Wygenerowana karta tytułowa z nagłówkiem ‘Ta sama cena, jedno pokolenie różnicy’ i podtytułem ‘Liquid AI d1.2 kontra Liquid AI D1’. Jedna długa pozioma belka wznosi się od lewej do prawej, z etykietą ‘D1 61’ na lewym końcu i ‘d1.2 69’ na prawym końcu. Trzy obrysowane plakietki głoszą: ‘ta sama cena $0.02 za 1 mln tokenów wejściowych’, ‘ten sam endpoint systemone’ i ‘wszystkie sześć komponentów ulepszono’, a wiersz podpisu głosi: ‘dwa wiersze dokładności nadal należą do starszego modelu’. Znak OrcaRouter jest nałożony w prawym dolnym rogu.
Guides & Insights

d1.2 kontra Liquid AI D1: to samo $0.02, sześć wygranych komponentów i dwa wiersze dokładności, które poszły wstecz

Autor

jinhao.song

Data publikacji

Najnowsze modele · 20Zobacz wszystkie modele →
Benchmarki: Artificial Analysis · aktualizowane codziennie
Powrót do wszystkich wpisów

Liquid AI d1.2 i Liquid AI D1 mają tę samą cenę katalogową — 0,02 USD za milion tokenów wejściowych, przy czym rozliczane jest wyłącznie wejście, bez tokenów wyjściowych — działają w tym samym punkcie końcowym i odpowiadają na te same trzy typy pytań. Dzielą je dwie generacje: D1 był pierwszym modelem decyzyjnym w rodzinie, który według Artificial Analysis ukazał się we wrześniu 2026 r., a d1.2 pojawił się 16 listopada 2026 r., pomiędzy nimi zaś d1.1. Wszystko, na czym zwykle opiera się porównanie — cena, umowa, kod klienta, forma wdrożenia — jest identyczne. Zostaje sam model, a jeśli chodzi o model, wynik jest wyraźnie przechylony, ale nie jednoznaczny: d1.2 wygrywa wszystkie sześć ocen Decision Index v2.1 i prowadzi ogółem o 7,9 punktu, podczas gdy D1 nadal wygrywa dwa z surowych wierszy dokładności znajdujących się pod nimi.

Te dwa wiersze są powodem, dla którego warto to przeczytać, a nie tylko przejrzeć. Oba znajdują się na osi wiedzy i oba są bezpośrednim kosztem zmiany, która sprawia, że d1.2 jest lepszy wszędzie indziej — odmawia znacznie częściej. To porównanie jest szablonem tego, jak wygląda aktualizacja „ściśle lepsza”, gdy sprawdzisz podwiersze: duży złożony zysk, rzeczywista poprawa zachowania oraz małe, przewidywalne miejsce, w którym nowy model czegoś się wyrzeka.

Dwa rzędy obok siebie

A generated two-column scoreboard titled ‘d1.2 vs D1 - the scoreboard’. The d1.2 column lists Decision Index 69, AA-Paperclip all-pass 44.3%, AA-Symmetry 76.5, When2Call 96.1, Omniscience non-hallucination 66.6% and price per 1M input tokens $0.02. The D1 column lists 61, 25.7%, 58.7, 81.6, 3.3% and $0.02. The footer reads ‘Both rows per Artificial Analysis Decision Index v2.1; D1 ranks #21 of 25 decision models on the board.’ The OrcaRouter mark is composited bottom right.

Oba modele zostały ocenione przez Artificial Analysis na tej samej wersji tego samego rankingu, co eliminuje zwykłe ryzyko porównywania wyniku dostawcy z niezależnym. Żadna z podanych tu wartości nie pochodzi od Liquid.

• Decision Index v2.1 — 68,69 dla d1.2 (#9 z 25) vs 60,78 dla D1 (#21 z 25). Obecnie dzieli je jedenaście modeli, a różnica jest wystarczająco duża, że żaden prawdopodobny ponowny przebieg jej nie zniweluje.

• Cena za milion tokenów wejściowych — 0,02 USD w obu przypadkach. Bez zmian przez dwie generacje.

• Modelowany koszt na milion zadań — 63 USD w obu przypadkach, czego można oczekiwać przy identycznej cenie tokena i podobnej liczbie tokenów na zadanie. Żaden nie jest tańszy; ranking plasuje oba na trzecim miejscu.

• Czas na zadanie — 150 ms vs 151 ms. Praktycznie identyczne, a oba szybsze niż mediana dla tej klasy wynosząca 206 ms.

• Okno kontekstu — 66 tys. tokenów dla obu, zgodnie z tym, co podano na tablicy. Własne posty Liquid nie podają okna dla żadnego z nich, więc jest to odczyt strony trzeciej, a nie specyfikacja dostawcy.

• Wskaźnik Brier, im niższy, tym lepszy — 0,164 vs 0,196. Poprawa o 0,032 w prawdopodobieństwie przypisanym wybranej odpowiedzi, bez żadnych kosztów.

Ostatni wiersz to ten, przy którym warto się zatrzymać. d1.2 nie tylko częściej ma rację; pewność, którą przypisuje swojej odpowiedzi, jest bliższa prawdy, a to właśnie ta właściwość sprawia, że pipeline progowy w ogóle działa. I przychodzi za darmo.

Sześć komponentów i rozmiar każdej szczeliny

A headless-browser screenshot of the Artificial Analysis d1 model page, captured 18 November 2026 in English, dated September 2026. The summary panel reads that d1 is among the lowest scoring on the Decision Index but well priced and faster than average: a Decision Index score of 61 against a median of 66, 151 ms per task against a median of 206 ms, $0.02 per 1M input tokens, and about $63 per 1M tasks against a median of $137. The rank badge reads #21/25 on the Decision Index and #3/25 on cost, and the technical specification lists text and image input with a 66k-token context window.

Wskaźnik zbiorczy skrywa bardzo nierówny zestaw zmian, a dwie z nich tak naprawdę nie dotyczą dokładności.

• AA-Paperclip, decyzje dokumentowe — 62,60 dla d1.2 wobec 54,92, przy 44,3% dokumentów w pełni poprawnych wobec 25,7%. Ten wiersz all-pass to największa pojedyncza poprawa w wydaniu dla tej pary: faktura z piętnastoma polami, z których czternaście jest poprawnych, liczy się jako błąd w obu modelach, a d1.2 zamienia jedną czwartą dokumentów w niemal połowę.

• When2Call, decyzje dotyczące narzędzi — 96,09 wobec 81,59, z dokładnością 95,5% wobec 77,9%. To ten, który zmienia zakres zastosowań modelu. D1 na poziomie 77,9% to klasyfikator, za którym trzeba postawić człowieka; d1.2 na poziomie 95,5% to taki, któremu można pozwolić kierować.

• Symetria AA, niezmienniczość — 76,52 wobec 58,67, przy 50,0% pełnych zaliczeń wobec 32,5%. Zmiana treści pytania, kolejności opcji, zaprzeczenie pytania tak/nie: odpowiedź starego modelu się zmieniała, nowego w większości nie.

• EvalSafe-O*NET-AA, ocena sytuacji w miejscu pracy — 86,55 wobec 84,21 i 79,7% dokładności wobec 76,3%. Najmniejsza różnica w całym zestawieniu, ale sama w sobie nie jest powodem do migracji.

• AA-Omniscience-Decision v1.1, wiedza — 60,94 wobec 58,31. Prawie trzy punkty, a najciekawsze są podwiersze poniżej.

• HLE-MultiChoice v1.1, trudne pytania — 44,69 wobec 39,80, z dokładnością 5,30% wobec 11,79%. Nowy model odpowiada poprawnie na mniej trudnych pytań, a mimo to uzyskuje o pięć punktów wyższy wynik, ponieważ indeks ocenia prawdopodobieństwo, a nie tylko dokonany wybór.

Prawdziwym ulepszeniem jest historia wstrzymania się.

Spójrz łącznie na wiersze dotyczące braku halucynacji, ponieważ opisują one model, który zmienił swój charakter, a nie dokładność.

• AA-Omniscience-Decision non-hallucination — d1.2 66,6%, D1 3,3%. D1 odpowiedział poprawnie na 39,8% tych pytań i prawie nigdy nie odmawiał; d1.2 odpowiada poprawnie na 30,0% i znacznie częściej odmawia.

• HLE-MultiChoice — brak halucynacji — 53,9% wobec 5,6%, w benchmarku, w którym surowa dokładność D1 jest dwukrotnie wyższa.

• Symetria AA (all-pass) — 50,0% wobec 32,5%, czyli ta sama zmiana widoczna poprzez spójność, a nie poprzez odmowę.

D1 był pierwszym modelem w rodzinie i zachowuje się jak na to przystało: zapytany o coś, na co nie potrafi odpowiedzieć, generuje odpowiedź. Wskaźnik braku halucynacji na poziomie 3,3% oznacza, że w około 97 na 100 pytań wiedzowych, w których poprawną odpowiedzią było wstrzymanie się od odpowiedzi, model się nie wstrzymał. Jeśli twój potok przekazuje przypadki o niskiej pewności do ludzkiego recenzenta, to ta właściwość decyduje, czy bramka działa; model, który nigdy nie mówi „nie wiem”, nie daje nic, względem czego można ustawić próg, a jego prawdopodobieństwa 0,9 znaczą mniej niż prawdopodobieństwa 0,9 modelu d1.2.

Zastrzeżenie jest symetryczne i warte podkreślenia: d1.2 odpowiada poprawnie na mniej trudnych pytań. Jeśli twoim zadaniem jest pytanie wiedzowe z określoną odpowiedzią i bez ścieżki wstrzymania się — czy to twierdzenie jest zgodne z polityką, czy ten kod odpowiada specyfikacji — wymieniasz dokładność na uczciwość, a ta wymiana może nie być darmowa.

Na co nowy model potrafi odpowiedzieć, a stary nie potrafi

d1.2 dodaje pięć typów odpowiedzi i wejście audio. D1 nie ma żadnego z nich i żadna ilość monitowania nie wypełni tej luki, ponieważ kontrakt odpowiedzi nie ma pola na pozycję zakresu ani ramkę otaczającą.

• Wartość wraz ze znakami, z których została odczytana, lub „nie znaleziono” — prymityw ekstrakcji, który eliminuje drugi przebieg generatywny na pole.

• Każdy fragment danego rodzaju wraz z pozycjami — nazwiska, numery telefonów, adresy e-mail — jako podstawowy element redagowania, a nie polecenie streszczenia.

• Ramka wokół jednego obiektu lub wokół każdego wystąpienia wraz z liczbą.

• Szacunek z podanym zakresem.

• Każda odpowiednia opcja z własnym prawdopodobieństwem, zamiast jednego zwycięzcy.

Audio działa w obu kierunkach: nagranie może być tematem, a może być pytaniem. Wskaźniki dokładności dla tego wszystkiego należą do Liquid i pochodzą z wewnętrznych zestawów testowych zbudowanych z wydzielonych części publicznych zbiorów danych, ponieważ żaden publiczny benchmark nie obejmuje nowych zadań — 98% i 96% przy odczycie wartości z paragonu dla d1.2-ultra i d1.2, 94%/93% wobec 92%/88% w przypadku fragmentów danych osobowych, 94% dla obu w lokalizacji obiektów. Traktuj je jako samoocenę dostawcy; w tablicy wyników nie ma na to żadnego wiersza.

Towarzyszy temu jeden szczegół rozliczeniowy. W przypadku D1 każde pytanie było rozliczane jako osobny prompt obejmujący każdy załączony obraz; w przypadku d1.2 żądanie rozlicza swój tekst i obrazy jednorazowo, a każde dodatkowe pytanie dolicza wyłącznie własny tekst. Zadaj dziesięć pytań dotyczących jednego zdjęcia 1024×1024 — 1,536 tokenów obrazu — a stara reguła naliczy około 15,360 tokenów obrazu; nowa naliczy 1,536. Przy identycznej stawce $0.02 wzorzec wielu pytań jest kilkakrotnie tańszy w d1.2, a oszczędność wynika z reguły rozliczania, a nie ze stawki.

Co się psuje, kiedy zmieniasz ciąg znaków?

A headless-browser screenshot of the OrcaRouter model page for typesafe/jev-1.14, captured 18 November 2026 in English, showing the /v1/decisions/v1/systemone endpoint family, Zero Data Retention availability, a $0.04 list price per million input tokens, and measured latencies of 182 ms and 372 ms.

Mniej, niż można by się spodziewać, a wyjątki warto przetestować, zamiast się nimi martwić. Punkt końcowy pozostaje bez zmian api.liquid.ai/decisions/v1/systemone, ciąg modelu zmienia się na d1.2, a trzy pierwotne typy pytań zachowują kształt żądania i odpowiedzi. Klient, który wysyła wartość, wybór i wynik, otrzymuje z powrotem ten sam JSON.

Trzy rzeczy do sprawdzenia na własnej próbce przed przełączeniem ścieżki produkcyjnej:

• Analizowanie „nie znaleziono”. Nowe typy odpowiedzi mogą zwracać jawny brak, a parser, który zakładał niepustą wartość, ulegnie awarii. To funkcja, ale jest to zmiana łamiąca zgodność w ścisłym schemacie.

• Umiejscowienie progu. Prawdopodobieństwa znaczą teraz coś innego. Wartość 0,8 na d1.2 to bardziej wiarygodne 0,8 niż 0,8 na D1, więc próg dostrojony pod nadmierną pewność starego modelu będzie się uruchamiać rzadziej po zamianie. Dostrój go od nowa, zamiast przenosić bez zmian.

• Wycinek wiedzy. Jeśli część Twojego obciążenia pracą to ocena faktów, a nie czytanie dokumentów, mierz ten wycinek osobno. To jedyne miejsce, w którym wyższy wskaźnik wstrzymywania się nowego modelu może kosztować Cię pokrycie, a wiersze dokładności w zestawieniu mówią to wprost.

Kto powinien migrować, a kto najpierw przeprowadzić pomiary

Migruj bez ceregieli, jeśli obciążenie obejmuje ekstrakcję, routing, wybór narzędzi lub klasyfikację wrażliwą na spójność. Każdy opublikowany wiersz przemawia na korzyść d1.2, cena się nie zmienia, a luki w niezmienniczości i wywoływaniu narzędzi są wystarczająco duże, że ponowne uruchomienie raczej ich nie odwróci.

Najpierw zmierz, czy obciążenie polega na ocenie wiedzy na dużą skalę, czy potok ma ręcznie dostrojony próg prawdopodobieństwa. Żadne z nich nie jest powodem, by pozostawać przy D1 — ale oba są powodem, by przepuścić kilka tysięcy rzeczywistych stanów przez oba modele i porównać prawdopodobieństwa, a nie etykiety.

Najpierw dostęp, bo pytanie o migrację zwykle zamienia się w pytanie o zakupy. D1 i d1.2 działają na API Liquid; żadnego z nich nie ma w naszym katalogu i nic tutaj nie jest deklaracją dostępności. Model z naszego katalogu, który należy do tego testu, to Jev 1.14, który podnosi EvalSafe-O*NET-AA do 91.14, podczas gdy d1.2 zatrzymuje się na 86.55, mówi tym samym kształtem systemone i rozlicza $0.042 za milion tokenów wejściowych. Ustaw wszystkie trzy na tych samych stanach, a DSL routingu zapisze podział raz — według typu pytania, nie według usługi — z cenami katalogowymi dostawców przekazywanymi z 0% marży, więc $0.02, które widzisz w ofercie, to $0.02, które płacisz. Automatyczne przełączanie awaryjne to właśnie pozwala modelowi wydanemu dwa dni temu obsługiwać jeden tor aktywnego obciążenia zamiast całego.

To całe porównanie. Ta sama cena, ten sam kontrakt, ten sam endpoint, jedna generacja pracy między nimi oraz sześć zwycięstw w metrykach złożonych wobec dwóch wierszy dokładności, które stary model wciąż utrzymuje — oba z nich leżą na osi wiedzy, gdzie kosztem jest abstynencja d1.2. Jeśli Twoje zadania to ekstrakcja, routing lub klasyfikacja, każdy wiersz, na którym Ci zależy, zmienił się we właściwym kierunku. Jeśli to ocena faktów bez stojącego za nią recenzenta, najpierw uruchom porównanie shadow i pozwól, by liczby na Twoich własnych stanach zdecydowały.