d1-omni vs Liquid AI D1 Ultra: un file da 850MB contro un contatore da $0,042, e l'aritmetica non è quella che ti aspetti

L'istinto quando si mette d1-omni accanto a Liquid AI D1 Ultra è che occupano estremi opposti di una gamma e che la scelta riguarda l'ambizione. Uno è un modello da 587M parametri con pesi aperti — 850 MB su disco nel tag comparso nella libreria di Ollama questa settimana, un checkpoint scaricato circa 13.900 volte da Hugging Face dal 5 ottobre 2026. L'altro è il modello decisionale di punta di Liquid AI, annunciato il 15 ottobre 2026, senza numero di parametri divulgato, senza pesi pubblicati e con un unico numero pubblicato che conta più di qualsiasi benchmark: $0.042 per milione di token di input. Noleggiare un modello decisionale di frontiera invece di possederne uno piccolo sembra una questione di budget. Applica il contatore a un carico di lavoro reale e in gran parte smette di esserlo — il vantaggio del modello piccolo non è che sia economico, è che è tuo.

Vale la pena definire con precisione questa distinzione, perché le due cose messe a confronto non sono due modelli sullo stesso scaffale. Liquid AI D1 Ultra è un endpoint che chiami. d1-omni è un file che esegui. Entrambi rispondono alle stesse tre forme di domanda — un sì/no con una probabilità, un'etichetta con una probabilità per etichetta, oppure una posizione su una scala — ed entrambi restituiscono quelle risposte in un singolo forward pass senza generare alcun token di output. Tutto il resto, incluso quanto costano le risposte e chi è responsabile quando queste si discostano, dipende da quale dei due hai scelto.

Il lato noleggio, con i prezzi calcolati come Liquid AI li fattura effettivamente

Liquid AI D1 Ultra addebita solo l'input, a 0,042 USD per milione di token di input, senza costi di completamento perché non c'è completamento. Questo è l'intero listino tariffario, e la parte interessante è la regola sulle immagini che sta alla base. Le immagini vengono fatturate alla tariffa del testo su base patch: 1,5 token per patch da 32×32 pixel, il che rende un'immagine 1024×1024 pari a 1.536 token. E ogni domanda viene fatturata come un proprio prompt, con la propria copia dello stato e di tutte le immagini allegate. Fai quattro domande sulla stessa foto e paghi quella foto quattro volte.

Quantifica un carico di lavoro in cui una decisione basata sulla visione è la scelta naturale. Supponi una passata notturna su 25.000 annunci di prodotti, ciascuno con una fotografia 1024×1024 e circa 200 token di testo dell'annuncio, ponendo due domande tipizzate — una sì/no per stabilire se l'immagine corrisponde alla categoria, una domanda con punteggio sulla qualità dell'immagine. Ogni prompt contiene 1.536 token immagine più 200 token di testo, quindi 1.736 token, e ci sono due domande, quindi 3.472 token per annuncio. Sono 86,8 milioni di token di input per la passata, ovvero circa $3,65. Un processo notturno, per tutto il mese, arriva a poche centinaia di dollari.

È un risultato davvero scomodo per chiunque presumesse che l'opzione di frontiera fosse quella costosa. Il motivo è il modello di prezzo: i modelli decisionali non emettono mai token, quindi la curva dei costi non ha alcun termine di output che possa esplodere, e il riaddebito per domanda è un moltiplicatore fisso su cui puoi pianificare anziché una variabile che scopri in fattura.

Il proprio lato, e dove si nasconde davvero il suo costo

d1-omni non ha alcun prezzo per chiamata. È un modello da 587 milioni di parametri — 381 milioni tra tronco condiviso e testa decisionale, un encoder visivo SigLIP2 da 94 milioni ereditato da Liquid AI LFM2.5-VL-450M e un encoder audio da 112 milioni — pubblicato secondo i termini LFM 1.0 di Liquid, con build GGUF in arrivo il 6 ottobre e build MLX il 12 ottobre. Il suo costo è l'hardware che già possiedi, più la parte che nessuno mette nel confronto: il lavoro necessario a mantenerlo in funzione.

Cosa condividono e cosa non condividono le due opzioni, nelle dimensioni che determinano un deployment:

• Pesi — pubblicati per d1-omni con licenza LFM 1.0; non pubblicati per Liquid AI D1 Ultra. Liquid descrive il suo modello di punta solo come "basato su un modello open-weight più grande con una serie di pesanti personalizzazioni specifiche di Liquid". La base è aperta; il modello che chiami non lo è.

• Parametri — 587M e completamente dettagliati per d1-omni; non divulgati per d1-ultra. Non è possibile dimensionare l'hardware per il modello di punta perché Liquid non ha pubblicato le dimensioni. È possibile dimensionare l'hardware per il 600M con precisione: 850 MB nel tag misto Q8_0 di Ollama, 1,2 GB per il tag BF16.

• Prezzo — nessun prezzo per chiamata su d1-omni; $0,042 per milione di token di input su d1-ultra, con immagini a 1,5 token per patch 32×32 e ogni domanda viene riaddebitata con lo stato completo.

• Modalità — d1-omni accetta testo più immagini oppure testo più fino a 30 secondi di audio, ma mai entrambi in una singola richiesta. d1-ultra è descritto come multimodale senza una ripartizione pubblicata delle modalità; ciò che Liquid documenta sono i tipi di domanda e la regola dei token immagine.

• Contesto — 16.384 token per d1-omni tra posizioni di testo, immagine e audio insieme, ridotti a 896 token di testo di stato e domanda ogni volta che è allegata un'immagine, "come addestrato". Nessun dato sul contesto è stato pubblicato per d1-ultra.

• Latenza — nessun dato di inferenza pubblicato per d1-omni, perché Liquid dichiara di non riportarli per un checkpoint che definisce un rilascio di ricerca preliminare in fase di sviluppo attivo; anche d1-ultra viene erogato end-to-end senza che sia pubblicato alcun dato di latenza separato.

• Calibrazione — il modello di punta è stato addestrato esplicitamente per questo.La motivazione dichiarata di Liquid è che la maggior parte dei modelli decisionali è troppo sicura di sé, quindi d1-ultra è stato messo a punto per produrre probabilità più affidabili. d1-omni porta un tag di calibrazione proprio, ma il 600M è un checkpoint sperimentale e nessuna terza parte ha misurato la calibrazione di nessuno dei due modelli.

I due punteggi non sono un unico metro

La tentazione è scrivere 15,95 accanto al modello di punta e sottrarre. Non farlo. Il 15,95 di d1-omni proviene dallo split pubblico di Decision Index v0.2.1, una board su cui Liquid AI ha valutato le proprie voci con lo scorer ufficiale anziché inviarle — sottopunteggi Knowledge 8,3, Language 12,9, Retrieval 35,0, Tools 15,1, Arts 6,8, contro il 48,57 di d1-3B all'interno della stessa famiglia. La dichiarazione di Liquid per d1-ultra è un primo posto nell'Artificial Analysis Decision Index con almeno otto punti di margine, che è una board diversa con una versione diversa, pubblicata prima che il modello di punta esistesse. I due numeri misurano cose diverse su righelli diversi, e la lettura onesta della coppia è solo che il divario è ampio — non che sia di una quarantina di punti.

Il dato che regge il confronto è quello che nessuno pubblica: il 600M non ha alcun numero di inferenza, quindi non puoi dichiarare il suo costo per decisione sul tuo hardware senza misurarlo tu stesso. È quella misurazione, non una classifica, a fondare la scelta tra possesso e affitto.

Tre carichi di lavoro, tre risposte diverse

• Un batch notturno di 25.000 controlli di immagini — circa 3,65 $ a passaggio su Liquid AI D1 Ultra, e su d1-omni un download da 1,2 GB più la GPU che gli si dedica. A questo volume il contatore non è il fattore decisivo; il fattore decisivo è se volete la precisione che il modello di punta promette, e se tre dollari a notte valgono più del mantenimento di un server di modelli.

• Un controllo rigido in cui la probabilità è la decisione — un'approvazione, una decisione di moderazione, un'operazione che scatta al superamento di una soglia. Qui la calibrazione è il prodotto, e d1-ultra è l'unico dei due che, secondo Liquid, è stato addestrato specificamente per questo. Una probabilità sbagliata ma sicura di sé a 0,6 è peggio di nessuna probabilità, e nessuna terza parte ha ancora verificato nessuno dei due modelli su questo aspetto. Se la soglia conta, vuoi che l'affermazione di calibrazione del fornitore venga riprodotta prima di fidarti di essa al limite.

• Un classificatore ad alto volume e a basso rischio su un dispositivo — instradare un comando vocale, smistare una casella di posta, segnalare un annuncio per la revisione umana. Niente in questo carico di lavoro richiede un modello frontier ospitato. Il 600M restituisce una risposta tipizzata da un singolo forward pass in 850MB, ed è l'intera ragione per cui esiste, e il budget immagini di 896 token va bene per una frase di stato e una foto.

Dove si trova effettivamente il confine del routing

Nessuno dei due modelli è nel nostro catalogo, e vale la pena essere schietti su questo invece di lasciar intendere il contrario: ogni chiamata a Liquid AI d1-omni-600M e ogni chiamata a Liquid AI d1-ultra va sul tuo hardware o sull'API del fornitore e sulle piattaforme di terze parti, non attraverso di noi. Ciò che OrcaRouter copre è la metà della pipeline che un modello decisionale non può fare da solo. Un modello decisionale da 587M restituisce un'etichetta o una probabilità e si ferma; qualcosa deve comunque scrivere la risposta, riassumere il caso o agire sul punteggio. Un'unica API per oltre 200 modelli, con il prezzo di listino di ogni fornitore riportato invariato e il DSL di routing disponibile quando una richiesta sottoposta a triage deve diramarsi verso più di un modello, è un'affermazione più sommessa di «ospitiamo noi il modello decisionale», ed è quella vera.

Cosa cambierebbe la risposta

Il confronto è attualmente deciso da due assenze. Liquid AI D1 Ultra non ha un numero di parametri pubblicato, quindi non si può ragionare sul suo costo per token rispetto alla dimensione del lavoro che svolge, e non ha un dato di latenza, quindi non si può progettare un percorso interattivo attorno ad esso senza effettuare misurazioni. E d1-omni non ha dati di inferenza pubblicati per scelta del fornitore stesso, quindi il calcolo tra possesso e noleggio ha un lato che solo un benchmark del proprio hardware può colmare.

Se una delle due si chiude, cambia la forma della decisione. Un risultato di calibrazione indipendente su d1-ultra risolverebbe il carico di lavoro del gate, dove il prezzo è già di un ordine di grandezza inferiore a quanto la maggior parte delle persone immaginerebbe. Un dato di latenza fornito da Liquid per il 600M permetterebbe di collocarlo in un percorso interattivo con fiducia, invece di testarlo prima. Fino ad allora la lettura sicura è ristretta e poco affascinante: il modello di punta ha un prezzo così vicino a gratuito che il budget da solo non ti spingerà a eseguire nulla in proprio, e il vero vantaggio del 600M è che, una volta che hai il file, nessuno può cambiarti il numero, i termini o l'endpoint sotto di te.

I fallimenti documentati dell'IA e gli incidenti degli agenti dietro release come questa sono raccolti nell'OrcaRouter AI Incident Archive, dove ogni voce riporta le proprie fonti, gravità, grado di confidenza e flag di contestazione.