d1-omni vs Liquid AI D1 Ultra: Een bestand van 850 MB tegen een meter van $0,042, en de rekensom is niet wat je verwacht

De intuïtie wanneer je d1-omni naast Liquid AI D1 Ultra zet, is dat ze tegenovergestelde uiteinden van een bereik bezetten en dat de keuze over ambitie gaat. De ene is 587M parameters aan open gewichten — 850MB op schijf in de tag die deze week in de Ollama-bibliotheek verscheen, een checkpoint dat sinds 5 oktober 2026 ongeveer 13.900 keer is gedownload van Hugging Face. De andere is het vlaggenschipbeslissingsmodel van Liquid AI, aangekondigd op 15 oktober 2026, zonder bekendgemaakt aantal parameters, zonder gepubliceerde gewichten, en met één gepubliceerd getal dat meer uitmaakt dan welke benchmark dan ook: $0,042 per miljoen inputtokens. Het huren van een frontier-beslissing versus het bezitten van een kleine klinkt als een budgetkwestie. Zet de meter eens naast een echte workload en meestal is het dan geen budgetkwestie meer — het voordeel van het kleine model is niet dat het goedkoop is, maar dat het van jou is.

Het is de moeite waard dat onderscheid precies vast te leggen, want de twee dingen die worden vergeleken zijn geen twee modellen op dezelfde plank. Liquid AI D1 Ultra is een endpoint dat je aanroept. d1-omni is een bestand dat je uitvoert. Beide beantwoorden dezelfde drie vraagvormen — een ja/nee met een waarschijnlijkheid, een label met een waarschijnlijkheid per label, of een positie op een schaal — en beide geven die antwoorden terug in één forward pass waarbij nul outputtokens worden gegenereerd. Alles daarna, inclusief wat de antwoorden kosten en wie verantwoordelijk is wanneer ze afwijken, hangt af van welke van de twee je hebt gekozen.

De huurkant, geprijsd zoals Liquid AI het daadwerkelijk factureert

Liquid AI D1 Ultra rekent alleen voor input, tegen $0,042 per miljoen inputtokens, zonder kosten voor completions omdat er geen completion is. Dat is de hele tariefkaart, en het interessante deel is de afbeeldingsregel eronder. Afbeeldingen worden tegen het tekstarief gefactureerd op basis van patches: 1,5 tokens per patch van 32×32 pixels, waardoor een afbeelding van 1024×1024 1.536 tokens kost. En elke vraag wordt gefactureerd als een eigen prompt, met een eigen kopie van de toestand en alle bijgevoegde afbeeldingen. Stel vier vragen over dezelfde foto en je betaalt vier keer voor die foto.

Zet een getal op een workload waarbij een visuele beslissing de natuurlijke keuze is. Stel je een nachtelijke run over 25.000 productadvertenties voor, elk met één foto van 1024×1024 en ongeveer 200 tokens aan advertentietekst, waarbij twee getypte vragen worden gesteld — één ja/nee-vraag of de afbeelding bij de categorie past, één scorevraag over beeldkwaliteit. Elke prompt bevat 1.536 image-tokens plus 200 teksttokens, dus 1.736 tokens, en er zijn twee vragen, dus 3.472 tokens per advertentie. Dat is 86,8 miljoen inputtokens voor de run, of ongeveer $3,65. Een nachtelijke job, een hele maand lang, komt uit op een paar honderd dollar.

Dat is een echt ongemakkelijk resultaat voor iedereen die ervan uitging dat de frontier-optie de dure optie was. Het prijsmodel is de reden: beslissingsmodellen genereren nooit tokens, dus de kostencurve heeft geen uitvoerterm die kan exploderen, en de herfacturering per vraag is een vaste multiplier waarop je kunt plannen in plaats van een variabele die je pas op de factuur ontdekt.

De eigen kant, en waar de kosten ervan zich eigenlijk verschuilen

d1-omni heeft helemaal geen prijs per aanroep. Het is een model met 587M parameters — een gedeelde trunk en decision head van 381M, een SigLIP2-visionencoder van 94M overgenomen van Liquid AI LFM2.5-VL-450M, en een audioencoder van 112M — gepubliceerd onder Liquid's LFM 1.0-voorwaarden, met GGUF-builds die volgen op 6 oktober en MLX-builds op 12 oktober. De kosten zijn wat voor hardware je al hebt, plus het deel dat niemand in de vergelijking opneemt: het werk om het daar te houden.

Wat de twee opties wel en niet gemeen hebben, in de dimensies die een deployment bepalen:

• Gewichten — gepubliceerd voor d1-omni onder LFM 1.0; niet gepubliceerd voor Liquid AI D1 Ultra. Liquid beschrijft zijn vlaggenschip enkel als "gebaseerd op een groter open-weight model met een reeks Liquid-specifieke zware aanpassingen". De basis is open; het model dat je aanroept niet.

• Parameters — 587M en volledig uitgesplitst voor d1-omni; niet bekendgemaakt voor d1-ultra. Je kunt de hardware niet dimensioneren voor het vlaggenschip omdat Liquid geen grootte heeft gepubliceerd. Je kunt de hardware voor de 600M exact dimensioneren: 850 MB in Ollama's gemengde Q8_0-tag, 1,2 GB voor de BF16-tag.

• Prijs — geen prijs per aanroep op d1-omni; $0,042 per miljoen invoertokens op d1-ultra, met afbeeldingen aan 1,5 tokens per 32×32-patch en elke vraag opnieuw gefactureerd met de volledige status.

• Modaliteiten — d1-omni accepteert tekst plus afbeeldingen of tekst plus maximaal 30 seconden audio, maar nooit beide in één verzoek. d1-ultra wordt beschreven als multimodaal zonder gepubliceerde uitsplitsing van modaliteiten; wat Liquid documenteert, zijn de vraagtypen en de regel voor afbeeldingstokens.

• Context — 16.384 tokens voor d1-omni over tekst-, beeld- en audioposities samen, teruggebracht tot 896 tokens aan status- en vraagtekst wanneer er een afbeelding is bijgevoegd, "zoals getraind". Voor d1-ultra is geen contextwaarde gepubliceerd.

• Latentie — geen gepubliceerde inferentiecijfers voor d1-omni, omdat Liquid aangeeft deze niet te rapporteren voor een checkpoint dat het een vroege onderzoeksrelease in actieve ontwikkeling noemt; d1-ultra wordt end-to-end aangeboden, zonder dat er afzonderlijke latentiecijfers zijn gepubliceerd.

• Kalibratie — het vlaggenschip is er expliciet voor getraind.De door Liquid genoemde reden is dat de meeste beslissingsmodellen overmatig zelfverzekerd zijn, dus d1-ultra is afgestemd om betrouwbaardere waarschijnlijkheden te produceren. d1-omni heeft zelf een kalibratie-tag, maar de 600M is een experimenteel checkpoint en geen enkele derde partij heeft de kalibratie van een van beide modellen gemeten.

De twee scores zijn niet één meetlat.

De verleiding is om 15,95 naast het vlaggenschip te schrijven en af te trekken. Doe dat niet. De 15,95 van d1-omni komt uit de openbare split van Decision Index v0.2.1, een leaderboard waarop Liquid AI zijn eigen inzendingen met de officiële scorer heeft gescoord in plaats van ze in te dienen — sub-scores Knowledge 8,3, Language 12,9, Retrieval 35,0, Tools 15,1, Arts 6,8, tegenover 48,57 van d1-3B binnen dezelfde familie. De claim van Liquid voor d1-ultra is een eerste plaats op de Artificial Analysis Decision Index met minstens acht punten voorsprong, wat een ander leaderboard met een andere versie is, gepubliceerd voordat het vlaggenschip bestond. De twee getallen meten verschillende dingen met verschillende meetlatten, en de eerlijke lezing van het paar is alleen dat de kloof groot is — niet dat het om iets van veertig punten gaat.

Het cijfer dat de vergelijking doorstaat, is het cijfer dat niemand publiceert: de 600M heeft helemaal geen inference-cijfers, dus je kunt de kosten per beslissing op je eigen hardware niet noemen zonder het zelf te meten. Die meting, niet een leaderboard, is wat de afweging tussen zelf doen en huren bepaalt.

Drie workloads, drie verschillende antwoorden

• Een nachtelijke batch van 25.000 beeldcontroles — ongeveer $3,65 per run op Liquid AI D1 Ultra, en op d1-omni een download van 1,2 GB plus welke GPU je er ook op richt. Bij dit volume is de meter niet de beslissende factor; de beslissende factor is of je de nauwkeurigheid wilt die het vlaggenschip claimt, en of drie dollar per nacht meer waard is dan het onderhouden van een modelserver.

• Een harde poort waar de waarschijnlijkheid de beslissing vormt — een goedkeuring, een moderatie-uitspraak, een transactie die op een drempel wordt geactiveerd. Hier is kalibratie het product, en d1-ultra is de enige van de twee waarvan Liquid zegt dat hij er specifiek voor is getraind. Een zelfverzekerde onjuiste waarschijnlijkheid van 0,6 is erger dan helemaal geen waarschijnlijkheid, en geen enkele derde partij heeft beide modellen daar nog op gecontroleerd. Als de drempel ertoe doet, wilt u de kalibratieclaim van de leverancier gereproduceerd zien voordat u erop vertrouwt op de grens.

• Een classifier met hoog volume en laag risico op een apparaat — het routeren van een spraakopdracht, het triëren van een inbox, het markeren van een advertentie voor menselijke beoordeling. Niets aan deze workload vraagt om een gehost frontier-model. De 600M geeft een getypt antwoord uit één forward pass in 850MB, en dat is precies de reden dat hij bestaat, en het budget van 896 tokens voor afbeeldingen is prima voor een zin met de status en één foto.

Waar de routeringsgrens daadwerkelijk ligt

Geen van beide modellen staat in onze catalogus, en het is beter om daar ronduit over te zijn dan om iets anders te suggereren: elke aanroep van Liquid AI d1-omni-600M en elke aanroep van Liquid AI d1-ultra gaat naar je eigen hardware of naar de eigen API van de leverancier en naar platformen van derden, niet via ons. Wat OrcaRouter dekt, is de helft van de pijplijn die een beslissingsmodel niet zelf kan doen. Een 587M-beslissingsmodel retourneert een label of een waarschijnlijkheid en stopt; er moet nog steeds iets de reactie schrijven, de casus samenvatten of op basis van de score handelen. Eén API voor 200+ modellen, met de lijstprijs van elke provider ongewijzigd doorgegeven en de routing-DSL beschikbaar wanneer een aanvraag na triage naar meer dan één model moet uitwaaieren, is een bescheidener claim dan "wij hosten het beslissingsmodel", en die is de ware.

Wat zou het antwoord veranderen

De vergelijking wordt momenteel beslecht door twee ontbrekende gegevens. Liquid AI D1 Ultra heeft geen gepubliceerd parameteraantal, dus de kosten per token kunnen niet worden afgewogen tegen de omvang van de taak die het uitvoert, en geen latentiecijfer, dus er kan geen interactief pad omheen worden ontworpen zonder te meten. En d1-omni heeft op eigen keuze van de leverancier geen gepubliceerde inferentiecijfers, dus de berekening eigen versus huren heeft één kant die alleen een benchmark van je eigen hardware kan invullen.

Als een van die twee doorgaat, verandert de vorm van de beslissing. Een onafhankelijk kalibratieresultaat op d1-ultra zou de gate-workload beslechten, waarbij de prijs al een orde van grootte lager ligt dan de meeste mensen zouden raden. Een latentiecijfer van Liquid voor de 600M zou iemand de 600M met vertrouwen in een interactief pad laten plaatsen in plaats van hem eerst te testen. Tot die tijd is de veilige lezing smal en weinig glamoureus: het vlaggenschip is zo dicht bij gratis geprijsd dat budget alleen je er niet toe zal bewegen zelf iets te draaien, en het echte voordeel van de 600M is dat niemand, zodra je het bestand hebt, het getal, de voorwaarden of het endpoint onder je vandaan kan veranderen.

De gedocumenteerde AI-fouten en incidenten met agents achter releases zoals deze worden verzameld in het OrcaRouter AI Incident Archive, waar elke vermelding zijn eigen bronnen, ernst, betrouwbaarheidsgraad en betwistingsmarkering bevat.