Liquid AI d1-ultra vs Liquid AI d1: hetzelfde endpoint, dezelfde vragen, twee keer de prijs — hier is het omslagpunt

Het kortste eerlijke antwoord is dit: Liquid AI d1-ultra kost $0,042 per miljoen inputtokens en Liquid AI d1 kost $0,02 per miljoen inputtokens, beide worden aangeroepen op dezelfde URL met dezelfde drie vraagtypen, en de duurdere is degene die je moet gebruiken wanneer fout zijn duurder is dan je tarief per aanroep verdubbelen. Dat is de hele beslissing, en ze is ongewoon helder omdat niets anders aan de twee modellen structureel verschilt. Ze werden tien dagen na elkaar uitgebracht — d1 op 5 oktober 2026 als Liquid AI's eerste beslissingsmodel, d1-ultra op 15 oktober als het meest capabele lid van de familie — en beide zijn gebouwd om hetzelfde te doen: een toestand van tekst, afbeeldingen of beide plus een of meer getypte vragen accepteren, en waarschijnlijkheden retourneren uit één enkele forward pass waarbij geen outputtokens worden gegenereerd en niets te streamen valt.Vergelijkingen zoals deze zijn ook waar de faalmodi naar voren komen: de gedocumenteerde AI-incidenten en agentfouten achter modellen in deze klasse zijn verzameld in het OrcaRouter AI Incident Archive waar elke vermelding zijn eigen bronnen, ernst, betrouwbaarheidsgraad en betwiste markering bevat.

Wat het paar een artikel waard maakt in plaats van een voetnoot, is dat het om substituten gaat, niet om een ladder met een middelste sport. Je draait niet d1 en valt bij moeilijke gevallen niet terug op d1-ultra zoals je dat bij een klein en een groot generatief model zou doen, omdat beide via dezelfde model-string in dezelfde request body worden aangestuurd. Overschakelen kost één woord in een JSON-payload. De vraag is dus niet of de upgrade technisch beschikbaar is — maar of de extra $0,022 per miljoen input-tokens iets oplevert dat jouw specifieke workload kan voelen, en dat is te beantwoorden met de cijfers die Liquid AI heeft gepubliceerd.

Wat verschilt er eigenlijk, in één doorgang?

De bekendgemaakte verschillen zijn minder talrijk dan het prijsverschil doet vermoeden, en degenen die ontbreken wegen even zwaar als degenen die aanwezig zijn.

Prijs — $0,042 per miljoen inputtokens voor d1-ultra tegenover $0,02 voor d1; beide worden alleen op basis van input gefactureerd, zonder kosten voor output, en bij beide tellen afbeeldingen als tekst met 1,5 tokens per patch van 32×32 pixels.

• Backbone — d1-ultra wordt beschreven als gebouwd op "een groter open-weight model met een reeks zware, Liquid-specifieke aanpassingen"; de aankondiging van d1 zegt alleen dat het is gebouwd voor de eerste generatie van de familie, waarbij ook geen backbone wordt genoemd.

• Taaldekking — In de lanceringspost van Liquid AI voor d1-ultra worden 44 talen vermeld. Voor d1 werd geen vergelijkbaar cijfer gepubliceerd.

• Indexpositie — d1-ultra zou met minstens acht punten aan kop gaan in de Artificial Analysis Decision Index; d1 werd aangekondigd met zes praktijkvergelijkingen tegenover GPT-6.1 Sol en Claude Opus 5.5 in plaats van met een indexscore.

• Aantal parameters — voor geen van beide bekendgemaakt. Het contextvenster van d1-ultra wordt ook niet door de leverancier vermeld en verschijnt alleen in catalogi van externe gateways bij 32.768 tokens, wat wij als onbevestigd beschouwen en niet als een specificatie.

• Latentie — voor d1 werd een latentie van 200 tot 300 ms gepubliceerd voor een tekstbeslissing. d1-ultra heeft helemaal geen gepubliceerd latentiecijfer.

Dat laatste paar hiaten is wat opvalt. Het nieuwere, duurdere model is juist het model waarvan het specificatieblad leger is. Er wordt van u gevraagd 2,1 keer het tarief te betalen voor een model waarvan de omvang, contextlengte en snelheid allemaal niet bekend zijn, op basis van een calibratieclaim en een indexcijfer dat de leverancier zelf heeft gerapporteerd.

De claim die Liquid AI eigenlijk maakt

Lees de d1-ultra-post aandachtig: de pitch is niet nauwkeurigheid. Het punt is dat nauwkeurigheid alleen onvoldoende is voor een beslissingsmodel, omdat een beslissingsmodel ook waarschijnlijkheden afgeeft, en de meeste daarvan zijn overmatig zelfverzekerd. Een classifier die 0,97 zegt en 0,72 bedoelt, zal een op drempels gebaseerde pipeline vernielen, zelfs als zijn top-1-nauwkeurigheid uitstekend is, omdat elke geautomatiseerde actie die je boven die drempel onderneemt, op een valse premisse is gebaseerd. d1-ultra is, zo staat in de post, specifiek getraind zodat zijn waarschijnlijkheden beter gekalibreerd zijn — en de release meldt dat het over 112 unieke evaluaties Jev 1.14 op elke taak verslaat met betere kalibratie tegen dezelfde prijs.

Dit is een wezenlijk ander verkoopargument dan 'slimmer', en het is ook de moeilijkst te verifiëren bewering in beide releases voor een buitenstaander. Niets in de aankondiging stelt je in staat om calibratie op je eigen data te controleren voordat je je vastlegt. Als je pipeline de argmax neemt en de waarschijnlijkheid negeert, geldt de calibratiepitch niet voor jou, en komt de zaak van d1-ultra neer op het indexgat. Als je pipeline een drempelwaarde op de waarschijnlijkheid toepast — automatisch goedkeuren boven 0,9, escaleren eronder — dan is calibratie het enige getal dat ertoe doet, en dat is een getal dat je zelf zult moeten produceren op basis van een gelabelde steekproef.

Wanneer de verdubbeling zichzelf terugverdient

Werk het door bij een volume waar het tariefverschil ophoudt ruis te zijn. Een moderatiepoort die één noul-vraag per bericht stelt, 500.000 berichten per maand, bij ongeveer 400 invoertokens per stuk, is 200 miljoen invoertokens per maand.

Op d1 — $4,00 per maand. Op d1-ultra — $8,40 per maand. Het verschil van vier dollar is geen begrotingspost; het is kleiner dan de kosten van het engineer-uur dat aan de beslissing wordt besteed.

• Pas dezelfde gate toe op beeldinvoer, en de tokenaantallen stijgen snel, want één afbeelding van 1024×1024 is 1.536 invoertokens en elke vraag factureert de tekst en alle afbeeldingen ervan opnieuw. Vijf vragen over dezelfde foto betekenen dat je vijf keer voor die foto betaalt, wat een ontwerpfout is die je beter vermijdt, ongeacht welk model je kiest.

• Bij 20 miljard invoertokens per maand — een grootschalige classifier, geen pilot — kost d1 ongeveer $400 en d1-ultra ongeveer $840. Het absolute verschil is nu reëel, en het blijft onder de duizend dollar voor een workload die het equivalent van tientallen miljoenen afbeeldingen verwerkt.

De conclusie die deze berekening afdwingt, is niet de conclusie die mensen verwachten. Voor de overgrote meerderheid van workloads voor besluitvorming is het prijsverschil tussen d1-ultra en d1 te klein om de beslissende factor te zijn, wat betekent dat de beslissing volledig op basis van de kwaliteit van de antwoorden moet worden genomen. De interessante uitzondering loopt de andere kant op: als je volume echt enorm is en je taak eenvoudig is — een binaire poort op korte tekst, geen afbeeldingen — zou je helemaal niet tussen deze twee moeten kiezen, want de open-weight d1-3B doet dat werk tegen nul per aanroep. De prijsstelling van dit tweetal ligt dicht genoeg bij elkaar dat de echte vraag de vraag daaronder is.

Waar een beslissingsmodel het verkeerde instrument is

Beide modellen zijn gedocumenteerd voor dezelfde vier taken: classificatie en routering, scoren en beoordelen, binaire poorten en multimodale inspectie. De eigen documentatie van de leverancier is even duidelijk over waarvoor ze niet bedoeld zijn — vrije generatie, meerbeurtige chat, samenvatten, open einde redeneren, code schrijven. Er zijn geen uitvoertokens om te streamen, dus een applicatie die proza terug verwacht krijgt een fout, niet een slechter antwoord. Dat is het vermelden waard, want de verleiding om naar een beslissingsmodel te grijpen als goedkoop substituut voor een generatieve aanroep is precies hoe pipelines er uiteindelijk een verkeerd gebruiken.

Het gepubliceerde bewijs voor het oudere model is op zijn minst concreet. In zes echte toepassingen die op 5 oktober 2026 werden getest, zou d1 op vier daarvan GPT-6.1 Sol evenaren of verslaan tegen 19 tot 200 keer lagere kosten en op elke taak sneller antwoorden. Een van die zes was een visuele-inspectierun over onderdelen van vier productielijnen — printplaten, kaarsen, cashewnoten en kauwgom, op de VisA-dataset — waarbij het model goede van defecte exemplaren onderscheidde met 85 tot 97 procent nauwkeurigheid zonder taakspecifieke training. Een andere verwijderde 52 procent van de tokens in een context-compactiepass. Dat zijn door leveranciers uitgevoerde evaluaties met een vermelde methodologie, en ze zijn nog steeds door leveranciers uitgevoerd: één run per model per toepassing, lijstprijzen zonder cachediscounts, en verschillende van de code- en compactievragen zijn opgesteld nadat d1's pijplijn al was vastgelegd. Lees ze als bewijs dat de categorie werkt, niet als een scorebord dat je naar je eigen taak kunt overbrengen.

De upgradebeslissing, in de regel

Begin met d1. Niet omdat het het betere model is — de claim in de index zegt van niet — maar omdat het tegen $0,02 per miljoen invoertokens zonder kosten voor output een paar honderdduizend aanroepen slechts centen kost, en de snelste manier om erachter te komen of een beslissingsmodel bij je pipeline past, is er een voor echt verkeer te zetten en naar de waarschijnlijkheidsverdeling te kijken die het retourneert. Log de waarschijnlijkheden, niet alleen de labels. Als ze zich strak rond de extremen clusteren en je drempels stabiel zijn, krijg je kalibratie voor niets en heb je geen reden om meer te betalen.

Stap over op d1-ultra wanneer een specifieke, met naam genoemde fout in dat log verschijnt: de moeilijke kennisvraag, de visueel ambiguë bewering, het geval waarin het model 0,6 teruggeeft en het meent. De migratie is een wijziging van de model-string op hetzelfde endpoint, dus hij kan selectief zijn — d1-ultra op de routes die de fouten vertoonden, d1 op al het overige. Dat is de eerlijke vorm van deze vergelijking. Het is geen of/of-keuze; het is een instelling per route, en de prijsstelling ligt dicht genoeg bij elkaar dat je het je kunt veroorloven om er chirurgisch mee om te gaan.

Er is één praktische hobbel waar u rekening mee moet houden. Als uw beslissingen een generatieve stap aansturen — een antwoord, een samenvatting, een toolaanroep — dan onderhoudt u twee leveranciersrelaties, niet één. OrcaRouter laat de tweede helft daarvan samenvallen: één OpenAI-compatibele sleutel voor meer dan 200 generatieve modellen tegen de lijstprijs van de provider, doorgegeven met 0% markup, zodat een prijswijziging upstream dezelfde dag op uw factuur terechtkomt in plaats van bij de volgende contractverlenging, met automatische failover tussen providers achter dezelfde endpoint. Om precies te zijn over waar de grens ligt: wij hosten de beslissingsmodellen van Liquid AI niet, dus de aanroep naar d1 of d1-ultra gaat nog steeds naar de eigen API van Liquid AI, en wat wij aanbieden is alles stroomafwaarts van de beslissing.

Waar je op moet letten voordat je je op grote schaal vastlegt op d1-ultra

Twee getallen, die beide momenteel ontbreken. Het eerste is latentie: de waarde van 200 tot 300 milliseconden voor d1 zegt niets over d1-ultra, en het nieuwere model publiceert niets, dus elke latentiegevoelige route zou via canary moeten worden uitgerold in plaats van in één keer te worden gemigreerd. Het tweede is een onafhankelijke kalibratiemeting. De vergelijking op basis van 112 evaluaties en de voorsprong van acht punten in de index zijn de eigen rapportage van Liquid AI, en het indexcijfer bereikte dit artikel via de aankondiging van de leverancier en de persberichtgeving daarover, niet via een tabel die we zelf konden laden. Wanneer iemand een betrouwbaarheidscurve voor een van beide modellen op openbare data reproduceert, wordt de 2,1-voudige meerprijs een aankoopbeslissing in plaats van een kwestie van inschatting.

Tot die tijd is de positie die de toets der kritiek doorstaat, een conservatieve. d1 is een capabel, goedkoop, door zijn eigen leverancier bewezen beslissingsmodel tegen een prijs die experimenteren bijna gratis maakt. d1-ultra is een aannemelijke verbetering met een specifieke, controleerbaar klinkende claim eraan verbonden en een ongewoon dun specificatieblad erachter. Het dubbele betalen voor de tweede voordat je een storing hebt vastgesteld, is een verzekering kopen tegen een probleem dat je nog niet hebt waargenomen — wat bij deze volumes niet zozeer een fout is als wel een afrondingsfout. Zorg er alleen voor dat de afrondingsfout niet de architectuur wordt.