「同じ価格、一世代の違い」という見出しで、サブ見出しが「Liquid AI d1.2 対 Liquid AI D1」の生成済みタイトルカード。単一の長い横棒が左から右へ上昇し、左端には「D1 61」、右端には「d1.2 69」とラベル付けされている。三つの枠線付きチップには「入力トークン100万あたり同じ$0.02」「同じsystemoneエンドポイント」「6つのコンポーネントすべてが改善」とあり、キャプション行には「2つの精度行は依然として旧モデルに属する」と書かれている。OrcaRouterのマークが右下に合成されている。
Guides & Insights

d1.2 対 Liquid AI D1:同じ$0.02、6つのコンポーネントが勝利、そして後退した2つの精度行

著者

jinhao.song

公開日

最新モデル · 20すべてのモデルを見る →
ベンチマーク:Artificial Analysis · 毎日更新
すべての記事に戻る

Liquid AI d1.2 と Liquid AI D1 は、同じエンドポイント上で同じ定価—入力トークン100万あたり0.02ドル、課金は入力のみで出力トークンはなし—に位置し、同じ3種類の質問に回答します。両者には2世代の隔たりがあります。D1はこのファミリー初の意思決定モデルで、Artificial Analysisには2026年9月リリースと記載されており、d1.2は2026年11月16日に登場し、その間にd1.1が入ります。比較で通常重視される要素—価格、契約、クライアントコード、デプロイ形態—はすべて同一です。残るのはモデルであり、モデルに関する結果は一方的ですが単純明快ではありません。d1.2はDecision Index v2.1の6つの評価すべてで勝利し、総合で7.9ポイントリードする一方、その下にある生の精度の行では、D1が依然として2つで勝利しています。

この2つの行こそ、流し読みではなく読む価値がある理由だ。どちらも知識軸上にあり、どちらも d1.2 を他のあらゆる面で改善する変更の直接的なコストである——d1.2 ははるかに頻繁に断る。この比較は、サブ行まで確認したときに「厳密に優れた」アップグレードがどんな姿になるかのテンプレートだ。つまり、複合的な大きな向上、実際の振る舞いの改善、そして新しいモデルが何かを犠牲にする小さく予測可能な点である。

横に並んだ2つの行

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.

両モデルはArtificial Analysisによって同一ボードの同一バージョンで採点されているため、ベンダーの数値と独立系の数値を比較する際に通常伴う危険が排除されている。ここに示されているどちらの数値もLiquidによるものではない。

• 意思決定指数 v2.1 — d1.2 は 68.69(25 件中 9 位)、D1 は 60.78(25 件中 21 位)。今では 11 モデルが両者を隔てており、その差は、あり得るどの再実行でも埋められないほど大きい。

• 100万入力トークンあたりの価格 — 両方とも$0.02。2世代にわたって変わりません。

• 100万タスクあたりのモデル化コスト — 両者とも63ドル。これは、同一のトークン価格と同じタスクあたりの同程度のトークン数であれば予想される通りです。どちらも安くはなく、ボードでは両者とも3位にランクされています。

• タスクあたりの所要時間 — 150 ms 対 151 ms。実質的に同一であり、どちらもクラス中央値の 206 ms より高速です。

• コンテキストウィンドウ — 掲示板に記載されているとおり、両方とも66kトークンです。Liquid自身の投稿にはどちらについてもウィンドウの記載がないため、これはベンダー仕様ではなく第三者による解釈です。

• ブライアスコア(低いほど良い)— 0.164 対 0.196。選択された回答に付与される確率が 0.032 改善し、コストはかかりません。

最後の行こそ、じっくり向き合うべきものだ。d1.2 は単により頻繁に正しいだけではない。その回答に付随する自信は真実に近く、それこそが閾値パイプラインをそもそも機能させる性質だ。しかもコストなしで手に入る。

6つのコンポーネントと、各ギャップのサイズ

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.

合成数は非常に不均一な一連の変化を覆い隠しており、そのうち2つは実際には精度に関するものではありません。

• AA-Paperclip、文書判定 — d1.2 は 62.60 対 54.92、文書全体が完全に正しい割合は 44.3% 対 25.7%。この全項目正解の行は、このペアにおける今回のリリースで最大の単一改善です。15 項目の請求書で 14 項目正解でも、どちらのモデルでもミス扱いですが、d1.2 は文書の 4 分の 1 をほぼ半数に変えます。

• When2Call、ツールの判断 — 96.09 対 81.59、精度は 95.5% 対 77.9%。モデルを何に使えるかを変えるのはこれだ。77.9% の D1 は人間を後ろに置く分類器だが、95.5% の d1.2 はルーティングを任せられるものだ。

• AA-Symmetry、不変性 — 76.52 対 58.67、all-pass は 50.0% 対 32.5%。質問を言い換え、選択肢の順序を入れ替え、yes/no を反転させると、旧モデルの回答は変わり、新モデルの回答はほとんど変わらない。

• EvalSafe-O*NET-AA、職場での判断 — 86.55 対 84.21、精度 79.7% 対 76.3%。一覧上で最小の差であり、それだけでは移行する理由にはならない。

• AA-Omniscience-Decision v1.1、knowledge — 60.94 対 58.31。ほぼ3ポイントの差で、興味深いのはその下のサブ行です。

• HLE-MultiChoice v1.1、難しい問題 — 44.69 対 39.80、精度は 5.30% 対 11.79%。新しいモデルは難しい問題で正解する数が少ないのに、それでも5ポイント高いスコアを記録している。これは、この指標が選んだ回答だけでなく確率を評価しているからだ。

棄権の話こそが本当のアップグレードだ

ハルシネーション以外の行をまとめて見てください。というのも、それらは精度ではなく、モデルの性格が変わったことを示しているからです。

• AA-Omniscience-Decision 非ハルシネーション — d1.2 66.6%、D1 3.3%。D1 はこれらの質問の 39.8% に正しく回答し、ほとんど拒否しませんでした。一方、d1.2 は 30.0% に正しく回答し、拒否する割合がはるかに高くなっています。

• HLE-MultiChoice 非ハルシネーション — 53.9% 対 5.6%、D1 の生の精度が 2 倍高いベンチマークにおいて。

• AA-Symmetry all-pass — 50.0% 対 32.5%、これは拒否ではなく一貫性を通じて見られる同じ変化です。

D1はファミリー初のモデルであり、まさにそのように振る舞う。答えられない質問をされると、答えを生成する。3.3%という非ハルシネーション率は、正しい応答が棄権である知識質問のおよそ100件中97件で、棄権しなかったという意味だ。パイプラインが低信頼度のケースを人間のレビュアーに送るなら、ゲートが機能するかどうかを決めるのはこの特性だ。「わからない」と決して言わないモデルは、閾値を設定する材料を何も与えず、その0.9という確率はd1.2の0.9よりも意味が薄い。

この注意点は対称的であり、明言しておく価値がある:d1.2 は難しい質問に対して正しく答える数が少ない。あなたのタスクが、明確な答えがあり、棄権する道のない知識質問——この主張はポリシーと整合しているか、このコードは仕様と一致しているか——であるなら、あなたは正確さを誠実さと引き換えにしているのであり、その取引は無償ではないかもしれない。

新しいモデルが、古いモデルには答えられないのに答えられること

d1.2 は 5 つの回答タイプと音声入力を追加します。D1 にはそれらが一切なく、どれだけプロンプトを工夫してもその差は埋まりません。なぜなら、レスポンス契約にはスパン位置やバウンディングボックスのためのフィールドがないからです。

• 値と、その値の読み取り元となった文字列、または「not found」— フィールドごとに2回目の生成パスを不要にする抽出プリミティブ。

• 種類ごとのあらゆるスパンを位置情報付きで — 氏名、電話番号、メールアドレスを、要約プロンプトではなく秘匿化のプリミティブとして。

• 1つのオブジェクトを囲むボックス、またはすべてのインスタンスを囲むボックスとカウント。

• 範囲付きの見積もり。

• 該当するすべての選択肢にそれぞれの確率を持たせ、単一の勝者を出すのではなく。

音声は双方向に機能します。録音が対象になることも、質問になることもあります。これらすべての精度数値はLiquidによるもので、公開データセットのホールドアウト分割から構築した社内テストセットに基づいています。新しいタスクをカバーする公開ベンチマークは存在しないためです。レシートから値を読み取るタスクではd1.2-ultraとd1.2が98%と96%、個人データのスパンでは94%/93%対92%/88%、物体の位置では両方とも94%です。これらはベンダーが自らを評価したものと見なしてください。ボードにはそのいずれについても行がありません。

請求に関する細部が1つ付いてくる。D1では各質問が、添付画像すべてを含む独立したプロンプトとして課金されていた。d1.2では、リクエストのテキストと画像は一度だけ課金され、追加の各質問はそのテキスト分だけが加算される。1枚の1024×1024写真(画像として1,536トークン)について10個の質問をすると、旧ルールでは約15,360画像トークンが課金され、新ルールでは1,536トークンが課金される。同一の$0.02でも、複数質問のパターンはd1.2で数倍安くなり、その節約は料金レートではなく請求ルールによるものだ。

文字列を変更すると何が壊れるか

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.

予想より少なく、例外は心配するよりテストする価値があります。エンドポイントはapi.liquid.ai/decisions/v1/systemoneのままで、モデル文字列は d1.2 になり、元の3つの質問タイプはリクエストとレスポンスの形式を維持します。値、選択肢、スコアを送信するクライアントは、同じ JSON を受け取ります。

本番パスを切り替える前に、自分のサンプルと照らし合わせて確認すべき3つのこと:

• 「not found」の解析。新しい応答タイプは明示的な不存在を返すことができ、非null値を前提としたパーサーはそれで壊れます。これは機能ですが、厳格なスキーマでは破壊的変更です。

• しきい値の配置。確率の意味は今では変わっています。d1.2 における 0.8 は、D1 における 0.8 よりも信頼できる 0.8 です。そのため、旧モデルの過信に合わせて調整したしきい値は、入れ替え後には発火する頻度が下がります。そのまま引き継ぐのではなく、再調整してください。

• ナレッジスライス。業務負荷の一部が文書読解ではなく事実判定であるなら、その部分は別途測定してください。そこは、新しいモデルの高い棄権率がカバレッジを損なう可能性がある唯一の領域であり、取締役会の精度行もそのことを明確に示しています。

誰が移行すべきか、そして誰が最初に測定すべきか

ワークロードが抽出、ルーティング、ツール選択、または一貫性に敏感な分類であるなら、大げさな手続きなしで移行してください。公開されているすべての行で d1.2 が優位であり、価格は変わらず、不変性とツール呼び出しのギャップは、再実行で覆る可能性が低いほど大きくなっています。

まず測るべきは、そのワークロードが大量の知識判断なのか、それともパイプラインに手動で調整された確率しきい値があるのかどうかだ。どちらもD1にとどまる理由にはならない——だがどちらも、数千の実際の状態を両方のモデルに通し、ラベルではなく確率を比較する理由にはなる。

まずアクセスの話からです。移行の話はたいてい調達の話に変わるからです。D1 と d1.2 はどちらも Liquid の API 上にあり、当社のカタログには載っていませんし、ここで述べていることは可用性に関する主張ではありません。このテストにふさわしい当社カタログ上のモデルはJev 1.14で、これは EvalSafe-O*NET-AA を 91.14 まで引き上げます(d1.2 は 86.55 で止まります)。同じ systemone の形を話し、入力トークン100万あたり $0.042 の課金です。3つすべてを同じ状態に置けば、ルーティング DSLがその分割を一度書くだけで済みます — サービス別ではなく質問タイプ別に — プロバイダーの定価は0% のマークアップでそのまま通されるので、提示されている $0.02 はそのまま支払う $0.02 です。自動フェイルオーバーがあればこそ、2日前にリリースされたモデルが稼働中のワークロードの全レーンではなく1レーンだけを担えるのです。

以上が比較のすべてです。価格も契約もエンドポイントも同じで、両者の間には1世代分の作業の差があり、6つの複合指標で勝利を収めています。一方、旧モデルは依然として2つの精度行を保持しており、そのどちらも知識軸上にあります。d1.2では棄権がそのコストになっています。ワークロードが抽出、ルーティング、分類であれば、気になる行はすべて正しい方向に動いています。背後にレビュアーがいない事実判定であれば、まずシャドウ比較を実行し、自社の状態に関する数値に判断を委ねてください。