Liquid AI d1-ultra vs Liquid AI d1-3B: Een gehuurd endpoint voor $0,042 per miljoen, of een checkpoint van 2,87 GB dat je bezit

Liquid AI d1-ultra wordt gefactureerd tegen $0,042 per miljoen inputtokens en draait op andermans accelerator in andermans datacenter. Liquid AI d1-3B kost niets per aanroep en draait op een Jetson Orin Nano op een bureau. Die twee zinnen beschrijven modellen die Liquid AI acht dagen na elkaar uitbracht — d1-3B als een open-weight checkpoint dat op 7 oktober 2026 werd aangekondigd, d1-ultra als een API-only model op 15 oktober — en ze beschrijven dezelfde taak: geef het model een toestand van tekst, afbeeldingen of beide, geef het een reeks getypeerde vragen, en krijg gekalibreerde antwoorden terug uit één enkele forward pass zonder dat er ook maar één outputtoken wordt gegenereerd. Geen van beide schrijft proza. Geen van beide streamt. Het verschil tussen hen is niet "welke is slimmer" in het abstracte, want het eerlijke antwoord hangt volledig af van hoe vaak per dag je het vraagt. Voor een model waarvan de faalwijzen nog niet gedocumenteerd zijn, is de nuttige tegenhanger het verslag van wat elders al is misgegaan: de gedocumenteerde AI-incidenten en agent-fouten rond modellen in deze klasse zijn verzameld in het OrcaRouter AI Incident Archive waar elke vermelding zijn eigen bronnen, ernstgraad, betrouwbaarheidsgraad en betwist-vlag heeft.

Die framing is de reden dat deze vergelijking meer waard is dan een specificatieblad. d1-3B en d1-ultra bevinden zich aan tegenovergestelde uiteinden van een beslissing die Liquid AI nu expliciet heeft gemaakt in zijn eigen documentatie: je kunt het meest capabele model in de familie per token huren, of je kunt een model met 3,12 miljard parameters bezitten en in plaats daarvan betalen in silicium, elektriciteit en engineering-uren. Beide zijn actuele producten. d1-ultra is het nieuwste dat het bedrijf heeft uitgebracht, en d1-3B is waarmee de meeste lezers waarschijnlijk zouden moeten beginnen. Welke het juiste is voor een gegeven pipeline is een rekenkundige vraag met een echt omslagpunt, en die is te beantwoorden met gepubliceerde cijfers — en dat is wat hierna volgt.

Eén opmerking over de bron voordat de cijfers komen, want die is belangrijker dan de opmaak ervan. Bijna alles hieronder is de eigen rapportage van Liquid AI: de modelkaarten, de open-weightpost van 7 oktober en de d1-ultra-post van 15 oktober. We hebben voor dit artikel geen enkele benchmark voor beslissingsmodellen onafhankelijk gereproduceerd, en voor zover wij kunnen nagaan heeft niemand anders dat ook gedaan. Waar een cijfer onze eigen berekening is op basis van een gepubliceerd getal in plaats van iemands meting, staat dat in de zin waarin dat cijfer voorkomt.

Wat elk model daadwerkelijk is, per medio oktober 2026

Liquid AI d1-3B is een open-weight beslissingsmodel met 3,12 miljard parameters, getraind op basis van LFM2.5-VL-3B, een decoder-only vision-language model. Het beschikt over een SigLIP2 NaFlex 400M vision-encoder, een contextvenster van 32.768 tokens en een vocabulaire van 128.000 tokens, neemt tekst, JSON, afbeeldingen of een mengeling daarvan als zijn toestand, en beantwoordt een of meer vragen — Choice, Score of noul, het ja/nee-primitief dat een waarschijnlijkheid tussen 0 en 1 retourneert — in één forward pass. De gewichten staan op Hugging Face onder de LFM Open License, die de leverancier omschrijft als vrij te gebruiken, ook commercieel, onder de 10 miljoen dollar jaaromzet. llama.cpp-ondersteuning vanaf dag één wordt vermeld, met NVFP4-builds voor Apple, AMD, Qualcomm en NVIDIA.

Liquid AI d1-ultra is the same shape of product pointed at a harder problem. It is API-only — there are no weights, no GGUF, no MLX or ONNX export, and the vendor's documentation index lists it in a row whose only downloadable artifact is the word "API". It was built, per the announcement, on "a larger open-weight model with a series of Liquid-specific heavy customizations," which is the entire architectural disclosure: no parameter count, no context window and no latency figure appear on the vendor's pages. Third-party gateway listings put the context window at 32,768 tokens and one listing has described it as roughly 8.3B total parameters with about 1.5B active per token, but those are catalogue entries, not vendor statements, and we treat them as unconfirmed. The model string is d1-ultra, on the same endpoint as d1: https://api.liquid.ai/decisions/v1/systemone.

De reden dat die alinea's zo onevenwichtig zijn, is niet redactioneel. Het is de hele vergelijking. d1-3B is gedocumenteerd tot een detailniveau waarmee je hardware kunt dimensioneren voordat je iets downloadt. d1-ultra is gedocumenteerd tot een detailniveau waarmee je het kunt aanroepen en verder niets.

De twee indexnummers zitten niet op dezelfde meetlat.

Elke secundaire beschouwing over dit paar zal 65 naast 48,57 zetten en je de voor de hand liggende conclusie laten trekken. Lees eerst de labels, want de twee cijfers zijn onder verschillende instrumenten gepubliceerd.

• Het cijfer van d1-3B — 48,57, op de publieke split van Decision Index v0.2.1, in het releasebericht van 7 oktober. De leverancier stelt daarnaast dat het model voorloopt op alles onder de 10B en op hetzelfde niveau zit als Decider 35B-A3B, een model dat twaalf keer zo groot is.

• d1-ultra's score — 65, in het bericht van 15 oktober beschreven als koploper in de Artificial Analysis Decision Index met minstens acht punten voorsprong, met de bewering dat d1-ultra Jev 1.14 op alle taken verslaat. In de berichtgeving over de aankondiging werd Jev 1.14 op 57 genoemd, wat consistent is met een voorsprong van acht punten.

Twee dingen zijn waar en het is de moeite waard ze ronduit te zeggen. Ten eerste: de index achter de 65 van d1-ultra is van een derde partij, maar het cijfer bereikte ons via Liquid AI's eigen aankondiging en via persartikelen daarover — we konden zelf geen openbare tabel laden die 65 toont — dus het is in dit artikel door de leverancier gerapporteerd. Ten tweede: een public-split-score van versie 0.2.1 en een niet-geversioneerde indexscore zijn niet gegarandeerd op dezelfde schaal, en de v0.3-index heeft een private vision-split waar de open release expliciet niet tegen heeft gerapporteerd. Zie het verschil als richtinggevend — het betaalde model is wezenlijk beter — niet als een meting van 16,4 punten. Niemand, onszelf inbegrepen, heeft deze twee modellen door een gemeenschappelijke harness gehaald.

Latentie: het ene getal is gepubliceerd, het andere niet

De snelheid van het open model is ongewoon goed gedocumenteerd, waardoor het ontbreken ervan bij het betaalde model des te opvallender is. De kaart van d1-3B meldt één vraag in 8 ms op een RTX 4090, 9 ms op een AMD MI325X, 16 ms op een Jetson AGX Thor, 26 ms op een Jetson AGX Orin 64 GB, 30 ms op een Apple M5 Pro en 50 ms op een Jetson Orin Nano, waarbij de gepakte doorvoer op de MI325X 1.106 beslissingen per seconde bereikt.

Dat zijn forward-pass-timings op met naam genoemde hardware, geen timings van end-to-end-verzoeken, en dat onderscheid is niet pedant. De laatste keer dat Liquid AI een gehoste latentie voor een beslissingsmodel publiceerde — het bericht van 5 oktober waarin d1 werd geïntroduceerd — bedroeg die 200 tot 300 ms voor een tekstbeslissing, wat een API-roundtrip is, inclusief wachtrijvorming en netwerk, en die is niet vergelijkbaar met een pass van 8 ms op een lokale kaart. Voor d1-ultra heeft de leverancier helemaal geen latentiecijfer gepubliceerd, in geen van beide vormen. Als je pipeline latentiegebonden is in plaats van nauwkeurigheidsgebonden, is die afwezigheid het allerbelangrijkste op deze pagina: je kunt op dit moment niet zeggen of het dure model snel is, en de enige manier om daarachter te komen is het zelf te meten.

Het rekenwerk dat de marketingpagina's niet doen

Hier lopen de twee producten echt uiteen, en het is een berekening die je op een servet kunt maken. Neem een supporttriagepoort die één nieuwe vraag per ticket stelt, 200.000 tickets per maand, met ongeveer 1.200 invoertokens per vraag, inclusief een kleine schermafbeelding. Dat is 240 miljoen invoertokens per maand, en dat is de hoeveelheid die het tarief per miljoen leesbaar maakt.

• Op d1-ultra tegen $0,042 per miljoen inputtokens is dat ongeveer $10,08 per maand. Op d1-3B tegen nul per aanroep is het $0,00 per maand plus wat de hardware ook kost.

• Een Q8_0-build van 2,87 GB past ruimschoots op een Jetson Orin Nano. Als je dat kastje specifiek voor deze workload koopt, wordt de terugverdientijd ten opzichte van de gehoste endpoint gemeten in jaren, niet in weken — wat de eerlijke conclusie is, en niet degene die een hardwareleverancier zou afdrukken.

• Draai het volume om. Bij 200 miljoen vragen per maand — 240 miljard inputtokens — bedraagt de factuur van d1-ultra ongeveer $10.080 per maand, en de lokale build vreet nog steeds dezelfde elektriciteit. Dat is het punt waarop het bezitten van de checkpoint ophoudt een filosofische voorkeur te zijn en een begrotingspost wordt.

Drie kanttekeningen, die allemaal dezelfde kant op wijzen. Elk tokenaantal hierboven is het aantal dat wij hebben gekozen; jouw state-lengte en aantal afbeeldingen zullen verschillen, en afbeeldingen worden als tekst in rekening gebracht tegen 1,5 token per patch van 32×32 pixels, dus één afbeelding van 1024×1024 is 1.536 invoertokens. Elke vraag wordt gefactureerd als een eigen prompt, inclusief de tekst en alle bijbehorende afbeeldingen, dus als je drie vragen stelt over dezelfde screenshot, betaal je drie keer voor die screenshot. En in geen van deze bedragen zit de engineering: de lokale route bezorgt je een kwantisatiekeuze, een runtime die je actueel moet houden, en een vision-encoder die geheugen vreet voordat de 3,12B aan gewichten dat doen. Als je een model een paar duizend keer per maand aanroept, is het gehoste endpoint goedkoper dan de vergadering waarin je besluit om zelf te hosten.

Waar elk ervan ophoudt het juiste antwoord te zijn

Liquid AI d1-3B is de juiste standaardkeuze wanneer een van de volgende zaken de beperkende factor is: data mogen het pand of het apparaat niet verlaten; de netwerksprong is onacceptabel; het volume is zo hoog dat prijs per aanroep de dominante kostenpost wordt; of de toestand is een live camerabeeld of een screenshot die je liever niet naar een derde partij stuurt. De eigen positionering van de leverancier ondersteunt het eerste daarvan — de open release is expliciet gericht op edge- en on-device-implementatie op NVIDIA DGX-, RTX- en Jetson-hardware — en de 17.820 downloads die het checkpoint in zijn eerste maand registreerde, suggereren dat veel mensen snel tot dezelfde conclusie kwamen.

Liquid AI d1-ultra is het juiste antwoord wanneer de beslissing zelf het moeilijke deel is. Kennisintensieve vragen, visuele claims die moeten worden afgezet tegen context uit de echte wereld — de eigen voorbeelden van de leverancier zijn defecten op printplaten en het koppelen van een schadeclaim aan een klantfoto — en long-tailgevallen waarin de confidence van een 3B-model simpelweg niet te vertrouwen is. De specifieke claim die Liquid AI ervoor maakt, is niet alleen nauwkeurigheid maar ook kalibratie: de meeste beslissingsmodellen zijn te zelfverzekerd, stelt het bericht, en d1-ultra is zo getraind dat zijn waarschijnlijkheden iets betekenen. Als je op een waarschijnlijkheid drempelwaarden toepast in plaats van de argmax te nemen — waarbij je alles boven 0,8 naar automatische afhandeling stuurt en al het andere naar een mens — dan is kalibratie allesbepalend, en het is ook de claim in deze release die voor een buitenstaander het moeilijkst te controleren is.

De gevallen waarin geen van beide juist is, verdienen het ook om genoemd te worden. Als je antwoord vrije tekst, een meerstaps-trace of een samenvatting is, dan is een beslissingsmodel het verkeerde hulpmiddel, en de leverancier zegt dat zelf in zijn eigen documentatie. Als je audio in de state nodig hebt in plaats van alleen tekst en afbeeldingen, dan is het derde lid van de familie, d1-omni-600M, degene die dat aankan — d1-ultra daarvoor gebruiken is geen upgrade, het is een categoriale fout.

Dit inpassen in een stack die je al draait

Een beslissingsmodel is bijna nooit de hele pijplijn. Het is de poort: het ding dat bepaalt of een ticket urgent is, of een foto een defect is, of een tool-call wordt goedgekeurd. Iets moet nog steeds het antwoord schrijven, en op de lokale route is dat iets een tweede model dat je nu moet hosten — dat is de echte kostenpost van self-hosting, en degene die nooit in de vergelijking per token opduikt. Het patroon dat bij kleine en middelgrote volumes echt werkt, is een lokaal d1-3B-model voor de hoogfrequente poort en een gehuurd endpoint voor het zeldzame moeilijke geval, met een OrcaRouter-sleutel die de generatieve modellen draagt waarnaar die beslissingen uitwaaieren: één API over 200+ modellen, providerlijstprijs doorgegeven met 0% opslag, en automatische failover tussen providers zodat één slechte middag bij een upstream je triagewachtrij niet in een achterstand verandert. Het is de moeite waard precies te zijn over wat dat wel en niet dekt — wij hosten geen enkel Liquid AI-model, dus de beslissingsaanroep zelf gaat naar de API van Liquid AI of naar het lokale checkpoint, en OrcaRouter is wat daarachter zit.

Zodra je het beslissingsmodel niet langer als vast behandelt, is de vergelijking niet langer binair. De routing-DSL laat je een goedkope poort en een dure writer samenvoegen tot één aanroep, en fusie laat een panel van modellen samen antwoorden wanneer één enkel model niet betrouwbaar genoeg is. Geen van beide is een reden om d1-ultra boven d1-3B te verkiezen. Beide zijn redenen om de keuze opnieuw te bekijken bij het volume waarop de rekensom daadwerkelijk verschuift.

Wat zou dit antwoord veranderen?

Drie dingen, in volgorde van waarschijnlijkheid. Een onafhankelijke benchmark die d1-3B en d1-ultra door dezelfde harness op dezelfde taken laat lopen — op dat moment wordt de kloof van 48,57 tegenover 65 een meting in plaats van een richtinggevende gok. Een gepubliceerde latentie voor d1-ultra, zonder welke elke latentiegevoelige pipeline het gehoste model als onbekend moet behandelen en het eerst in een canary-pad moet meten. En een uiteindelijke release met open gewichten, gebouwd op de grotere backbone, die de geschiedenis van de modelfamilie minder vergezocht maakt dan het klinkt: elk ander d1-model dat gehost begon, was binnen twee dagen downloadbaar.

Tot die tijd geldt de vuistregel. Begin met d1-3B, want het is gratis om te proberen, snel op hardware die je misschien al hebt, en goed genoeg gedocumenteerd om de juiste omvang te bepalen voordat je je vastlegt. Verplaats de specifieke beslissingen die niet overtuigend blijken naar d1-ultra. Het verschil tussen de twee is reëel; het is alleen kleiner dan het prijsverschil suggereert, en veel kleiner dan de indexcijfers impliceren wanneer ze naast elkaar worden afgedrukt zonder hun versielabels.