Una card di titolo generata con l’intestazione ‘Stesso prezzo, una generazione di distanza’ e il sottotitolo ‘Liquid AI d1.2 contro Liquid AI D1’. Una singola lunga barra orizzontale sale da sinistra a destra, etichettata ‘D1 61’ all’estremità sinistra e ‘d1.2 69’ all’estremità destra. Tre chip con bordo riportano ‘stesso $0.02 per 1M token di input’, ‘stesso endpoint systemone’ e ‘tutti e sei i componenti migliorati’, mentre una riga di didascalia recita ‘due righe di accuratezza appartengono ancora al modello precedente’. Il marchio OrcaRouter è sovrapposto in basso a destra.
Guides & Insights

d1.2 vs Liquid AI D1: stesso $0.02, sei componenti vinti e due righe di accuratezza che sono andate all'indietro

Autore

jinhao.song

Data di pubblicazione

Ultimi modelli · 20Vedi tutti i modelli →
Benchmark: Artificial Analysis · aggiornato ogni giorno
Torna a tutti gli articoli

Liquid AI d1.2 e Liquid AI D1 hanno lo stesso prezzo di listino — 0,02 $ per milione di token di input, con fatturazione solo sull'input, nessun token di output — sullo stesso endpoint, e rispondono agli stessi tre tipi di domande. Sono distanti due generazioni: D1 è stato il primo modello decisionale della famiglia, che Artificial Analysis indica come rilasciato a settembre 2026, e d1.2 è arrivato il 16 novembre 2026, con d1.1 nel mezzo. Tutto ciò su cui di solito si basa un confronto — prezzo, contratto, codice client, modalità di deployment — è identico. Ciò che resta è il modello, e sul modello il risultato è sbilanciato ma non netto: d1.2 vince tutte e sei le valutazioni del Decision Index v2.1 e guida con 7,9 punti di vantaggio complessivo, mentre D1 vince ancora due delle righe di accuratezza grezza sottostanti.

Quelle due righe sono il motivo per cui vale la pena leggerlo invece di scorrerlo. Entrambe si collocano sull'asse della conoscenza, ed entrambe sono il costo diretto del cambiamento che rende d1.2 migliore ovunque altrove — rifiuta molto più spesso. Il confronto è un modello di come appare un aggiornamento "strettamente migliore" una volta controllate le sotto-righe: un grande guadagno composito, un autentico miglioramento comportamentale e un piccolo, prevedibile punto in cui il nuovo modello rinuncia a qualcosa.

Le due righe, affiancate

A generated two-column scoreboard titled ‘d1.2 vs D1 - the scoreboard’. The d1.2 column lists Decision Index 69, AA-Paperclip all-pass 44.3%, AA-Symmetry 76.5, When2Call 96.1, Omniscience non-hallucination 66.6% and price per 1M input tokens $0.02. The D1 column lists 61, 25.7%, 58.7, 81.6, 3.3% and $0.02. The footer reads ‘Both rows per Artificial Analysis Decision Index v2.1; D1 ranks #21 of 25 decision models on the board.’ The OrcaRouter mark is composited bottom right.

Entrambi i modelli sono stati valutati da Artificial Analysis sulla stessa versione della stessa classifica, il che elimina il consueto rischio di confrontare un dato fornito dal produttore con uno indipendente. Nessuno dei due valori qui riportati proviene da Liquid.

Decision Index v2.1 — 68,69 per d1.2 (#9 su 25) contro 60,78 per D1 (#21 su 25). Undici modelli ora li separano, e il divario è abbastanza ampio che nessuna nuova esecuzione plausibile lo colma.

• Prezzo per milione di token di input — $0.02 per entrambi. Invariato in due generazioni.

• Costo modellato per milione di attività — 63 $ per entrambi, come ci si aspetterebbe con un prezzo per token identico e un conteggio simile di token per attività. Nessuno dei due è più economico; la classifica li colloca entrambi al terzo posto.

• Tempo per attività — 150 ms vs 151 ms. Di fatto identici, ed entrambi più rapidi della mediana della classe pari a 206 ms.

• Finestra di contesto — 66k token per entrambi, come indicato dalla board. I post di Liquid stesso non dichiarano alcuna finestra per nessuno dei due, quindi questa è una lettura di terze parti anziché una specifica del fornitore.

• Brier score, più basso è meglio — 0,164 vs 0,196. Un miglioramento di 0,032 nella probabilità associata alla risposta scelta, a costo zero.

L'ultima riga è quella su cui vale la pena soffermarsi. d1.2 non è solo più spesso nel giusto; la confidenza che attribuisce alla propria risposta è più vicina alla verità, ed è la proprietà che permette a una pipeline a soglia di funzionare. E arriva gratis.

Sei componenti e la dimensione di ciascuno spazio

A headless-browser screenshot of the Artificial Analysis d1 model page, captured 18 November 2026 in English, dated September 2026. The summary panel reads that d1 is among the lowest scoring on the Decision Index but well priced and faster than average: a Decision Index score of 61 against a median of 66, 151 ms per task against a median of 206 ms, $0.02 per 1M input tokens, and about $63 per 1M tasks against a median of $137. The rank badge reads #21/25 on the Decision Index and #3/25 on cost, and the technical specification lists text and image input with a 66k-token context window.

Il numero composito nasconde un insieme molto disomogeneo di cambiamenti, e due di essi non riguardano davvero l'accuratezza.

• AA-Paperclip, decisioni sui documenti — 62,60 per d1.2 contro 54,92, con il 44,3% dei documenti completamente corretti contro il 25,7%. Quella riga all-pass è il più grande miglioramento singolo del rilascio per questa coppia: una fattura con quindici campi e quattordici corretti conta come un errore in entrambi i modelli, e d1.2 trasforma un quarto dei documenti in quasi la metà.

• When2Call, decisioni sugli strumenti — 96.09 contro 81.59, con un'accuratezza del 95.5% contro il 77.9%. Questo è quello che cambia ciò per cui il modello può essere usato. D1 al 77.9% è un classificatore dietro cui metteresti una persona; d1.2 al 95.5% è un classificatore a cui lasceresti l'instradamento.

• AA-Symmetry, invarianza — 76,52 contro 58,67, con il 50,0% di all-pass contro il 32,5%. Riformula la domanda, riordina le opzioni, nega un sì/no: la risposta del vecchio modello cambiava, quella del nuovo per lo più no.

• EvalSafe-O*NET-AA, valutazione sul luogo di lavoro — 86,55 rispetto a 84,21, e 79,7% di accuratezza rispetto a 76,3%. Il divario più piccolo della classifica, e non un motivo sufficiente per migrare da solo.

• AA-Omniscience-Decision v1.1, knowledge — 60,94 contro 58,31. Quasi tre punti, e le sottorighe sottostanti sono la parte interessante.

• HLE-MultiChoice v1.1, domande difficili — 44,69 contro 39,80, con un'accuratezza del 5,30% contro l'11,79%. Il nuovo modello risponde correttamente a meno domande difficili e ottiene comunque cinque punti in più, perché l'indice valuta la probabilità anziché solo la scelta.

La storia dell'astensione è il vero upgrade

Considera nel loro insieme le righe sulla non-allucinazione, perché descrivono un modello che ha cambiato il proprio carattere anziché la propria accuratezza.

• AA-Omniscience-Decision non allucinazione — d1.2 66,6%, D1 3,3%. D1 ha risposto correttamente al 39,8% di queste domande e quasi mai si è rifiutato di rispondere; d1.2 risponde correttamente al 30,0% e si rifiuta di rispondere molto più spesso.

• HLE-MultiChoice non allucinazione — 53,9% contro 5,6%, su un benchmark in cui l'accuratezza grezza di D1 è due volte superiore.

• AA-Symmetry all-pass — 50,0% contro 32,5%, che è lo stesso spostamento osservato attraverso la coerenza anziché attraverso il rifiuto.

D1 è stato il primo modello della famiglia e si comporta come tale: se gli viene posta una domanda a cui non sa rispondere, produce una risposta. Un tasso di non-allucinazione del 3,3% significa che su circa 97 di ogni 100 domande di conoscenza in cui la risposta corretta era astenersi, non si è astenuto. Se la tua pipeline invia i casi a bassa confidenza a un revisore umano, è questa la proprietà che decide se il gate funziona; un modello che non dice mai "Non lo so" non ti dà nulla su cui impostare una soglia, e le sue probabilità di 0,9 valgono meno di quanto valgano i 0,9 di d1.2.

L'avvertenza è simmetrica e vale la pena dichiararla: d1.2 risponde correttamente a meno domande difficili. Se il tuo compito è una domanda di conoscenza con una risposta definita e nessun percorso di astensione — questa affermazione è coerente con la policy, questo codice corrisponde alla specifica — stai scambiando accuratezza con onestà, e lo scambio potrebbe non essere gratuito.

A cosa può rispondere il nuovo modello che il vecchio non può

d1.2 aggiunge cinque tipi di risposta e l'input audio. D1 non ne ha nessuno, e nessuna quantità di prompting colma questa lacuna, perché il contratto di risposta non prevede alcun campo per la posizione di uno span o per un bounding box.

• Un valore insieme ai caratteri da cui è stato letto, oppure "non trovato" — la primitiva di estrazione che elimina una seconda passata generativa per campo.

• Ogni span di un tipo con posizioni — nomi, numeri di telefono, indirizzi email, come primitiva di oscuramento anziché come prompt di sintesi.

• Un riquadro attorno a un oggetto o attorno a ogni istanza, più un conteggio.

• Una stima con un intervallo associato.

• Ogni opzione applicabile con la propria probabilità, anziché un unico vincitore.

L'audio funziona in entrambe le direzioni: la registrazione può essere il soggetto, oppure può essere la domanda. Le cifre di accuratezza per tutto questo sono di Liquid, su set di test interni costruiti da split tenuti da parte di dataset pubblici, perché nessun benchmark pubblico copre le nuove attività — 98% e 96% nel leggere un valore da uno scontrino per d1.2-ultra e d1.2, 94%/93% contro 92%/88% sulle porzioni di dati personali, 94% per entrambi sulla localizzazione degli oggetti. Considerale come il fornitore che valuta se stesso; la tabella di valutazione non ha una riga per nulla di tutto ciò.

Un dettaglio di fatturazione si accompagna al resto. Con D1 ogni domanda veniva fatturata come un prompt a sé stante, includendo ogni immagine allegata; con d1.2 una richiesta fattura il proprio testo e le proprie immagini una volta sola e ogni domanda aggiuntiva aggiunge solo il proprio testo. Poniamo dieci domande su una fotografia 1024×1024 — 1.536 token di immagine —: la vecchia regola addebita circa 15.360 token immagine; la nuova ne addebita 1.536. A un identico $0,02 il pattern a più domande è diverse volte più economico su d1.2, e il risparmio risiede nella regola di fatturazione anziché nella tariffa.

Cosa si rompe quando cambi la stringa

A headless-browser screenshot of the OrcaRouter model page for typesafe/jev-1.14, captured 18 November 2026 in English, showing the /v1/decisions/v1/systemone endpoint family, Zero Data Retention availability, a $0.04 list price per million input tokens, and measured latencies of 182 ms and 372 ms.

Meno di quanto ti aspetteresti, e le eccezioni valgono una prova piuttosto che una preoccupazione. L'endpoint resta api.liquid.ai/decisions/v1/systemone, la stringa del modello diventa d1.2, e i tre tipi di domanda originali mantengono la loro forma di richiesta e risposta. Un client che invia un valore, una scelta e un punteggio riceve lo stesso JSON.

Tre cose da verificare sul tuo campione prima di passare a un percorso di produzione:

• Analisi di "not found". I nuovi tipi di risposta possono restituire un'assenza esplicita, e un parser che presupponeva un valore non nullo si romperà su di essa. È una funzionalità, ma è un cambiamento che rompe la compatibilità in uno schema rigoroso.

• Posizionamento della soglia. Ora le probabilità significano qualcosa di diverso. Uno 0,8 su d1.2 è uno 0,8 più affidabile di uno 0,8 su D1, quindi una soglia calibrata sull'eccessiva sicurezza del vecchio modello scatterà meno spesso dopo il cambio. Ricalibrarla invece di trasferirla così com'è.

• La fetta di conoscenza. Se una parte del vostro carico di lavoro consiste nel giudizio sui fatti anziché nella lettura di documenti, misurate quella fetta separatamente. È l'unico punto in cui la maggiore tendenza all'astensione del nuovo modello potrebbe costarvi copertura, e le righe sull'accuratezza della dashboard lo dicono chiaramente.

Chi dovrebbe migrare e chi dovrebbe misurare per primo?

Migra senza formalità se il carico di lavoro è estrazione, instradamento, selezione degli strumenti o classificazione sensibile alla coerenza. Ogni riga pubblicata favorisce d1.2, il prezzo non cambia, e i divari di invarianza e di chiamata degli strumenti sono abbastanza ampi che una nuova esecuzione difficilmente li invertirebbe.

Misura prima se il carico di lavoro è una valutazione di conoscenza ad alto volume, oppure se la pipeline ha una soglia di probabilità regolata manualmente. Nessuna delle due è un motivo per restare su D1 — ma entrambe sono motivi per far passare qualche migliaio di stati reali attraverso entrambi i modelli e confrontare le probabilità anziché le etichette.

Prima l'accesso, dato che una domanda di migrazione di solito si trasforma in una domanda di approvvigionamento. D1 e d1.2 risiedono entrambi sull'API di Liquid; nessuno dei due è nel nostro catalogo, e nulla di quanto segue costituisce una dichiarazione di disponibilità. Il modello del nostro catalogo che rientra in questo test è Jev 1.14, che porta EvalSafe-O*NET-AA a 91.14 dove d1.2 si ferma a 86.55, parla la stessa struttura systemone e fattura $0.042 per milione di token di input. Metti tutti e tre sugli stessi stati e il routing DSL scrive la suddivisione una volta sola — per tipo di domanda, non per servizio — con i prezzi di listino dei fornitori trasferiti al 0% di ricarico, così i $0.02 che vedi quotati sono i $0.02 che paghi. Il failover automatico è ciò che consente a un modello rilasciato due giorni fa di occupare una sola corsia di un carico di lavoro attivo invece di tutto quanto.

Questo è l'intero confronto. Stesso prezzo, stesso contratto, stesso endpoint, una generazione di lavoro tra i due, e sei vittorie composite contro due righe di accuratezza che il vecchio modello mantiene ancora — entrambe situate sull'asse della conoscenza, dove è l'astensione di d1.2 a penalizzarlo. Se il tuo carico di lavoro è estrazione, routing o classificazione, ogni riga che ti interessa si è mossa nella direzione giusta. Se si tratta di giudizio sui fatti senza un revisore alle spalle, esegui prima il confronto shadow e lascia che siano i numeri sui tuoi stati a decidere.