Liquid AI d1-ultra：新たなDecision Indexのリーダー、自らを疑うよう訓練された

Liquid AI d1-ultra は2026年10月15日にリリースされたが、これについて最も興味深いのは、誰も引用していないある数字だ。Artificial Analysis Decision Index において、これが置き換えるモデルは、2 という非ハルシネーションのスコアを記録した。同じボード上で、Liquid AI d1 は知識に関する質問に答えるうえでは唯一最も正確な意思決定モデルであり、同時に、答えられない質問を見分ける点では同クラスで最悪だった。Liquid AI d1-ultra はそれに対するベンダーの回答であり、首位という主張とともに発表されている。すなわち、現在そのボードの首位にある Jev 1.13 を含む他のあらゆる意思決定モデルを少なくとも8ポイント上回り、Decision Index の首位に立つという主張だ。この主張は Liquid のものであり、Artificial Analysis のものではない。そして、それが言及しているボードは、このモデルが存在する前に公開されたものだ。どちらの事実も極めて重要であり、本記事はそれらを、属する数字に結び付けたままにする。 私たちが追跡したすべてのプロバイダー障害とロールバックは、Orca AI Incident Archive に記録されており、このインシデントの近隣エントリとともに完全な記録一式を収めている。

このモデルが機械的に何であるかと言えば、Liquidがこの一年間ずっと賭けてきたものと同じだ。状態——JSONペイロード、サポートチケット、ダッシュボードのスクリーンショット——と、名前付きの質問群を与えると、モデルは1回のフォワードパスで自身の分布から答えを読み取る。サンプリングも、パースも、暴走生成もない。ベンダーの使用量カウンターが報告するのはoutput_tokens: 0であり、d1ラインの他のものとまったく同じだ。

Liquidが構築したと主張するもの、そしてそれを何に対してテストしたのか

このセクションのすべての数値は Liquid 自身のもので、ローンチ記事で報告されており、本稿執筆時点で他の誰も再現していません。このモデルは、より大規模なオープンウェイト基盤の上に構築されたマルチモーダル意思決定モデルとして説明されており、投稿では Liquid 固有の大幅なカスタマイズと表現されています。特に知識集約型の意思決定に向けて調整されており、この表現は以下のキャリブレーション問題を直接参照しているように読めます。同ファミリーの他のモデルと同じ3つの質問タイプを備えています。noul は二値です。文を与えると、0 から 1 の間の P(yes) を返します。Choice はラベルを選び、分布と信頼度を返します。Score は状態を順序尺度上に配置し、レベルごとの確率を返します。3つとも構造化された形式で返り、いずれも出力トークンを消費しません。

Liquidの証拠は、一連の112件のユニークな評価を、同社の以前のd1、およびより新しいJevリリースであるJev 1.14に対して実施した結果です。同社は、d1-ultraがすべてのタスクでJev 1.14を上回り、同じ価格でより良好に較正されていると述べています。これは「リーダーボードをリードしている」よりも強力で具体的な主張であり、同時に確認がより難しい主張でもあります。なぜなら、較正は単一のスコアからは読み取れない特性だからです。また、Jev 1.14はベンダーが命名した比較対象であることにも注意してください。それは当社のカタログのどこにも載っておらず、それに関する公開のDecision Indexの行も見つけられませんでした。

を伴う単一の非ストリーミング呼び出しが、APIサーフェスのすべてですPOST https://api.liquid.ai/decisions/v1/systemoneへの"model": "d1-ultra"。ローンチ時の資料のどこにもコンテキストウィンドウは公開されていません。これは丸め誤差ではなく、実際の欠落です。なぜなら、状態を渡されることこそが仕事であるモデルにとって、渡すことを許される状態のサイズは主要なスペックにほぼ等しいからです。トークンを一切生成しないため、出力コストは構造的にゼロであり、ストリーミングは該当しません。

問題のインデックスはモデルより前に存在する。

Artificial AnalysisはDecision Index v1.0を2026年10月13日に公開した — d1-ultraが存在する2日前。このボードは、それぞれ25%の重みで4つの評価から構成されている：AA-Omniscience-Decision（非公開の500問のセットで、半分は正確性、半分は非ハルシネーションで採点）、HLE-MultiChoice（Humanity's Last Examから抜粋した513問のテキスト多肢選択問題）、When2Call（NVIDIAのツール呼び出し評価）、そしてWildGuardTest（Ai2の安全性分類セット）。

それを紹介した記事はどこにも d1-ultra について言及しておらず、これは驚くべきことではない。だからこそ「8ポイント差でリード」という数字は、ランキングではなくベンダーの主張として読むべきなのである。公開されているボードでは、Jev 1.13 が意思決定モデル部門を 58 でリードしており、GLiDE と M​icrosoft-Decision-1 が 54 で並んでいる。それらすべてを上回る位置に、2つの言語モデルが置かれている。C​laude H​aiku 5.5 (Low) が 61、そして GPT-6 Luna (Low) が 55 である。Liquid の主張を計算すると66以上となり、ボード上の最良の言語モデルを上回る。モデルが実際にそうである可能性は十分にある。しかし同時に、誰かがそれを前提に計画を立てる前に、第三者が再現する必要があるたぐいの主張でもある。

なぜ、とりわけキャリブレーションがすべてなのか

d1-ultra が狙っている失敗は、Artificial Analysis が同じ記事で名指ししたものである。意思決定モデルは、クラス全体として、広く自信過剰であることが分かった。モデルがある回答に対して示す確率は、その回答が実際に正しい頻度をしばしば上回る。これは、チャットボットの場合よりもここで重要である。なぜなら、意思決定モデルの出力全体は確率である。自信満々に間違った言語モデルは、精査できる段落を生み出す。自信満々に間違った意思決定モデルは、パイプラインがそれに基づいて行動するよう設計されている数値を生み出す。

クラス内のばらつきは大きく、d1 はその悪い端に位置していた：

• AA-Omniscience-Decision accuracy — Liquid AI d1 は41で最高の意思決定モデルとなり、Jev 1.13 は35でした。同じ評価における言語モデルは 52 と 66 を記録しました。

• 非ハルシネーション率 — Liquid AI d1 のスコアは 2。Jev 1.13 のスコアは 35、Mercury Decide は 32、そして M​icrosoft-Decision-1 が 40で首位だった。ボード上の他の意思決定モデルはすべて17に達していた。

• その2行の差こそが、ピッチのすべてだ。d1は最も多くを知りながら、最も少なくしか認めなかった。その差を埋めるように訓練されたモデル——Liquidの前回のエントリが1位ではなく最下位だった唯一の次元——なら、生の精度に一切触れずとも、そのクラスを前進させるだろう。

• HLE-MultiChoice — Jev 1.13 は21で首位、他のすべての意思決定モデルは15以下だった。これはこの分野に最も伸びしろがある評価であり、Liquidの112件の評価実行が報告対象としていない評価でもある。

• When2Call と WildGuardTest — Celeris-1 Decision と GLiDE はツール呼び出しで 84 で同点、Jev 1.13 は 81 で4位。安全性では GLiDE が 95 で首位、Decider v1.1 27B と Jev 1.13 はともに 94。

100万回の決断には、実際いくらかかるのか

価格設定は、今回のローンチの中で但し書きを必要としない部分だ。Liquid AI d1-ultra の課金は入力100万トークンあたり0.042ドルで、出力には一切課金されない。なぜなら出力が存在しないからだ。この価格は d1 と同一であり、当社が Jev 1.13 に請求している価格とも同一で、これにより両モデルはコストの点でのみ直接比較できる。

この計算はナプキンでできるほど簡単だ。約千トークンの状態 — 中程度に詳細なJSONペイロード、または1ページのテキスト — を100万回実行するには0.042ドルかかる。Artificial Analysis自身のこのクラスの100万タスクあたりのコスト数値は17ドルから199ドルの間に収まり、Jev 1.13は42ドル、M​icrosoft-Decision-1は31ドル、Decider v1.1 27Bは17ドルである；クラス全体のタスクあたりの中央値時間は0.06秒から0.5秒である。100万タスクあたり42ドルでの千トークンの判断は、その範囲の中央に位置する。これが知っておくべき有用な点である。つまり、価格設定はこのカテゴリでは特筆すべきものではなく、興味深い問いはトークンあたりのコストではなく、正しい判断あたりのコストである。

課金に関する、多くの人が引っかかるある詳細があり、これは二度読む価値がある。画像は入力テキストとして32×32ピクセルのパッチあたり1.5トークンで課金され、1024×1024の画像は1,536トークンになる——そしてすべての質問は、添付された画像をすべて含め、それ自体が1つのプロンプトとして課金される。同じ写真について10個の質問を別々にすれば、その画像は10回課金されるので、それら10個の質問はテキストが一言も入る前に15,360の画像トークンを抱え込む。質問を1回の呼び出しにまとめても、これは償却されない。あなたのワークロードが視覚的なものであるなら、請求額を左右する数は、文書数×画像トークンではなく、質問数×画像トークンである。

それを呼び出せる場所

Liquid AI d1-ultra は現在、Liquid 自身の API で、Liquid コンソールを通じて、そして d1 Playground で公開されており、クライアントを書かずに試したい人は誰でも触れられます。ベンダーは追加のプラットフォームが近日登場すると述べています。今日の正直な要約は、ベンダー自身の API で、いくつかのサードパーティプラットフォームが続く予定だというものです。ローンチ投稿には、そのまま実行できるコードサンプルがあります。

ルーティングに関する注記であり、売り込みではない：Liquid AI d1-ultraは当社のカタログにはない。また、この記事はその提供可否を主張するものではない。当社のカタログにあるのはJev 1.13 — 現在Decision Indexをリードしているモデル — 同じ100万入力トークンあたり$0.042、同じ完了コストゼロで、64Kのコンテキストウィンドウを持ち、同一のsystemoneエンドポイント形式で提供される：入力はテキスト、出力は構造化JSON、非ストリーミング。これはこのローンチを評価する誰にとっても有用な偶然だ。なぜなら、挑戦者と現行モデルを別契約なしで並べて実行できるからだ。d1-ultraはLiquidへ直接行き、現行モデルはすでに当社のカタログにある。両者は200以上のモデルを扱う単一のAPIの背後にあり、そこでは定価が0%のマークアップでパススルーされ、自動フェイルオーバーによって、新しいモデルがそのすべてを信頼されることなく、実際のワークロードの一部を担うことができる。

その最後の部分は、製品の宣伝というより実務的な推奨だ。生まれて一日しか経っていないモデル、その看板ベンチマークが独立に再現されておらず、コンテキストウィンドウも未公開のモデルに、初日から本番トラフィックを流すべきではない。それは、すでにその枠に入っているモデルに対してシャドー実行すべきものだ。同じ状態を両方に通し、ラベルではなく分布を比較し、特に d1-ultra が 0.8 と言って実際には間違っているケースに注目せよ。なぜなら、それはこのローンチがまさに主題にしているケースであり、Liquid が公開していない唯一の数値だからだ。

何がそれを決着させるのか

決断をどれだけ変えるか、その大きい順に3つのこと。

最初はDecision Indexの行です。Artificial Analysisがd1-ultraを自社パイプラインで実行するまでは、Jev 1.13に対する8ポイントの差はベンダー公称値であり、Jev 1.14に対するキャリブレーションの改善も、公開された比較対象がまったく存在しないベンダー公称値です。ボードは定期的に更新されており、本当に66を超える意思決定モデルは、今年このカテゴリーで最も興味深い結果となるでしょう。なぜならそれは、同じインデックス上で非生成モデルをすべての言語モデルより上に位置づけることになるからです。

第二は欠落している仕様表です。コンテキストウィンドウ、明示されたバッチサイズでのレイテンシ、そして質問が画像を再課金なしで共有できるかどうか——これら3つの数値は、ベンチマークスコアよりもずっと早い段階で、あるワークロードが実現可能かどうかを決めます。Liquidの前世代はテキスト判断を200～300ミリ秒で実行しており、これは有用な参照点ですが、このモデルの測定値ではありません。

第三はラボ外でのキャリブレーションだ。Liquidの112件の評価は、ベンダー自身が選んだタスクだ。過信は裾に現れる特性だ——稀な難問、曖昧な状態、モデルが見たことのない分布からの入力。d1が2点を取ったのはそこであり、本当の改善が見える唯一の場所だ。

それまでは、正直な立場は退屈なものだ。価格は実際に公開されていて、エンドポイントは機能し、このカテゴリーの最悪の欠陥は正しく特定されており、修正は実証されるのではなく主張されているにすぎない。構造化された意思決定に携わっているなら、午後を費やす価値はある。移行に値するものではない。