
Liquid AI d1.2-ultra guida il Decision Index con 75 — e chiude all'ultimo posto in uno dei suoi sei test
- GoogleNUOVOGoogle: Gemini 4 Carbon2026-11-10$2.00 / $10.00 per 1M di token · 90 tok/s
- AnthropicNUOVOAnthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 per 1M di token · 97 tok/s
- orcaNUOVOOrca: OrcaC2 1.02026-11-0717 tok/s
- OrcaNUOVOOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 per 1M di token · 87 tok/s
- OrcaNUOVOOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 per 1M di token · 133 tok/s
- OrcaNUOVOOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$4.00 / $20.00 per 1M di token · 72 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 per 1M di token · 126 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 per 1M di token · 65 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 per 1M di token · 92 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 per 1M di token · 44 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447Intelligenza
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 per 1M di token · 193 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929Intelligenza
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 per 1M di token · 147 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733Intelligenza
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740Intelligenza
- OrcaOrca: OrcaCyber Zero 1.52026-10-10$3.00 / $7.50 per 1M di token · 123 tok/s
- openaiOpenAI: GPT-6.1 Sol2026-09-2955Intelligenza
- anthropicAnthropic: Claude Sonnet 5.52026-09-2855Intelligenza
- typesafeTypeSafe: Jev 1.132026-09-24$0.04 / $0.00 per 1M di token · 219 tok/s
{{1}}Liquid AI d1.2-ultra{{/1}} è il primo modello di questa categoria a ricevere un primo posto da qualcuno che non sia l'azienda che lo ha sviluppato. {{2}}Artificial Analysis{{/2}} gli ha attribuito {{3}}75{{/3}} su {{4}}Decision Index v2.1{{/4}}, ha riportato quel numero sulla pagina della classifica dedicata al modello e lo ha classificato al primo posto tra {{5}}24{{/5}} modelli decisionali — con {{6}}2,2 punti{{/6}} di vantaggio su {{7}}Nace.AI's Drex Max v1.1{{/7}}, fermo a {{8}}73{{/8}}. {{9}}Liquid AI d1.2{{/9}}, la metà più piccola dello stesso rilascio, si piazza al nono posto con {{10}}69{{/10}}. Entrambi sono stati rilasciati il {{11}}16 novembre 2026{{/11}}, il che rende questo il primo lancio di {{12}}Liquid AI{{/12}} in cui la dichiarazione di primato in classifica è arrivata con una classifica indipendente che già includeva il modello, anziché con un numero del fornitore che rimandava a una classifica precedente al modello.
La stessa classifica colloca inoltre d1.2-ultra all'ultimo posto tra quei 24 modelli su HLE-MultiChoice, con un'accuratezza grezza del 2,36%. Entrambe le affermazioni sono vere contemporaneamente, sono misurate dalla stessa organizzazione sullo stesso strumento nello stesso giorno, e lo spazio tra di esse è la cosa più utile del rilascio.
Perché questa affermazione sulla classifica è un tipo diverso di affermazione
In ottobre, Liquid AI ha annunciato d1-ultra con una rivendicazione di primo posto misurata rispetto a Decision Index v1.0, una classifica pubblicata due giorni prima che quel modello esistesse. Nessuno poteva verificarla, perché il modello non era nella classifica. Non è quello che è successo qui. Artificial Analysis ha eseguito d1.2-ultra direttamente, sul proprio hardware, tramite il proprio harness, e il risultato è una riga in classifica con sei punteggi delle componenti e una curva di calibrazione allegata. Quando Liquid afferma "il più alto nell'indice e due punti davanti al miglior modello decisionale precedente", sia l'indice sia il miglior precedente sono pubblici ed entrambi concordano.
La versione 2.1 è una media ponderata di sei valutazioni, e i pesi non sono distribuiti in modo uniforme. AA-Paperclip pesa per il 30%: 1.500 documenti privati — curriculum, ricevute, fatture, articoli di ricerca — ciascuno contenente cinque decisioni e dieci fatti, valutato come un unico documento che conta solo se tutte e quindici le risposte risultano corrette. EvalSafe-O*NET-AA, AA-Omniscience-Decision v1.1, HLE-MultiChoice v1.1 e AA-Symmetry v1.1 pesano ciascuno per il 15%. When2Call, il set di NVIDIA per il tool calling, pesa per il 10%. Ogni domanda è valutata come 50 × (1 + c − (p − c)²), dove c indica se la scelta era corretta e p è la probabilità che il modello le ha attribuito, il che si aggrega a 50 × (1 + accuratezza − Brier score). Un errore sicuro costa più di uno esitante, e un modello che dice 0,6 ed è nel giusto ottiene un punteggio migliore di uno che dice 0,99 ed è nel giusto.
Da dove viene il 75

Scomposto, il primo posto è sostenuto da due valutazioni e difeso da una terza. Gli altri sono insignificanti o peggiori, cosa che vale la pena sapere prima che qualcuno tratti un punteggio composito come una descrizione del modello.
• AA-Paperclip, 30% dell'indice — d1.2-ultra ottiene 75,81 sul punteggio decisionale con il 67,7% dei documenti completamente corretti, entrambi al primo posto su 24. Drex Max v1.1 è secondo a 72,82 con il 63,0%, SubQ Snap 1.2 terzo a 71,58. Il modello sostituito, Liquid AI d1-ultra, si attestava a 64,69 e 51,3%.
• When2Call, 10% — d1.2-ultra è primo a 96,49, davanti a SubQ Snap 1.2 a 96,10 e d1.2 a 96,09. Il tool calling era già il punto di forza del settore; qui il divario è di un punto e mezzo tra i primi dieci.
• AA-Symmetry, 15% — secondo a 86,34, dietro l'88,25 di Mammoth 27B. Sulla misura più rigorosa all-pass il quadro cambia: Mammoth mantiene la stessa risposta tra le parafrasi nel 68,3% delle domande, Elephant 9B nel 65,8% e d1.2-ultra nel 56,7%. Il secondo posto nel punteggio non è il secondo posto nella coerenza.
• EvalSafe-O*NET-AA, 15% — terzo a 89,53, dietro a Jev 1.14 a 91,14. È l'unico componente in cui il modello di un concorrente è ancora in testa, e non è abbastanza vicino da poter parlare di rumore.
• AA-Omniscience-Decision v1.1, 15% — 60,80, che si colloca a metà classifica e risulta inferiore al 64,39 ottenuto da d1-ultra.
• HLE-MultiChoice v1.1, 15% — 46,36 sul punteggio decisionale, ma 2,36% di accuratezza grezza, la più bassa di tutte e 24. Quel divario non è una contraddizione; è l'aspetto di un modello ben calibrato quando rifiuta quasi tutto. Il suo tasso di non allucinazione sullo stesso set è del 76,1%, il che significa che tre volte su quattro ha correttamente dichiarato di non sapere invece di tirare a indovinare.
La metrica principale alla base di tutte e sei, il punteggio separato dell'indice di accuratezza di AA, mette d1.2-ultra al primo posto con 61,6, davanti a GLiDE v1.2 con 59,4 e Drex Max v1.1 con 58,2. Il suo punteggio Brier di 0,150 è il migliore dei 24. Il modello non sta vincendo perché è calibrato e nient'altro; sta vincendo su documenti e calibrazione insieme, che è la combinazione che l'indice è stato creato per premiare.
Il punteggio che va nella direzione opposta
C'è una versione di questo rilascio che si legge come una vittoria netta, e la riga HLE-MultiChoice è ciò che la smentisce. Un'accuratezza grezza del due e un terzo per cento su Humanity's Last Exam a scelta multipla non è un errore di arrotondamento, e non trova giustificazione nell'opzione di astensione: il modello ha la possibilità di astenersi, e lo fa, e l'astensione viene valutata come onestà anziché come conoscenza. Decider v1.3 risponde correttamente al 15,32% delle stesse domande. Drex Max v1.1 risponde correttamente all'8,25%. Liquid AI d1.2, il modello economico dello stesso rilascio, risponde correttamente al 5,30%.
Quell'ultimo confronto è quello strano. Nelle valutazioni a forte componente di conoscenza, il modello più piccolo ed economico non è quello più debole. d1.2 risponde correttamente al 30,0% delle domande di AA-Omniscience-Decision contro il 23,6% di d1.2-ultra, e al 5,30% su HLE contro il 2,36%. Ciò che d1.2-ultra compra con i suoi due centesimi in più per milione di token non è conoscenza; è gestione dei documenti, simmetria e calibrazione — la metà operativa del lavoro. Se il tuo carico di lavoro è l'estrazione da una fattura scansionata, quello scambio è ovviamente corretto. Se consiste nel rispondere a domande difficili sul mondo, il modello più economico della stessa famiglia è in modo misurabile quello migliore, e nulla nel post di lancio lo dice.
La modifica alla fatturazione che non compare nel titolo
La frase più importante nel post di Liquid è una regola di fatturazione, non un benchmark. Con d1-ultra, ogni domanda veniva fatturata come un prompt a sé, incluse tutte le immagini allegate, quindi fare dieci domande su una fotografia significava pagare la fotografia dieci volte. Con d1.2 e d1.2-ultra la richiesta fattura una sola volta testo e immagini, e ogni domanda aggiuntiva aggiunge solo il proprio testo.
Prendiamo un documento da 2.000 token con un'immagine 1024×1024, che costa 1.536 token al tasso indicato di 1,5 token per patch da 32×32 pixel, e dieci domande brevi da circa 30 token ciascuna. Secondo la vecchia regola, quella richiesta comporta circa 35.700 token. Secondo la nuova, ne comporta circa 3.840. A $0,042 per milione di token di input, sono circa $0,0015 per richiesta contro $0,00016 — poco più di nove volte più economico per un lavoro identico a un prezzo di listino identico. A 100.000 richieste al mese, la differenza è di circa $150 contro $16. Entrambe le cifre sono aritmetica basata sulla descrizione di fatturazione del fornitore stesso, non misurazioni.
La seconda specifica che è cambiata è la finestra di contesto. Artificial Analysis indica 66k token per entrambi i modelli d1.2, contro 33k per d1-ultra. Il post di Liquid non indica affatto una finestra, quindi il dato di 66k è una lettura della classifica più che una specifica del fornitore, ed è comunque il doppio di quella della generazione precedente. Per un modello il cui unico compito è ricevere uno stato, si tratta di un cambiamento pratico più significativo di quattro punti indice.
Cinque nuovi tipi di risposta e audio
Le aggiunte di funzionalità sono incrementali anziché una rielaborazione: lo stesso endpoint, la stessa forma della richiesta, cinque nuovi tipi di risposta e una nuova modalità di input. Ora una domanda può richiedere un valore letto dalla pagina — un numero, una data, un nome — restituito con i caratteri da cui è stato letto, oppure "non trovato" se è assente. Può richiedere ogni span di un dato tipo con le posizioni, che è il caso PII. Può richiedere un riquadro attorno a un oggetto o un riquadro attorno a ogni istanza più un conteggio. Può richiedere una stima con un intervallo associato. E può richiedere ogni opzione applicabile, ciascuna con la propria probabilità.
L'audio è l'altra aggiunta, e funziona in entrambe le direzioni: la registrazione può essere ciò su cui verte la domanda, oppure può essere la domanda stessa. Liquid riferisce che, su registrazioni tenute da parte, entrambi i modelli rispondono correttamente al 95%-97% delle domande su quale suono sentono, tratte da ESC-50, o su quale lingua viene parlata, tratte da FLEURS in 43 lingue, con da tre a sei opzioni ciascuna e confusioni ravvicinate come spagnolo e portoghese nel mix.
I valori di accuratezza per i cinque nuovi task provengono da set di test interni costruiti a partire da split held-out di dataset pubblici, e il fornitore lo dichiara apertamente, perché nessun benchmark pubblico copre ancora questi task. Vanno letti come una valutazione del fornitore stesso: 98% e 96% per la lettura di un valore da uno scontrino su CORD e SROIE, 94%/93% di precisione e richiamo contro 92%/88% per le span PII su Nemotron PII, 94% per entrambe sull'individuazione di oggetti in tutta la famiglia RefCOCO, 93% e 92% sul conteggio con tolleranza di uno su COCO, e 87% contro 90% nell'individuazione di ogni oggetto presente — l'unica riga in cui vince il modello economico.
Verifica della richiesta di denaro

La frase di Liquid sui prezzi è insolitamente verificabile: "nessun modello ottiene un punteggio superiore a d1.2 a un prezzo inferiore, e nessun modello ottiene un punteggio superiore a d1.2-ultra a qualsiasi prezzo". Entrambe le metà superano il confronto con la classifica. Nessuno dei 24 modelli dell'indice supera 74,85 in assoluto, quindi la seconda metà è banalmente vera. Quanto alla prima, d1.2 si attesta a 68,69 e a 63 $ per milione di task; ogni modello che ottiene un punteggio superiore costa di più, e il concorrente economico più vicino è Decider v1.3, a 70,41 e 68 $. L'affermazione regge, e regge sui numeri di qualcun altro invece che su quelli di Liquid, cosa più rara di quanto dovrebbe essere.
Le cifre di costo stesse provengono da Artificial Analysis, che esegue ciascuna valutazione ai prezzi di listino correnti e calcola le medie: 133 $ per milione di task per d1.2-ultra, undicesimo su 24 rispetto a una mediana di categoria di 135 $, e 63 $ per d1.2, il terzo meno costoso. Il tempo per task è di 218 ms per il modello grande e 150 ms per quello piccolo, rispetto a una mediana di categoria di 209 ms — il modello di punta è leggermente più lento della media, il modello economico è nettamente più veloce, ed entrambi sono di un ordine di grandezza più rapidi dei modelli generativi che compaiono sulla stessa classifica a undici e trentadue secondi per task.
Dove puoi chiamarlo e su cosa eseguirlo
Entrambi i modelli sono attivi oggi sull'API proprietaria di Liquid all'indirizzo api.liquid.ai/decisions/v1/systemone, richiamabili come d1.2-ultra e d1.2, con chiavi dalla console Liquid, ed entrambi sono disponibili nel playground di Liquid. Il post di Liquid annuncia l'arrivo di ulteriori piattaforme di terze parti; al momento in cui scriviamo, l'API del fornitore stesso è l'unica via esistente. Nessuno dei due modelli è nel nostro catalogo, e questo articolo non costituisce un'affermazione di disponibilità per nessuno dei due.
Quello che è presente nel nostro catalogo è Jev 1.14, il modello che è in testa nell'unico componente in cui d1.2-ultra non lo è — EvalSafe-O*NET-AA, a 91,14 contro 89,53 — servito attraverso la stessa systemone struttura di endpoint, testo in ingresso e JSON strutturato in uscita, a $0,042 per milione di token di input. Questa coincidenza è utile: un team che valuta questa versione può mettere il nuovo modello e quello attuale sugli stessi stati senza un secondo contratto o una seconda libreria client, perché un'unica API per oltre 200 modelli parla già entrambe le forme. I prezzi di listino vengono trasferiti con uno 0% di ricarico, quindi se Liquid sposta il $0,042 il numero qui si muove con esso anziché dopo, e il failover automatico significa che un modello vecchio di un giorno può prendere una fetta di un carico di lavoro reale senza che gli venga affidata tutta la mole.

La raccomandazione che deriva dai dati anziché dalla pagina dei prezzi è questa: eseguilo in modalità shadow. d1.2-ultra è primo sui documenti e primo sulla calibrazione, un binomio davvero solido per le pipeline di estrazione, ed è ultimo sulle domande di conoscenza difficili, un limite reale e non una nota a piè di pagina. Passagli gli stati che la tua pipeline vede effettivamente, confronta le probabilità invece delle scelte top-1 e osserva i casi in cui risponde 0,8 ed è sbagliato, perché è in quella coda che il predecessore di ottobre del modello ha ottenuto risultati scarsi e dove il miglioramento o emerge o non emerge.
La questione aperta non è se 75 sia reale — Artificial Analysis l'ha misurato e ne ha pubblicato le componenti. È se una valutazione di documenti ponderata al 30%, su 1.500 documenti privati, sia generalizzabile ai tuoi documenti. Questa è una domanda a cui solo il tuo campione etichettato può rispondere, e vale la pena rispondervi prima che la modifica della fatturazione ti tenti a fare dieci domande per documento invece di una.
