
Liquid AI d1.2-ultra staat bovenaan de Decision Index met 75 — en eindigt als laatste op een van zijn zes tests
- GoogleNIEUWGoogle: Gemini 4 Carbon2026-11-10$2.00 / $10.00 per 1 mln tokens · 90 tok/s
- AnthropicNIEUWAnthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 per 1 mln tokens · 97 tok/s
- orcaNIEUWOrca: OrcaC2 1.02026-11-0717 tok/s
- OrcaNIEUWOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 per 1 mln tokens · 87 tok/s
- OrcaNIEUWOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 per 1 mln tokens · 133 tok/s
- OrcaNIEUWOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$4.00 / $20.00 per 1 mln tokens · 72 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 per 1 mln tokens · 126 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 per 1 mln tokens · 65 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 per 1 mln tokens · 92 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 per 1 mln tokens · 44 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447Intelligentie
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 per 1 mln tokens · 193 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929Intelligentie
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 per 1 mln tokens · 147 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733Intelligentie
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740Intelligentie
- OrcaOrca: OrcaCyber Zero 1.52026-10-10$3.00 / $7.50 per 1 mln tokens · 123 tok/s
- openaiOpenAI: GPT-6.1 Sol2026-09-2955Intelligentie
- anthropicAnthropic: Claude Sonnet 5.52026-09-2855Intelligentie
- typesafeTypeSafe: Jev 1.132026-09-24$0.04 / $0.00 per 1 mln tokens · 219 tok/s
Liquid AI d1.2-ultra is het eerste model in deze categorie dat door iemand anders dan het bedrijf dat het heeft gebouwd, op de eerste plaats is gezet. Artificial Analysis gaf het een score van 75 op Decision Index v2.1, drukte dat cijfer af op de eigen ranglijstpagina van het model en rangschikte het als eerste van 24 beslissingsmodellen — 2,2 punten voor op Nace.AI's Drex Max v1.1 met 73. Liquid AI d1.2, de kleinere helft van dezelfde release, eindigt negende met 69. Beide werden uitgebracht op 16 november 2026, waardoor dit de eerste Liquid AI-lancering is waarbij de leaderboardclaim gepaard ging met een onafhankelijke ranglijst die het model al bevatte, in plaats van een leverancierscijfer dat verwees naar een ranglijst die al bestond vóór het model.
Dezelfde ranglijst zet d1.2-ultra ook als laatste van die 24 modellen op HLE-MultiChoice, met 2,36% ruwe nauwkeurigheid. Beide beweringen zijn tegelijkertijd waar, ze zijn door dezelfde organisatie met hetzelfde instrument op dezelfde dag gemeten, en de ruimte ertussen is het nuttigste in de release.
Waarom deze claim op de ranglijst een ander soort claim is
In oktober kondigde Liquid AI d1-ultra aan met een claim op de eerste plaats, gemeten aan Decision Index v1.0, een ranglijst die twee dagen vóór het bestaan van dat model werd gepubliceerd. Niemand kon het controleren, omdat het model niet op de ranglijst stond. Zo ging het hier niet. Artificial Analysis heeft d1.2-ultra zelf uitgevoerd, op zijn eigen hardware, via zijn eigen testopstelling, en het resultaat is een gerangschikte rij met zes deelscores en een bijgevoegde kalibratiecurve. Wanneer Liquid zegt "de hoogste op de index en twee punten voor op het vorige beste beslissingsmodel", zijn zowel de index als het vorige beste model openbaar, en beide bevestigen dat.
Versie 2.1 is een gewogen gemiddelde van zes evaluaties, en de gewichten zijn niet gelijkmatig verdeeld. AA-Paperclip weegt 30%: 1.500 privédocumenten — cv's, bonnetjes, facturen, onderzoeksartikelen — elk met vijf beslissingen en tien feiten, beoordeeld als één document dat alleen meetelt als alle vijftien antwoorden juist terugkomen. EvalSafe-O*NET-AA, AA-Omniscience-Decision v1.1, HLE-MultiChoice v1.1 en AA-Symmetry v1.1 wegen elk 15%. When2Call, de tool-calling-set van NVIDIA, weegt 10%. Elke vraag wordt gescoord als 50 × (1 + c − (p − c)²), waarbij c aangeeft of de keuze juist was en p de waarschijnlijkheid die het model eraan toekende; dit telt op tot 50 × (1 + nauwkeurigheid − Brier-score). Een zelfverzekerde fout kost meer dan een aarzelende, en een model dat 0,6 zegt en gelijk heeft, scoort beter dan een dat 0,99 zegt en gelijk heeft.
Waar de 75 vandaan komt

Uiteengehaald wordt de eerste plaats gedragen door twee evaluaties en verdedigd door een derde. De rest is onopvallend of erger, wat de moeite waard is om te weten voordat iemand een samengestelde score als een beschrijving van het model behandelt.
• AA-Paperclip, 30% van de index — d1.2-ultra scoort 75.81 op de beslissingsscore, met 67.7% van de documenten volledig correct, beide eerste van de 24. Drex Max v1.1 staat tweede met 72.82 en 63.0%, SubQ Snap 1.2 derde met 71.58. Het model dat het vervangt, Liquid AI d1-ultra, stond op 64.69 en 51.3%.
• When2Call, 10% — d1.2-ultra staat op de eerste plaats met 96,49, vóór SubQ Snap 1.2 met 96,10 en d1.2 met 96,09. Tool calling was al de sterkste troef van het veld; de spreiding hier is anderhalve punt over de top tien.
• AA-Symmetrie, 15% — tweede met 86,34, achter de 88,25 van Mammoth 27B. Op de strengere all-pass-maatstaf verandert het beeld: Mammoth geeft op 68,3% van de vragen hetzelfde antwoord bij parafrasen, Elephant 9B op 65,8%, en d1.2-ultra op 56,7%. Een tweede plaats op de score is geen tweede plaats op consistentie.
• EvalSafe-O*NET-AA, 15% — derde met 89,53, achter Jev 1.14 met 91,14. Dit is de enige component waar het model van een concurrent nog steeds leidt, en het verschil is niet klein genoeg om van ruis te spreken.
• AA-Omniscience-Decision v1.1, 15% — 60,80, wat middenmoot is, en lager dan de 64,39 die d1-ultra scoorde.
• HLE-MultiChoice v1.1, 15% — 46,36 op de beslissingsscore, maar 2,36% ruwe nauwkeurigheid, de laagste van alle 24. Die kloof is geen tegenstrijdigheid; het is hoe een goed gekalibreerd model eruitziet wanneer het bijna alles afwijst. Het niet-hallucinatiepercentage op dezelfde set is 76,1%, wat betekent dat het drie van de vier keer correct zei dat het het niet wist in plaats van te gokken.
De hoofdmetriek onder alle zes, de afzonderlijke nauwkeurigheidsindexscore van AA, zet d1.2-ultra op de eerste plaats met 61,6, vóór GLiDE v1.2 met 59,4 en Drex Max v1.1 met 58,2. De Brier-score van 0,150 is de beste van de 24. Het model wint niet omdat het gekalibreerd is en verder niets; het wint op documenten en kalibratie samen, de combinatie die de index beoogt te belonen.
De score die de andere kant op gaat
Er is een versie van deze release die als een clean sweep leest, en het is de HLE-MultiChoice-rij die dat weerlegt. Twee en een derde procent ruwe nauwkeurigheid op de multiplechoicevragen van Humanity's Last Exam is geen afrondingsfout, en wordt niet wegverklaard door de decline-optie: het model heeft de optie om zich te onthouden, en het doet dat, en de onthouding wordt gescoord als eerlijkheid in plaats van als kennis. Decider v1.3 beantwoordt 15,32% van dezelfde vragen correct. Drex Max v1.1 beantwoordt 8,25%. Liquid AI d1.2, het goedkope model in dezelfde release, beantwoordt 5,30%.
Die laatste vergelijking is de vreemde. Bij de kennisintensieve evaluaties is het kleinere, goedkopere model niet het zwakkere. d1.2 beantwoordt 30,0% van de AA-Omniscience-Decision-vragen correct tegenover 23,6% voor d1.2-ultra, en 5,30% op HLE tegenover 2,36%. Wat d1.2-ultra koopt met zijn extra twee cent per miljoen tokens is geen kennis; het is documentverwerking, symmetrie en kalibratie — de operationele helft van de taak. Als je werklast bestaat uit extractie uit een gescande factuur, is die ruil uiteraard juist. Als het erom gaat moeilijke vragen over de wereld te beantwoorden, is het goedkopere model in dezelfde familie meetbaar beter, en niets in het lanceringsbericht zegt dat.
De factureringswijziging die niet in de kop staat
De meest ingrijpende zin in Liquid's bericht is een factureringsregel, geen benchmark. Bij d1-ultra werd elke vraag gefactureerd als een eigen prompt, inclusief alle bijgevoegde afbeeldingen, dus voor tien vragen over één foto werd tien keer voor de foto betaald. Bij d1.2 en d1.2-ultra worden de tekst en afbeeldingen van het verzoek één keer gefactureerd, en elke extra vraag voegt alleen de eigen tekst toe.
Neem een document van 2.000 tokens met één afbeelding van 1024×1024, die 1.536 tokens kost bij het opgegeven tarief van 1,5 tokens per patch van 32×32 pixels, en tien korte vragen van ongeveer 30 tokens per stuk. Volgens de oude regel bevat die aanvraag ongeveer 35.700 tokens. Volgens de nieuwe bevat die ongeveer 3.840. Bij $0,042 per miljoen invoertokens is dat ongeveer $0,0015 per aanvraag tegen $0,00016 — iets meer dan negen keer goedkoper voor identiek werk tegen een identieke lijstprijs. Bij 100.000 aanvragen per maand is het verschil ongeveer $150 tegen $16. Beide cijfers zijn rekenwerk op basis van de eigen factureringsbeschrijving van de leverancier, geen metingen.
De tweede specificatie die is opgeschoven, is het contextvenster. Artificial Analysis vermeldt 66k tokens voor beide d1.2-modellen, tegenover 33k voor d1-ultra. Het bericht van Liquid noemt helemaal geen venster, dus het cijfer van 66k is de interpretatie van de benchmark in plaats van een specificatie van de leverancier, en het is nog steeds het dubbele van wat de vorige generatie bood. Voor een model dat volledig bedoeld is om state te ontvangen, is dat een grotere praktische verandering dan vier indexpunten.
Vijf nieuwe antwoordtypen, en audio
De toegevoegde mogelijkheden zijn additief in plaats van een herontwerp: hetzelfde endpoint, dezelfde requestvorm, vijf nieuwe soorten antwoorden en een nieuwe invoermodaliteit. Een vraag kan nu om een van de pagina afgelezen waarde vragen — een getal, een datum, een naam — die wordt teruggegeven samen met de tekens waaruit deze is gelezen, of "niet gevonden" als deze ontbreekt. Ze kan vragen om elke span van een bepaald type met posities, wat het PII-geval is. Ze kan vragen om een kader rond één object of een kader rond elk exemplaar plus een telling. Ze kan vragen om een schatting met een bijbehorend bereik. En ze kan vragen om elke toepasselijke optie, elk met een eigen waarschijnlijkheid.
Audio is de andere toevoeging, die in beide richtingen werkt: de opname kan zijn waar de vraag over gaat, of zelf de vraag zijn. Liquid meldt dat beide modellen op niet in de training gebruikte opnamen 95% tot 97% van de vragen beantwoorden over welk geluid ze horen, uit ESC-50, of welke taal er wordt gesproken, uit FLEURS over 43 talen, met elk drie tot zes opties en daarbij bijna-verwarringen zoals Spaans en Portugees.
De nauwkeurigheidscijfers voor de vijf nieuwe taken komen uit interne testsets die zijn samengesteld uit afgescheiden splitsingen van openbare datasets, en de leverancier zegt dat ronduit, omdat er nog geen openbare benchmark is die deze taken dekt. Lees ze als de eigen evaluatie van een leverancier: 98% en 96% voor het lezen van een waarde van een bon op CORD en SROIE, 94%/93% precisie en recall tegenover 92%/88% voor PII-spans op Nemotron PII, 94% voor beide bij objectlocatie binnen de RefCOCO-familie, 93% en 92% bij het tellen binnen één op COCO, en 87% tegenover 90% bij het selecteren van elk aanwezig object — de enige rij waarin het goedkope model wint.
De geldvordering controleren

De prijszin van Liquid is ongewoon controleerbaar: "geen enkel model scoort hoger dan d1.2 voor minder geld, en geen enkel model scoort hoger dan d1.2-ultra tegen elke prijs dan ook." Beide helften doorstaan de confrontatie met het scorebord. Niets op de index van 24 modellen scoort überhaupt boven 74,85, dus de tweede helft is triviaal waar. Voor de eerste: d1.2 staat op 68,69 en $63 per miljoen taken; elk model dat erboven scoort, kost meer, met als dichtstbijzijnde goedkope uitdager Decider v1.3 op 70,41 en $68. De bewering klopt, en ze klopt op andermans cijfers in plaats van die van Liquid, wat zeldzamer is dan het zou moeten zijn.
De kostencijfers zelf zijn afkomstig van Artificial Analysis, dat elke evaluatie tegen de huidige lijstprijzen uitvoert en de resultaten middelt: $133 per miljoen taken voor d1.2-ultra, elfde van 24 tegen een klassemediaan van $135, en $63 voor d1.2, derde goedkoopste. De tijd per taak is 218 ms voor het grote model en 150 ms voor het kleine, tegen een klassemediaan van 209 ms — het topmodel is iets langzamer dan gemiddeld, het goedkope model ruim sneller, en beide zijn een orde van grootte sneller dan de generatieve modellen die op hetzelfde overzicht staan met elf en tweeëndertig seconden per taak.
Waar je het kunt aanroepen, en waartegen je het kunt uitvoeren
Beide modellen zijn vandaag live op de eigen API van Liquid op api.liquid.ai/decisions/v1/systemone, aangeroepen als d1.2-ultra en d1.2, met sleutels uit de Liquid-console, en beide staan op de Liquid-playground. In het bericht van Liquid staat dat er aanvullende platforms van derden aankomen; op het moment van schrijven is de eigen API van de leverancier de route die bestaat. Geen van beide modellen staat in onze catalogus, en dit artikel is geen beschikbaarheidsclaim voor een van beide.
Wat in onze catalogus staat, is Jev 1.14, het model dat voorloopt op het ene onderdeel waarop d1.2-ultra dat niet doet — EvalSafe-O*NET-AA, met 91,14 tegenover 89,53 — aangeboden via dezelfde systemone-endpointvorm, tekst erin en gestructureerde JSON eruit, voor $0,042 per miljoen inputtokens. Die samenloop is nuttig: een team dat deze release evalueert, kan het nieuwe model en het zittende model op dezelfde states zetten zonder een tweede contract of een tweede clientbibliotheek, omdat één API voor 200+ modellen al beide vormen spreekt. Lijstprijzen worden doorgegeven met 0% opslag, dus als Liquid de $0,042 wijzigt, wijzigt het getal hier mee in plaats van pas daarna, en automatische failover betekent dat een model dat één dag oud is een deel van een echte workload kan overnemen zonder dat er de volledige workload aan wordt toevertrouwd.

De aanbeveling die uit de data volgt en niet van de prijspagina: laat het in de schaduw meelopen. d1.2-ultra staat eerste op documenten en eerste op kalibratie, een echt sterke combinatie voor extractiepijplijnen, en het staat laatste bij moeilijke kennisvragen, een echte beperking en geen voetnoot. Voer het de toestanden die je pijplijn daadwerkelijk ziet, vergelijk de waarschijnlijkheden in plaats van de top-1-keuzes, en let op de gevallen waarin het 0,8 antwoordt en fout zit, want die staart is waar de oktobervoorganger van het model slecht scoorde en waar de verbetering zich wel of niet laat zien.
De openstaande vraag is niet of 75 echt is — Artificial Analysis heeft het gemeten en de componenten gepubliceerd. De vraag is of een voor 30% gewogen documentevaluatie op 1.500 privédocumenten generaliseert naar uw documenten. Dat is een vraag die alleen uw eigen gelabelde steekproef kan beantwoorden, en het is de moeite waard die te beantwoorden voordat de factureringswijziging u ertoe verleidt tien vragen per document te stellen in plaats van één.
