Liquid AI d1-ultra vs Liquid AI d1: 동일한 엔드포인트, 동일한 질문, 두 배의 가격 — 여기 그 교차점이 있습니다

가장 짧고 솔직한 답은 이렇습니다: Liquid AI d1-ultra는 백만 입력 토큰당 $0.042이고 Liquid AI d1는 백만 입력 토큰당 $0.02이며, 둘 다 동일한 URL에서 동일한 세 가지 질문 유형으로 호출됩니다. 더 비싼 쪽은 틀리는 것이 호출당 요금을 두 배로 내는 것보다 더 비쌀 때 사용해야 하는 모델입니다. 그게 결정의 전부이며, 두 모델에 대해 구조적으로 다른 점이 달리 없기 때문에 이는 유난히 깔끔합니다. 두 모델은 열흘 간격으로 출시되었습니다 — d1은 2026년 10월 5일 Liquid AI의 첫 번째 의사결정 모델로, d1-ultra는 10월 15일 이 제품군에서 가장 성능이 뛰어난 구성원으로 — 그리고 둘 다 같은 일을 하도록 만들어졌습니다: 텍스트, 이미지 또는 둘 다로 이루어진 상태와 하나 이상의 유형이 지정된 질문을 입력받아, 출력 토큰을 전혀 생성하지 않고 스트리밍할 것도 없이 단일 순방향 패스에서 확률을 반환하는 것입니다. 이런 비교는 실패 모드가 드러나는 곳이기도 합니다: 이 계열 모델들의 이면에 있는 문서화된 AI 사고와 에이전트 실패 사례는 the OrcaRouter AI Incident Archive에 수집되어 있으며, 각 항목에는 자체 출처, 심각도, 신뢰도 등급, 분쟁 플래그가 포함되어 있습니다.

이 두 모델이 각주가 아니라 하나의 글로 다룰 가치가 있는 이유는, 이들이 중간 단이 있는 사다리가 아니라 대체재라는 점이다. 어려운 사례에서 작은 생성 모델과 큰 생성 모델을 쓰듯이 d1을 실행하다가 d1-ultra로 폴백하는 식이 아니다. 둘 다 같은 요청 본문의 동일한 모델 문자열에 묶여 있기 때문이다. 전환 비용은 JSON 페이로드에서 단어 하나뿐이다. 따라서 문제는 업그레이드가 기술적으로 가능한지가 아니라, 입력 토큰 백만 개당 추가 $0.022가 당신의 특정 워크로드가 체감할 수 있는 무언가를 사 주는지이며, 그 답은 Liquid AI가 공개한 수치로 낼 수 있다.

한 번의 패스로 실제로 무엇이 다른가

공개된 차이점들은 가격 격차가 시사하는 것보다 적으며, 빠져 있는 것들은 존재하는 것들만큼이나 중요하다.

• 가격 — d1-ultra의 경우 백만 입력 토큰당 $0.042, d1의 경우 $0.02이며, 둘 다 입력에만 청구되고 출력 요금은 없으며, 둘 다 이미지를 텍스트로 계산하여 32×32픽셀 패치당 1.5 토큰으로 산정합니다.

• 백본 — d1-ultra는 "일련의 Liquid 전용 고강도 커스터마이징이 적용된 더 큰 오픈 웨이트 모델"을 기반으로 구축되었다고 설명된다. d1의 발표에서는 이 패밀리의 1세대를 위해 구축되었다는 점만 언급될 뿐, 백본 역시 명시되지 않았다.

• 언어 지원 범위 — Liquid AI의 d1-ultra 출시 게시물에는 44개 언어가 명시되어 있습니다. d1에 대해서는 이에 필적하는 수치가 공개되지 않았습니다.

• 지수 순위 — d1-ultra는 Artificial Analysis Decision Index에서 최소 8점 차로 선두를 차지한다고 주장된다; d1은 지수 점수가 아니라 GPT-6.1 Sol 및 Claude Opus 5.5에 대한 여섯 가지 실제 적용 사례 비교와 함께 발표되었다.

• 파라미터 수 — 둘 다 공개되지 않았습니다. d1-ultra의 컨텍스트 윈도우 역시 공급사가 명시하지 않았으며, 32,768 토큰이라는 수치는 제3자 게이트웨이 카탈로그에만 등장하는데, 저희는 이를 사양이 아니라 미확인 정보로 취급합니다.

• 지연 시간 — d1은 텍스트 판정 기준 200~300ms로 공개되었습니다. d1-ultra는 공개된 지연 시간 수치가 전혀 없습니다.

마지막 두 격차가 바로 주목해야 할 점이다. 더 새롭고 더 비싼 모델이 오히려 스펙표가 더 비어 있는 쪽이다. 크기, 컨텍스트 길이, 속도가 모두 공개되지 않은 모델에 대해 2.1배의 요금을 내라는 요구를 받고 있는 것이다. 그것도 공급업체 스스로 보고한 캘리브레이션 주장과 지수 수치 하나만을 근거로.

Liquid AI가 실제로 제기하고 있는 주장

d1-ultra 게시물을 자세히 읽어보면, 내세우는 핵심은 정확도가 아니다. 의사결정 모델에는 정확도만으로는 충분하지 않다는 것이다. 의사결정 모델은 확률도 내놓는데, 그중 대부분이 과도하게 확신에 차 있기 때문이다. 0.97이라고 말하면서 실제로는 0.72를 뜻하는 분류기는 top-1 정확도가 뛰어나더라도 임계값 기반 파이프라인을 망가뜨린다. 그 임계값을 넘어 수행하는 모든 자동화된 행동이 잘못된 전제 위에서 이루어지기 때문이다. 게시물에 따르면 d1-ultra는 특히 확률이 더 잘 보정되도록 훈련되었으며, 릴리스는 112개의 고유한 평가 전반에서 d1-ultra가 동일한 가격에 더 나은 보정으로 모든 작업에서 Jev 1.14를 앞선다고 보고한다.

이것은 “더 똑똑하다”와는 진정으로 다른 판매 논거이며, 또한 두 릴리스 중 어느 쪽에서든 외부인이 검증하기에 가장 어려운 단 하나의 주장이다. 발표문 어디에도 도입을 결정하기 전에 자체 데이터로 보정을 확인할 수 있게 해 주는 내용은 없다. 파이프라인이 argmax를 취하고 확률을 무시한다면 보정 관련 주장은 당신에게 해당하지 않으며, d1-ultra의 근거는 지수 격차로 줄어든다. 파이프라인이 확률에 임계값을 적용한다면 — 0.9 초과면 자동 승인, 미만이면 에스컬레이션 — 보정이 유일하게 중요한 숫자이며, 그것은 레이블링된 표본에서 직접 산출해야 하는 숫자다.

두 배가 본전을 뽑을 때

요율 차이가 더 이상 노이즈가 아닌 규모에서 계산해 보세요. 게시물당 하나의 noul 질문을 던지는 모더레이션 게이트가 월 500,000개 게시물, 각각 약 400 입력 토큰이라면 월 2억 입력 토큰입니다.

• d1에서는 월 $4.00입니다. d1-ultra에서는 월 $8.40입니다. 4달러 차이는 예산 항목이 아니라, 결정하는 데 들어간 엔지니어 한 시간의 비용보다 작습니다.

• 동일한 게이트를 이미지 입력에 적용하면 토큰 수가 빠르게 치솟습니다. 1024×1024 이미지 하나가 1,536 입력 토큰이고, 각 질문은 자기 텍스트와 모든 이미지에 대한 비용을 다시 청구하기 때문입니다. 같은 사진에 관한 질문 다섯 개는 그 사진 값을 다섯 번 지불하는 셈이며, 이는 어떤 모델을 선택하든 피해야 할 설계 실수입니다.

• 월 200억 입력 토큰 규모에서 — 파일럿이 아닌 대규모 분류기 — d1은 약 400달러, d1-ultra는 약 840달러가 든다. 절대 격차는 이제 실재하며, 수천만 장의 이미지에 해당하는 양을 처리하는 워크로드치고는 여전히 1,000달러 미만이다.

이 계산이 이끌어내는 결론은 사람들이 기대하는 결론이 아니다. 압도적 다수의 의사결정 워크로드에서 d1-ultra와 d1의 가격 차이는 결정적 요인이 되기에는 너무 작다. 따라서 결정은 전적으로 답변 품질을 기준으로 내려져야 한다. 흥미로운 예외는 반대 방향으로 흐른다. 처리량이 정말로 엄청나고 작업이 쉬운 경우 — 짧은 텍스트에 대한 이진 게이트, 이미지 없음 — 에는 이 둘 사이에서 저울질할 필요조차 없다. 오픈 웨이트 d1-3B가 그 작업을 호출당 비용 0으로 처리하기 때문이다. 두 모델의 가격은 충분히 비슷해서 진짜 질문은 그 아래에 있는 것이다.

의사결정 모델이 잘못된 도구인 경우

두 모델 모두 동일한 네 가지 작업, 즉 분류 및 라우팅, 점수 산정 및 등급 평가, 이진 게이트, 멀티모달 검사를 위해 문서화되어 있다. 공급업체 자체 문서는 이들이 무엇을 위한 것이 아닌지에 대해서도 마찬가지로 분명히 밝히고 있다. 자유 형식 생성, 다중 턴 대화, 요약, 개방형 추론, 코드 작성이다. 스트리밍할 출력 토큰이 없으므로, 산문 형태의 응답을 기대하는 애플리케이션은 더 나쁜 답변이 아니라 오류를 받게 된다. 이 점은 짚고 넘어갈 가치가 있다. 생성 호출의 저렴한 대체물로 의사 결정 모델을 선택하려는 유혹이 바로 파이프라인이 결국 그 모델을 오용하게 되는 방식이기 때문이다.

구형 모델에 대해 공개된 증거는 최소한 구체적이다. 2026년 10월 5일에 테스트된 여섯 개의 실제 애플리케이션 전반에서 d1은 그중 네 개에서 GPT-6.1 Sol과 동등하거나 능가했고, 비용은 19~200배 더 낮았으며 모든 작업에서 더 빠르게 답한 것으로 보고되었다. 그중 하나는 VisA 데이터셋에서 네 개 생산 라인의 부품 — 회로 기판, 양초, 캐슈넛, 츄잉껌 — 을 대상으로 한 시각 검사 실행이었는데, 여기서 모델은 작업별 학습 없이 양품과 불량품을 85~97퍼센트 정확도로 분류했다. 또 다른 하나는 컨텍스트 압축 패스에서 토큰의 52퍼센트를 제거했다. 이것들은 방법론이 명시된 벤더가 수행한 평가이며, 여전히 벤더가 수행한 평가다: 애플리케이션당 모델당 한 번의 실행, 캐시 할인 없는 정가, 그리고 여러 코드 및 압축 질문은 d1의 파이프라인이 이미 고정된 후에 작성되었다. 이것들을 해당 범주가 작동한다는 증거로 읽되, 자신의 작업에 그대로 옮길 수 있는 점수판으로 읽지는 말라.

업그레이드 결정은, 일반적으로

d1로 시작하세요. 더 나은 모델이어서가 아니라 — 인덱스 주장은 그렇지 않다고 말합니다 — 백만 입력 토큰당 $0.02에 출력 요금이 없기 때문에, 수십만 건의 호출은 몇 센트밖에 들지 않고, 의사결정 모델이 당신의 파이프라인에 적합한지 알아내는 가장 빠른 방법은 실제 트래픽 앞에 하나를 놓고 그것이 반환하는 확률 분포를 살펴보는 것이기 때문입니다. 레이블만이 아니라 확률을 기록하세요. 그것들이 극단값 주변에 촘촘히 몰려 있고 당신의 임계값이 안정적이라면, 당신은 캘리브레이션을 공짜로 얻고 있는 것이며 더 많은 비용을 지불할 이유가 없습니다.

그 로그에 구체적이고 명명된 실패가 나타날 때 d1-ultra로 전환하세요: 어려운 지식 질문, 시각적으로 모호한 주장, 모델이 0.6을 반환하고 그것이 실제 의도인 경우. 이 마이그레이션은 동일한 엔드포인트에서의 모델 문자열 변경이므로 선택적으로 적용할 수 있습니다 — 실패가 나타난 라우트에는 d1-ultra를, 나머지 모든 곳에는 d1을. 그것이 이 비교의 정직한 형태입니다. 이는 양자택일이 아니라 라우트별 설정이며, 가격이 충분히 비슷해서 정밀하게 다룰 여유가 있습니다.

미리 대비해 둘 만한 실무적인 변수가 하나 있습니다. 여러분의 의사결정이 생성 단계 — 답변, 요약, 도구 호출 — 로 이어진다면, 관리해야 할 벤더 관계는 하나가 아니라 둘입니다. OrcaRouter는 그 후반부를 하나로 접어 버립니다: 200개 이상의 생성 모델 전반에 걸쳐 쓸 수 있는 하나의 OpenAI 호환 키로0% 마크업으로 그대로 전달되는 제공사 정가, 따라서 업스트림의 가격 변동은 다음 계약 갱신 시점이 아니라 같은 날 바로 청구서에 반영되며, 제공사 전반에 걸친 자동 페일오버가 동일한 엔드포인트 뒤에서 작동합니다. 경계를 정확히 밝히자면, 저희는 Liquid AI의 의사결정 모델을 호스팅하지 않으므로 d1 또는 d1-ultra 호출은 여전히 Liquid AI 자체 API로 전달되며, 저희가 담당하는 것은 의사결정 이후의 모든 단계입니다.

대규모로 d1-ultra를 도입하기 전에 유의할 점

현재 둘 다 빠져 있는 두 가지 숫자가 있다. 첫 번째는 지연 시간이다. d1의 200~300밀리초 수치는 d1-ultra에 대해 아무것도 알려주지 않으며, 더 새로운 모델은 아무것도 공개하지 않는다. 따라서 지연 시간에 민감한 경로는 전면 마이그레이션하기보다 카나리 방식으로 배포해야 한다. 두 번째는 독립적인 캘리브레이션 측정값이다. 112개 평가 비교와 8포인트 지수 우위는 Liquid AI 자체 보고이며, 그 지수 수치는 우리가 직접 불러올 수 있는 표에서가 아니라 벤더의 발표와 이를 다룬 언론 보도를 통해 이 기사에 반영되었다. 누군가 공개 데이터로 두 모델 중 하나에 대한 신뢰성 곡선을 재현한다면, 2.1배 프리미엄은 주관적 판단이 아니라 구매 결정이 된다.

그때까지는, scrutinizing을 견뎌 내는 입장은 보수적인 쪽이다. d1은 유능하고 저렴하며, 자사가 검증했다고 주장하는 의사결정 모델이고, 그 가격은 실험을 거의 무료로 만들어 준다. d1-ultra는 구체적이고 확인 가능해 보이는 주장이 붙어 있는 그럴듯한 개선판이지만, 그 배후의 사양표는 유난히 빈약하다. 아직 실패를 손에 쥐기도 전에 두 번째 제품에 두 배를 지불하는 것은 아직 관찰하지 못한 문제에 대비한 보험을 사는 것이다 — 그리고 이런 물량에서는 그것은 실수라기보다 반올림 오차에 가깝다. 다만 그 반올림 오차가 아키텍처가 되게 하지는 마라.