
Liquid AI d1.2-ultra zajmuje pierwsze miejsce w Decision Index z wynikiem 75 — a w jednym z sześciu testów plasuje się na ostatniej pozycji
- GoogleNOWOŚĆGoogle: Gemini 4 Carbon2026-11-10$2.00 / $10.00 za 1 mln tokenów · 90 tok/s
- AnthropicNOWOŚĆAnthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 za 1 mln tokenów · 97 tok/s
- orcaNOWOŚĆOrca: OrcaC2 1.02026-11-0717 tok/s
- OrcaNOWOŚĆOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 za 1 mln tokenów · 87 tok/s
- OrcaNOWOŚĆOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 za 1 mln tokenów · 133 tok/s
- OrcaNOWOŚĆOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$4.00 / $20.00 za 1 mln tokenów · 72 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 za 1 mln tokenów · 126 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 za 1 mln tokenów · 65 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 za 1 mln tokenów · 92 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 za 1 mln tokenów · 44 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447Inteligencja
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 za 1 mln tokenów · 193 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929Inteligencja
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 za 1 mln tokenów · 147 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733Inteligencja
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740Inteligencja
- OrcaOrca: OrcaCyber Zero 1.52026-10-10$3.00 / $7.50 za 1 mln tokenów · 123 tok/s
- openaiOpenAI: GPT-6.1 Sol2026-09-2955Inteligencja
- anthropicAnthropic: Claude Sonnet 5.52026-09-2855Inteligencja
- typesafeTypeSafe: Jev 1.132026-09-24$0.04 / $0.00 za 1 mln tokenów · 219 tok/s
Liquid AI d1.2-ultra to pierwszy model w tej kategorii, któremu pierwsze miejsce przyznał ktoś inny niż firma, która go zbudowała. Artificial Analysis ocenił go na 75 w Decision Index v2.1, opublikował tę liczbę na stronie rankingowej samego modelu i umieścił go na pierwszym miejscu wśród 24 modeli decyzyjnych — 2,2 punktu przed Drex Max v1.1 firmy Nace.AI z wynikiem 73. Liquid AI d1.2, mniejsza część tego samego wydania, zajmuje dziewiąte miejsce z wynikiem 69. Oba ukazały się 16 listopada 2026 r., co czyni to pierwszym startem Liquid AI, w którym twierdzenie o pozycji w rankingu pojawiło się, gdy niezależny ranking już zawierał ten model, a nie liczba od dostawcy wskazująca na ranking, który powstał przed nim.
Ten sam ranking umieszcza również d1.2-ultra na ostatnim miejscu wśród tych 24 modeli w HLE-MultiChoice, z 2,36% surowej dokładności. Oba stwierdzenia są jednocześnie prawdziwe, są mierzone przez tę samą organizację tym samym narzędziem tego samego dnia, a odstęp między nimi jest najbardziej użyteczną rzeczą w tym wydaniu.
Dlaczego to twierdzenie z rankingu jest twierdzeniem innego rodzaju
W październiku Liquid AI ogłosiła d1-ultra, twierdząc, że zajmuje pierwsze miejsce według Decision Index v1.0 — rankingu opublikowanego dwa dni przed pojawieniem się tego modelu. Nikt nie mógł tego zweryfikować, ponieważ modelu nie było w rankingu. Tutaj było inaczej. Artificial Analysis samodzielnie uruchomiła d1.2-ultra, na własnym sprzęcie, za pomocą własnego środowiska testowego, a wynikiem jest wiersz w rankingu z sześcioma ocenami składników i dołączoną krzywą kalibracji. Kiedy Liquid mówi „najwyższy w indeksie i o dwa punkty przed poprzednim najlepszym modelem decyzyjnym”, zarówno indeks, jak i poprzedni najlepszy model są publicznie dostępne i oba to potwierdzają.
Wersja 2.1 to średnia ważona sześciu ocen, a wagi nie są rozłożone równomiernie. AA-Paperclip ma wagę 30%: 1 500 prywatnych dokumentów — CV, paragonów, faktur, prac naukowych — z których każdy zawiera pięć decyzji i dziesięć faktów i jest oceniany jako jeden dokument, który liczy się tylko wtedy, gdy wszystkie piętnaście odpowiedzi są poprawne. EvalSafe-O*NET-AA, AA-Omniscience-Decision v1.1, HLE-MultiChoice v1.1 i AA-Symmetry v1.1 mają po 15%. When2Call, zestaw NVIDIA do wywoływania narzędzi, ma wagę 10%. Każde pytanie jest oceniane jako 50 × (1 + c − (p − c)²), gdzie c oznacza, czy wybór był poprawny, a p to prawdopodobieństwo, jakie model mu przypisał; suma daje 50 × (1 + dokładność − wynik Brier'a). Pewny błąd kosztuje więcej niż niepewny, a model, który podaje 0,6 i ma rację, uzyskuje lepszy wynik niż ten, który podaje 0,99 i ma rację.
Skąd się bierze 75

Po rozłożeniu na części pierwsze okazuje się, że pierwsze miejsce opiera się na dwóch ocenach, a broni go trzecia. Pozostałe są niepozorne albo gorsze, co warto wiedzieć, zanim ktoś potraktuje wynik złożony jako opis modelu.
• AA-Paperclip, 30% indeksu — d1.2-ultra uzyskuje 75.81 w punktacji decyzyjnej, przy 67.7% dokumentów w pełni poprawnych; oba wyniki zajmują pierwsze miejsce spośród 24. Drex Max v1.1 jest drugi z 72.82 i 63.0%, SubQ Snap 1.2 trzeci z 71.58. Zastępowany model, Liquid AI d1-ultra, miał 64.69 i 51.3%.
• When2Call, 10% — d1.2-ultra jest pierwszy z wynikiem 96,49, przed SubQ Snap 1.2 z 96,10 i d1.2 z 96,09. Wywoływanie narzędzi było już najmocniejszą stroną tej kategorii; różnica w pierwszej dziesiątce wynosi tutaj półtora punktu.
• AA-Symmetry, 15% — drugie miejsce z wynikiem 86,34, za Mammoth 27B z 88,25. W przypadku bardziej rygorystycznego wskaźnika all-pass obraz się zmienia: Mammoth utrzymuje tę samą odpowiedź przy różnych parafrazach na 68,3% pytań, Elephant 9B na 65,8%, a d1.2-ultra na 56,7%. Drugie miejsce w wyniku to nie drugie miejsce w spójności.
• EvalSafe-O*NET-AA, 15% — trzecie miejsce z wynikiem 89.53, za Jev 1.14 z wynikiem 91.14. To jedyny komponent, w którym model konkurenta wciąż prowadzi, a przewaga jest zbyt duża, by uznać ją za szum.
• AA-Omniscience-Decision v1.1, 15% — 60,80, co plasuje się w środku stawki i jest poniżej wyniku 64,39 uzyskanego przez d1-ultra.
• HLE-MultiChoice v1.1, 15% — 46,36 w wyniku decyzyjnym, ale 2,36% surowej dokładności, najniższej spośród wszystkich 24. Ta luka nie jest sprzecznością; tak wygląda dobrze skalibrowany model, gdy odmawia odpowiedzi w niemal wszystkich przypadkach. Jego wskaźnik braku halucynacji w tym samym zestawie wynosi 76,1%, co oznacza, że w trzech przypadkach na cztery poprawnie stwierdził, że nie wie, zamiast zgadywać.
Główna metryka pod wszystkimi sześcioma, osobny wskaźnik dokładności AA, plasuje d1.2-ultra na pierwszym miejscu z wynikiem 61,6, przed GLiDE v1.2 z 59,4 i Drex Max v1.1 z 58,2. Jego wynik Brier na poziomie 0,150 jest najlepszy spośród 24. Model nie wygrywa wyłącznie dzięki kalibracji; wygrywa dzięki dokumentom i kalibracji razem, czyli kombinacji, którą wskaźnik miał nagradzać.
Wynik, który idzie w drugą stronę
Istnieje wersja odczytu tego wydania jako całkowitego zwycięstwa, którą obala właśnie wiersz HLE-MultiChoice. Wynik 2⅓% surowej dokładności w części wielokrotnego wyboru Humanity's Last Exam nie jest błędem zaokrąglenia i nie da się go wyjaśnić opcją odmowy: model ma możliwość wstrzymania się, korzysta z niej, a wstrzymanie się jest punktowane jako uczciwość, a nie jako wiedza. Decider v1.3 odpowiada poprawnie na 15,32% tych samych pytań. Drex Max v1.1 odpowiada poprawnie na 8,25%. Liquid AI d1.2, tani model w tym samym wydaniu, odpowiada poprawnie na 5,30%.
To ostatnie porównanie jest dziwne. W ewaluacjach mocno opartych na wiedzy mniejszy, tańszy model nie jest słabszy. d1.2 odpowiada poprawnie na 30,0% pytań AA-Omniscience-Decision wobec 23,6% w przypadku d1.2-ultra, a na HLE osiąga 5,30% wobec 2,36%. To, co d1.2-ultra kupuje za dodatkowe dwa centy na milion tokenów, to nie wiedza; to obsługa dokumentów, symetria i kalibracja — operacyjna połowa zadania. Jeśli Twoje obciążenie pracą polega na ekstrakcji z zeskanowanej faktury, ten kompromis jest oczywiście właściwy. Jeśli polega ono na odpowiadaniu na trudne pytania o świecie, tańszy model z tej samej rodziny jest mierzalnie lepszy, a nic w poście premierowym tego nie mówi.
Zmiana w rozliczeniach, której nie ma w nagłówku
Najistotniejszym zdaniem we wpisie Liquid jest reguła rozliczania, a nie wynik benchmarku. W przypadku d1-ultra każde pytanie było rozliczane jako osobny prompt obejmujący wszystkie załączone obrazy, więc zadanie dziesięciu pytań o jedno zdjęcie oznaczało zapłacenie za to zdjęcie dziesięć razy. W przypadku d1.2 i d1.2-ultra żądanie rozlicza swój tekst i obrazy jednorazowo, a każde dodatkowe pytanie dolicza wyłącznie własny tekst.
Weź dokument o rozmiarze 2000 tokenów z jednym obrazem 1024×1024, który przy podanej stawce 1,5 tokena na fragment 32×32 piksele kosztuje 1536 tokenów, oraz dziesięć krótkich pytań po około 30 tokenów każde. Według starej reguły takie żądanie obejmuje około 35 700 tokenów. Według nowej — około 3840. Przy 0,042 USD za milion tokenów wejściowych daje to około 0,0015 USD na żądanie wobec 0,00016 USD — nieco ponad dziewięć razy taniej za identyczną pracę przy identycznej cenie katalogowej. Przy 100 000 żądań miesięcznie różnica wynosi około 150 USD wobec 16 USD. Obie liczby to wynik obliczeń na podstawie opisu rozliczeń samego dostawcy, a nie pomiarów.
Drugim parametrem, który uległ zmianie, jest okno kontekstu. Artificial Analysis podaje 66 tys. tokenów dla obu modeli d1.2, w porównaniu z 33 tys. dla d1-ultra. W poście Liquid nie podano w ogóle okna, więc liczba 66 tys. to odczyt z rankingu, a nie specyfikacja dostawcy, i wciąż jest dwukrotnie większa niż w poprzedniej generacji. W przypadku modelu, którego całym zadaniem jest przyjmowanie stanu, to większa praktyczna zmiana niż cztery punkty indeksu.
Pięć nowych typów odpowiedzi oraz audio
Rozszerzenia możliwości są addytywne, a nie przebudową: ten sam punkt końcowy, ten sam kształt żądania, pięć nowych rodzajów odpowiedzi i nowy tryb wejścia. Pytanie może teraz prosić o wartość odczytaną ze strony — liczbę, datę, nazwę — zwróconą wraz ze znakami, z których ją odczytano, albo „nie znaleziono”, jeśli jest nieobecna. Może prosić o każdy fragment danego rodzaju wraz z pozycjami, co jest przypadkiem PII. Może prosić o ramkę wokół jednego obiektu albo ramkę wokół każdego wystąpienia plus liczbę. Może prosić o szacunek z dołączonym zakresem. I może prosić o każdą mającą zastosowanie opcję, każdą z własnym prawdopodobieństwem.
Audio to drugi dodatek, działający w obu kierunkach: nagranie może być tym, czego dotyczy pytanie, albo samo może być pytaniem. Liquid podaje, że na nagraniach spoza zbioru treningowego oba modele odpowiadają poprawnie na 95% do 97% pytań o to, który dźwięk słyszą – ze zbioru ESC-50 – lub który język jest mówiony – ze zbioru FLEURS obejmującego 43 języki – przy trzech do sześciu opcjach w każdym pytaniu i bliskich pomyłkach, takich jak hiszpański i portugalski w zestawie.
Wskaźniki dokładności dla pięciu nowych zadań pochodzą z wewnętrznych zestawów testowych zbudowanych z wydzielonych części publicznych zbiorów danych i dostawca mówi to wprost, ponieważ żaden publiczny benchmark nie obejmuje jeszcze tych zadań. Należy je czytać jako własną ocenę dostawcy: 98% i 96% przy odczytywaniu wartości z paragonu na CORD i SROIE, 94%/93% precyzji i pełności wobec 92%/88% dla fragmentów PII na Nemotron PII, 94% dla obu na lokalizacji obiektów w rodzinie RefCOCO, 93% i 92% przy zliczaniu z dokładnością do jednego w COCO oraz 87% wobec 90% przy wskazywaniu wszystkich obecnych obiektów — jedyny wiersz, w którym wygrywa tani model.
Sprawdzanie roszczenia pieniężnego

Zdanie Liquid o cenniku jest nietypowo łatwe do sprawdzenia: „żaden model nie osiąga wyniku wyższego niż d1.2 za mniejsze pieniądze, a żaden model nie osiąga wyniku wyższego niż d1.2-ultra za żadną cenę”. Obie połowy wytrzymują konfrontację z tablicą wyników. Nic w indeksie 24 modeli nie osiąga w ogóle wyniku powyżej 74,85, więc druga połowa jest trywialnie prawdziwa. Jeśli chodzi o pierwszą, d1.2 plasuje się na 68,69 i 63 USD za milion zadań; każdy model z wyższym wynikiem kosztuje więcej, a najbliższym tanim rywalem jest Decider v1.3 z wynikiem 70,41 i ceną 68 USD. Twierdzenie się broni i opiera się na cudzych liczbach, a nie na liczbach Liquid, co jest rzadsze, niż powinno być.
Same liczby dotyczące kosztów pochodzą z Artificial Analysis, które przeprowadza każdą ocenę według aktualnych cen katalogowych i uśrednia: 133 USD za milion zadań dla d1.2-ultra, jedenaste miejsce na 24 wobec mediany w klasie wynoszącej 135 USD, oraz 63 USD dla d1.2, trzecie najtańsze. Czas na zadanie to 218 ms dla dużego modelu i 150 ms dla małego, wobec mediany w klasie 209 ms — model flagowy jest nieco wolniejszy od średniej, tani model zdecydowanie szybszy, a oba są o rząd wielkości szybsze niż modele generatywne, które pojawiają się na tej samej tablicy przy jedenastu i trzydziestu dwóch sekundach na zadanie.
Gdzie można to wywołać i na czym to uruchomić
Oba modele są dziś dostępne we własnym API Liquid pod adresem api.liquid.ai/decisions/v1/systemone, wywoływane jako d1.2-ultra i d1.2, z kluczami z konsoli Liquid, a oba znajdują się w Liquid playground. Wpis Liquid mówi, że pojawią się dodatkowe platformy zewnętrzne; w chwili pisania tego tekstu istniejącą drogą jest własne API dostawcy. Żaden z modeli nie znajduje się w naszym katalogu, a ten artykuł nie stanowi twierdzenia o dostępności któregokolwiek z nich.
W naszym katalogu jest Jev 1.14, model, który przewodzi w jednym komponencie, w którym d1.2-ultra nie przewodzi — EvalSafe-O*NET-AA, 91,14 wobec 89,53 — udostępniany w tym samym systemone kształcie punktu końcowego, tekst na wejściu i ustrukturyzowany JSON na wyjściu, w cenie 0,042 USD za milion tokenów wejściowych. Ten zbieg okoliczności jest przydatny: zespół oceniający to wydanie może umieścić nowy model i dotychczasowy model na tych samych stanach bez drugiej umowy lub drugiej biblioteki klienckiej, ponieważ jedno API dla ponad 200 modeli już obsługuje oba kształty. Ceny katalogowe są przekazywane z marżą 0%, więc jeśli Liquid zmieni 0,042 USD, liczba tutaj zmieni się razem z nią, a nie po niej, a automatyczne przełączanie awaryjne oznacza, że model, który ma jeden dzień, może przejąć wycinek rzeczywistego obciążenia bez powierzania mu go całego.

Rekomendacja, która wynika z danych, a nie ze strony z cennikiem: uruchom go w trybie shadow. d1.2-ultra jest pierwszy pod względem dokumentów i pierwszy pod względem kalibracji, co stanowi naprawdę mocną parę dla potoków ekstrakcji, a jednocześnie jest ostatni w trudnych pytaniach wiedzowych, co jest prawdziwym ograniczeniem, a nie przypisem. Przekaż mu stany, które faktycznie widzi twój potok, porównuj prawdopodobieństwa, a nie wybory top-1, i obserwuj przypadki, w których odpowiada 0,8 i się myli, ponieważ ten ogon to miejsce, w którym październikowy poprzednik modelu wypadał słabo i w którym poprawa albo się pojawia, albo nie.
Otwarte pytanie nie brzmi, czy 75 jest prawdziwe — Artificial Analysis to zmierzyło i opublikowało składniki. Brzmi ono, czy ocena dokumentów z 30-procentową wagą, przeprowadzona na 1500 prywatnych dokumentach, uogólnia się na Twoje dokumenty. To pytanie, na które odpowiedzieć może tylko Twoja własna oznaczona próbka, i warto na nie odpowiedzieć, zanim zmiana rozliczeń skusi Cię do zadawania dziesięciu pytań na dokument zamiast jednego.
