
d1.2-ultra vs Liquid AI D1 Ultra: 같은 가격, 두 배의 컨텍스트, 그리고 한 가지 더 나빠진 점
- GoogleNEWGoogle: Gemini 4 Carbon2026-11-10$2.00 / $10.00 100만 토큰당 · 90 tok/s
- AnthropicNEWAnthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 100만 토큰당 · 97 tok/s
- orcaNEWOrca: OrcaC2 1.02026-11-0717 tok/s
- OrcaNEWOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 100만 토큰당 · 87 tok/s
- OrcaNEWOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 100만 토큰당 · 133 tok/s
- OrcaNEWOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$4.00 / $20.00 100만 토큰당 · 72 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 100만 토큰당 · 126 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 100만 토큰당 · 65 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 100만 토큰당 · 92 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 100만 토큰당 · 44 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447지능
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 100만 토큰당 · 193 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929지능
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 100만 토큰당 · 147 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733지능
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740지능
- OrcaOrca: OrcaCyber Zero 1.52026-10-10$3.00 / $7.50 100만 토큰당 · 123 tok/s
- openaiOpenAI: GPT-6.1 Sol2026-09-2955지능
- anthropicAnthropic: Claude Sonnet 5.52026-09-2855지능
- typesafeTypeSafe: Jev 1.132026-09-24$0.04 / $0.00 100만 토큰당 · 219 tok/s
Liquid AI d1.2-ultra는 Liquid AI D1 Ultra와 비용이 정확히 같습니다: 입력 토큰 100만 개당 $0.042, 출력 토큰 없음, 동일한 엔드포인트, 이미 보내고 있는 동일한 세 가지 질문 유형입니다. 이 모델은 2026년 11월 16일, 대체하는 모델보다 한 달 뒤에 출시되었고, 복합 지표에서 더 우수합니다 — Artificial Analysis Decision Index v2.1에서 70.58 대비 74.85, 24개 중 1위 대 6위입니다. 따라서 업그레이드는 무료이자 명백하며, 받아들여야 합니다. 이 결정이 한 줄짜리 변경 로그가 아니라 기사 한 편의 가치가 있는 이유는, 공개된 16개 구성 지표 중 네 개가 후퇴했고 그중 두 개가 임계값 기반 파이프라인이 가장 민감하게 받아들이는 지표라는 점입니다.
패턴은 분명합니다. 새 모델은 문서를 읽는 능력이 훨씬 뛰어나고, 표현을 바꿔 말해도 훨씬 더 강하며, 사실을 아는 능력과 답변을 거절하는 능력은 약간 더 떨어집니다. 파이프라인에서 Liquid AI D1 Ultra를 추출 엔진으로 사용한다면 후속 모델은 확실한 이득입니다. 사례가 모호할 때 "모르겠습니다"라고 말해야 하는 게이트키퍼로 사용한다면, 후속 모델은 단순 교체가 아니라 두 모델을 함께 고려하는 결정입니다.
두 모델 모두 하나의 장비에서

이 비교는 이례적으로 깔끔한데, 두 행 모두 동일한 조직이 동일한 보드의 동일한 버전에서 산출한 것이기 때문이며, 이는 대부분의 업그레이드 결정에는 해당되지 않는다. Artificial Analysis는 d1-ultra와 d1.2-ultra를 Decision Index v2.1에서 실행했으므로, 여기서는 공급업체 수치를 독립 수치와 비교하는 것에도, 두 릴리스 사이에서 기준을 옮겨버린 지수 개정에도 의존하는 바가 없다. 새 모델에 대한 공급업체 자체의 헤드라인, 즉 2점 차 1위라는 내용은 그것이 명시한 보드와 일치한다.
• 가격 — 둘 다 백만 입력 토큰당 $0.042입니다. 동일하며, 업그레이드로 인해 변경되지 않았습니다.
• Decision Index v2.1 — d1.2-ultra 74.85(24개 중 1위) vs d1-ultra 70.58(6위).
• 컨텍스트 창 — 보드의 기술 사양에 따르면 66k 토큰 대 33k입니다. Liquid의 출시 게시물에는 두 모델 모두에 대해 창이 명시되어 있지 않습니다.
• 작업당 소요 시간 — 218ms 대 301ms. 업그레이드는 또한 3분의 1 더 빠릅니다.
• 백만 개 작업당 비용 — 두 경우 모두 $133이며, 이는 동일한 토큰 가격과 작업당 유사한 토큰 수에서 예상할 수 있는 값입니다.
• 브라이어 점수 — 0.150 대 0.176, 낮을수록 좋습니다. 이는 "더 잘 보정되었음"을 가장 직접적으로 보여 주는 단일 수치입니다.
청구 규칙이 변경되었으며, 이는 지수 포인트보다 더 가치가 있습니다.
d1-ultra에서는 각 질문이 첨부된 모든 이미지를 포함한 자체 프롬프트로 청구되었습니다. 한 장의 사진에 대해 열 개의 질문을 하면 그 사진에 대해 열 번 비용을 지불한 셈이며, 1024×1024 이미지의 경우 텍스트가 계산되기 전에 1,536토큰에 열을 곱한 값이 됩니다. d1.2-ultra에서는 요청이 텍스트와 그림을 한 번만 청구하고, 추가 질문마다 자체 텍스트만 추가됩니다.
현실적인 요청으로 따져 보자: 2,000토큰 문서, 1024×1024 이미지 한 장, 약 30토큰짜리 질문 열 개다. 옛 규칙은 약 35,700토큰을 부과하고, 새 규칙은 약 3,840토큰을 부과한다. 동일한 100만 개당 $0.042 기준으로 그것은 요청당 $0.0015 대 $0.00016이다. 같은 작업, 같은 공표 가격, 같은 공급업체, 어떤 발표 헤드라인도 붙지 않은 상태에서 9배 조금 넘게 더 저렴한 것이다. 월 100,000건 요청이면 약 $150가 약 $16가 된다.
두 수치는 실제 청구서를 측정한 것이 아니라 공급업체 자체의 청구 설명을 바탕으로 한 산술 계산이며, 그 비율은 주(state)별로 질문을 얼마나 많이 하느냐에 전적으로 달려 있습니다. 문서당 질문을 하나만 하면 두 모델의 비용은 같습니다. 질문을 열 개 하면, “무료” 업그레이드가 이번 릴리스에서 가장 큰 비용 변화입니다.
새 모델이 실제로 더 잘하는 것

구성 요소 네 개가 상승했고, 그중 두 개는 큰 폭으로 올랐습니다.
• AA-Paperclip, 인덱스의 30% — 결정 점수에서 75.81 대 64.69, 문서 완전 정답률에서 67.7% 대 51.3%. 가장 큰 가중치를 지닌 구성 요소에서 문서 전체 통과율이 11포인트 높다는 것이 12포인트 종합 상승의 전부입니다. 청구서, 영수증, 이력서에서 필드를 추출한다면 이 수치를 보십시오. 15개 답 중 하나를 놓친 문서는 어느 쪽이든 오답으로 계산되기 때문입니다.
• AA-Symmetry, 15% — 86.34 대 78.66, 전체 통과 일관성은 45.8%에서 56.7%로 상승했습니다. 질문의 표현을 바꾸고, 선택지 순서를 바꾸고, 예/아니오를 부정해도 새 모델은 답을 훨씬 더 자주 유지합니다.
• When2Call, 10% — 96.49 대 93.83. 도구 호출은 이미 이 제품군의 강점이었으며, 이는 거의 한계에 도달했던 구성 요소에서의 더 작은 개선입니다.
• EvalSafe-O*NET-AA, 15% — 89.53 대 88.15. 업무 문서 판단에서의 1.5점 차이는 사실상 노이즈에 가까우므로 개선이라고 홍보해서는 안 됩니다.
• AA-Omniscience-Decision v1.1, 15% — 결정 점수에서 64.39 대 60.80. 지식과 정직성이 반씩인 구성 요소에서 4점 하락.
• HLE-MultiChoice v1.1, 15% — 47.39 대비 46.36. 전체 참가자가 취약한 구성 요소에서 1점 하락.
두 가지 회귀를 쉽게 말하자면
전지성 하락은 채점 아티팩트가 아닙니다. 이는 기저 정확도 및 기권 행에 나타나며, 두 행은 마이그레이션하기 전에 이해해 둘 가치가 있는 방식으로 서로 어긋납니다.
• AA-Omniscience-Decision 정확도 — d1-ultra는 질문의 28.0%를 정확히 답변했고, d1.2-ultra는 23.6%를 답변했습니다. 전작이 더 많이 알고 있었습니다.
• AA-Omniscience-Decision 비환각 — d1-ultra 88.6%, d1.2-ultra 83.8%. 이전 버전은 답을 만들어내지 않는 측면에서도 더 우수했습니다. 두 항목 모두 같은 방향으로 움직였는데, 이는 모델이 기권을 얼마나 신중하게 사용하는 방식의 변화라기보다 실제 역량의 변화임을 의미합니다.
• HLE-MultiChoice 정확도 — 6.09% 대 2.36%, 새 모델은 원시 정확도에서 24개 중 마지막입니다. 동일 세트에서 이 모델의 비환각률은 56.9%에서 76.1%로 상승했으므로, 정확도 하락은 부분적으로 더 많은 답변 회피로 인해 발생한 것입니다. 그러나 전적으로 그렇지는 않습니다. 위의 전지성(omniscience) 쌍은 모델이 더 적게 답하면서 동시에 더 적게 맞힌다는 것을 보여줍니다.
파이프라인에 미치는 영향은 들리는 것보다 좁다. 확률을 기준으로 임계값을 설정해 신뢰도가 낮은 사례를 사람에게 보낸다면, 더 자주 기권하는 모델은 오히려 당신에게 이로운 것이다. 그리고 83.8%라는 비환각 수치는 여전히 24개 중 6위다. 사실을 알아야 하는 질문—이 주장이 정책과 일관되나, 이 코드가 사양과 일치하나—에 대해 모델을 자동 게이트로 사용한다면, 더 저렴한 이전 모델이 측정 가능하게 더 우수하며 그 영역에서는 계속 사용하지 않을 이유가 없다.
클라이언트에서 변경해야 하는 것
거의 없습니다. 그리고 그것이 바로 한 분기 뒤가 아니라 지금 해야 하는 이유입니다. 엔드포인트는 동일하며, api.liquid.ai/decisions/v1/systemone 를 "model": "d1.2-ultra" 로 호출합니다. 세 가지 질문 유형은 그대로이고, 응답은 여전히 각 옵션별 확률을 담은 구조화된 JSON이며 출력 토큰은 없습니다. 마이그레이션은 문자열 하나를 바꾸고 재배포하는 것이 전부입니다.
새로운 것은 기존 기능에 더해지는 것이며, 기능을 추가하기보다는 우회 방법을 없애 주기 때문에 알아 둘 가치가 있습니다. 다섯 가지 답변 유형이 기존 유형에 합류합니다. 페이지에서 값을 읽고 그 값이 읽힌 문자를 반환하거나 "찾을 수 없음"을 반환합니다. 특정 종류의 모든 스팬을 위치와 함께 반환하며, 이는 두 번째 모델 없이 PII 마스킹을 처리합니다. 하나의 객체 또는 모든 인스턴스 주위의 박스와 개수를 반환합니다. 범위가 있는 추정치를 반환합니다. 그리고 적용 가능한 모든 옵션을 각각의 확률과 함께 반환합니다. 오디오 입력은 양방향으로 작동합니다 — 녹음이 대상이 될 수도 있고, 타이핑 대신 말로 한 질문이 될 수도 있습니다.
그 다섯 가지 작업에 대한 정확도 주장은 Liquid 자체의 것으로, 아직 이를 다루는 공개 벤치마크가 없기 때문에 공개 데이터셋의 홀드아웃 분할로 만든 내부 테스트 세트에서 나온 것입니다. 벤더 수치상 두 모델은 비슷합니다: 영수증에서 값을 읽는 작업은 98% 대 96%, PII 스팬은 94%/93% 대 92%/88%, 객체 위치는 각각 94%이며, 마지막 두 작업에서는 이전 모델이 모든 행에서 더 약한 것은 아닙니다 — 새 모델은 1개 이내로 세는 작업에서 93% 대 92%로 이기고, 현재 있는 모든 객체를 고르는 작업에서는 87% 대 90%로 집니다.
기존 것과 새 것을 나란히 실행하기
둘 다 유지하는 것이 정직한 마이그레이션이며 비용도 저렴합니다. 둘은 같은 엔드포인트에 있는 서로 다른 모델 문자열이고, 오늘날 둘 다 Liquid 자체 API에서 동일한 가격으로 제공되며 키는 console.liquid.ai에서 발급받습니다. 둘 다 우리 카탈로그에는 없으며, 이 글은 둘 중 어느 것에 대해서도 가용성을 주장하는 내용이 아닙니다.
여기서 라우팅 계층이 유용해지는 지점은 두 모델 간의 분할이 서비스 단위가 아니라 질문 단위의 결정이라는 점입니다. 후속 모델은 문서, 이미지, 그리고 임계값을 적용할 모든 항목을 보낼 대상이고, 이전 모델은 정확도와 기권 행이 여전히 더 나은 사실 중심 판단을 보낼 대상입니다. 이를 두 개의 라우트로 구성해 하나의 API 뒤에 두면 — 라우팅 DSL을 사용하면 수작업으로 코딩한 서비스 경계가 아니라 질문 유형이나 상태 크기로 분할할 수 있습니다 — 그리고 두 모델은 같은 슬롯을 두고 더 이상 경쟁하지 않습니다. 저희 쪽에서는 어느 모델이든 비용으로 드는 $0.042를 바꾸지 않습니다: 공급자 정가가 0% 마크업으로 전달되므로, Liquid 가격 변동은 다음 청구 주기가 아니라 같은 날 여기에 반영됩니다. 그리고 공급업체 API가 문제를 겪는 날에는, 자동 장애 조치가 문서 라우트를 살아 있게 유지하고, 한 공급업체가 전체 파이프라인의 단일 장애점이 되지 않게 합니다.
업그레이드, 각 항목 한 줄로
문서, 이미지, 모호한 상태, 그리고 임계값을 설정하는 모든 작업에는 d1.2-ultra를 사용하세요 — 문서 구성 요소에서 11포인트, 대칭성에서 8포인트 더 우수하고, 3분의 1 더 빠르며, 컨텍스트 윈도우가 두 배로 늘어나고, 상태당 두 개 이상의 질문을 하면 비용을 10분의 1로 줄여줍니다.
사실 중심 게이팅에는 d1-ultra를 유지하세요. 여기서는 omniscience 정확도와 비환각 행이 모두 여전히 더 높고, HLE 정확도는 두 수치가 모두 작기는 하지만 후속 모델의 거의 세 배입니다.
상태에 이미지가 없고, 각각 질문이 하나뿐이며, 임계값도 없는 경우에만 마이그레이션을 완전히 건너뛰세요 — 두 모델의 비용이 같고 새 모델이 사용하는 모든 평가에서 단순히 더 나은 경우입니다. 그런 경우 기다릴 이유는 아무것도 깨지지 않았다는 걸 확인하는 데 걸리는 19시간뿐입니다.

