

Sebaran di dalam kelas itu luas, dan d1 berada di ujung buruknya:

• Akurasi Keputusan AA-Omniscience — Liquid AI d1 adalah model pengambilan keputusan terbaik di 41, dengan Jev 1.13 di 35. Model bahasa pada evaluasi yang sama mencapai skor 52 dan 66.

• Tingkat non-halusinasi — Liquid AI d1 mencetak 2. Jev 1.13 mencetak 35, Mercury Decide 32, dan M​icrosoft-Decision-1 memimpin dengan 40. Tidak ada model keputusan lain di papan peringkat yang gagal mencapai 17.

• Jarak antara kedua baris itu adalah keseluruhan intinya. d1 paling banyak tahu dan paling sedikit mengaku. Model yang dilatih untuk menutup jarak itu — satu-satunya dimensi tempat entri Liquid sebelumnya berada di posisi terakhir alih-alih pertama — akan memajukan kelas ini bahkan tanpa menyentuh akurasi mentah.

• HLE-MultiChoice — Jev 1.13 unggul di 21, sementara setiap model pengambilan keputusan lainnya berada di 15 atau di bawahnya. Inilah evaluasi dengan ruang pengembangan paling besar bagi para peserta, dan evaluasi yang tidak dijadikan acuan pelaporan oleh uji 112-evaluasi Liquid.

• When2Call dan WildGuardTest — Celeris-1 Decision dan GLiDE seri pada 84 pada pemanggilan alat, dengan Jev 1.13 di posisi keempat pada 81; GLiDE memimpin keamanan pada 95, dengan Decider v1.1 27B dan Jev 1.13 bersama-sama pada 94.

Berapa sebenarnya biaya dari sejuta keputusan

Harga adalah bagian dari peluncuran yang tidak memerlukan catatan tambahan. Liquid AI d1-ultra dikenakan biaya $0.042 per juta token masukan dan tidak ada biaya sama sekali untuk keluaran, karena tidak ada keluaran. Harga tersebut sama persis dengan d1 dan sama persis dengan yang kami kenakan untuk Jev 1.13, yang membuat kedua model itu dapat dibandingkan secara langsung hanya dari segi biaya dan tidak pada hal lain.

Aritmetikanya cukup sederhana untuk dihitung di atas serbet. Sebuah state berukuran sekitar seribu token — payload JSON yang cukup terperinci, atau satu halaman teks — membutuhkan biaya $0,042 untuk dijalankan satu juta kali. Angka biaya per sejuta tugas milik Artificial Analysis untuk kelas ini berada di antara $17 dan $199, dengan Jev 1.13 sebesar $42, Microsoft-Decision-1 sebesar $31, dan Decider v1.1 27B sebesar $17; waktu median per tugas di seluruh kelas ini berkisar dari 0,06 detik hingga setengah detik. Keputusan berukuran seribu token pada $42 per sejuta tugas berada di tengah rentang itu, dan itulah hal yang berguna untuk diketahui: harganya biasa saja untuk kategori ini, dan pertanyaan yang menarik bukanlah biaya per token, melainkan biaya per keputusan yang benar.

Ada satu detail penagihan yang akan mengejutkan banyak orang, dan layak dibaca dua kali. Gambar ditagih sebagai teks masukan dengan 1,5 token per patch 32×32 piksel, sehingga gambar 1024×1024 menjadi 1.536 token — dan setiap pertanyaan ditagih sebagai prompt tersendiri, termasuk semua gambar yang dilampirkan. Ajukan sepuluh pertanyaan terpisah tentang foto yang sama dan gambar tersebut ditagih sepuluh kali, jadi sepuluh pertanyaan itu membawa 15.360 token gambar bahkan sebelum satu kata teks pun. Menggabungkan pertanyaan Anda ke dalam satu panggilan tidak mengamortisasi biaya itu. Jika beban kerja Anda bersifat visual, angka yang menentukan tagihan Anda adalah jumlah pertanyaan dikalikan token gambar, bukan jumlah dokumen dikalikan token gambar.

Di mana Anda dapat menyebutnya

Liquid AI d1-ultra kini sudah live di API milik Liquid sendiri, melalui konsol Liquid, dan di d1 Playground bagi siapa pun yang ingin mengutak-atiknya tanpa menulis klien. Vendor tersebut mengatakan bahwa platform tambahan akan hadir; ringkasan jujurnya saat ini adalah API milik vendor sendiri, dengan beberapa platform pihak ketiga yang akan menyusul. Ada contoh kode di postingan peluncuran yang bisa langsung dijalankan.

Catatan perutean, dan ini bukan promosi: Liquid AI d1-ultra tidak ada di katalog kami, dan artikel ini bukan klaim ketersediaan untuk model tersebut. Yang ada di katalog kami adalah Jev 1.13 — model yang saat ini memimpin Decision Index — dengan tarif $0.042 per juta token input yang sama dan biaya completion nol yang sama, dengan jendela konteks 64K, dilayani melalui bentuk endpoint systemone yang identik: teks masuk, JSON terstruktur keluar, non-streaming. Itu adalah kebetulan yang berguna bagi siapa pun yang mengevaluasi peluncuran ini, karena berarti penantang dan petahana dapat dijalankan berdampingan tanpa kontrak kedua. d1-ultra langsung ke Liquid; petahana sudah ada di katalog kami. Keduanya berada di belakang satu API untuk 200+ model, di mana harga daftar diteruskan dengan markup 0% dan di mana failover otomatis berarti model baru dapat mengambil sebagian dari beban kerja nyata tanpa harus dipercaya untuk menangani semuanya.

Bagian terakhir itu adalah rekomendasi praktis, bukan penempatan produk. Model yang baru berusia satu hari, yang benchmark utamanya belum direproduksi secara independen, dan yang jendela konteksnya belum dipublikasikan bukanlah sesuatu untuk mengarahkan lalu lintas produksi padanya pada hari pertama. Itu adalah sesuatu yang perlu dijalankan secara shadow-run terhadap model yang sudah ada di slot. Jalankan state yang sama melalui keduanya, bandingkan distribusinya alih-alih labelnya, dan perhatikan secara khusus kasus ketika d1-ultra mengatakan 0,8 dan ternyata salah — karena itulah kasus yang menjadi inti seluruh peluncuran ini, dan itulah satu angka yang belum dipublikasikan Liquid.

Apa yang bisa menyelesaikannya

Tiga hal, dalam urutan menurun berdasarkan seberapa besar hal itu akan mengubah keputusan.

Yang pertama adalah baris Decision Index. Sampai Artificial Analysis menjalankan d1-ultra melalui pipeline-nya sendiri, selisih delapan poin atas Jev 1.13 adalah angka vendor, dan peningkatan kalibrasi atas Jev 1.14 adalah angka vendor yang sama sekali tidak memiliki padanan publik. Papan peringkat ini diperbarui secara rutin, dan model keputusan yang benar-benar melampaui 66 akan menjadi hasil paling menarik di kategori ini tahun ini, karena itu akan menempatkan model non-generatif di atas setiap model bahasa pada indeks yang sama.

Yang kedua adalah lembar spesifikasi yang hilang. Jendela konteks, latensi pada ukuran batch yang dinyatakan, dan apakah pertanyaan dapat berbagi gambar tanpa menagihnya ulang — ketiga angka itu menentukan apakah suatu beban kerja layak jauh sebelum skor benchmark menentukannya. Generasi pendahulu Liquid menjalankan keputusan teks dalam 200 hingga 300 milidetik, yang merupakan titik acuan berguna tetapi bukan pengukuran model ini.

Yang ketiga adalah kalibrasi di luar laboratorium. 112 evaluasi Liquid adalah pilihan tugas milik vendor sendiri. Kepercayaan diri yang berlebihan adalah sifat yang muncul di ekor — pertanyaan sulit yang jarang, keadaan ambigu, masukan dari distribusi yang tidak pernah dilihat model. Di situlah d1 mendapat skor 2, dan hanya di situ peningkatan yang nyata akan terlihat.

Sampai saat itu, posisi yang jujur adalah yang membosankan: harganya nyata dan publik, endpoint-nya berfungsi, cacat terburuk kategori ini diidentifikasi dengan benar, dan solusinya diklaim, bukan dibuktikan. Jika Anda bekerja pada keputusan terstruktur, ini layak untuk satu sore. Ini tidak sepadan untuk migrasi.