Liquid AI d1-ultra: Nowy lider Decision Index, wytrenowany, by wątpić w siebie

Liquid AI d1-ultra został wydany 15 października 2026 roku, a najciekawsze w nim jest liczba, której nikt nie przytacza: w Artificial Analysis Decision Index model, który zastępuje, uzyskał 2 punkty w zakresie niehalucynowania. Liquid AI d1 był na tej samej liście jedynym modelem decyzyjnym, który najdokładniej odpowiadał na pytania wiedzowe — i zarazem najgorszym w swojej klasie w rozpoznawaniu pytań, na które nie potrafił odpowiedzieć. Liquid AI d1-ultra to odpowiedź dostawcy na to i jest ogłaszany z twierdzeniem o pierwszym miejscu: że przewyższa Decision Index o co najmniej osiem punktów względem każdego innego modelu decyzyjnego, w tym tego, który obecnie znajduje się na szczycie tej listy, Jev 1.13. To twierdzenie należy do Liquid, a nie do Artificial Analysis, a lista, do której się odnosi, została opublikowana, zanim ten model istniał. Oba te fakty mają kluczowe znaczenie, a ten materiał utrzymuje je w powiązaniu z liczbami, do których należą. Każda awaria i każde wycofanie u dostawcy, które śledziliśmy, jest odnotowane w Orca AI Incident Archive, który zawiera pełny zestaw rekordów wraz z sąsiednimi wpisami dotyczącymi tego incydentu.

Czym ten model jest mechanicznie, to ten sam zakład, który Liquid stawia od całego roku. Podajesz mu stan — ładunek JSON, zgłoszenie do działu wsparcia, zrzut ekranu panelu — oraz zestaw nazwanych pytań, a on odczytuje odpowiedzi z własnego rozkładu w jednym przebiegu w przód. Żadnego próbkowania, żadnego parsowania, żadnego wymykającego się spod kontroli generowania. Licznik użycia dostawcy raportuje output_tokens: 0, dokładnie tak samo jak w pozostałej części linii d1.

Co Liquid twierdzi, że zbudował, i względem czego to testował

Każda liczba w tej sekcji pochodzi od samego Liquid, podana w poście premierowym, i na moment pisania tego tekstu nie została odtworzona przez nikogo innego. Model opisano jako multimodalny model decyzyjny zbudowany na większej bazie o otwartych wagach, z — jak to ujmuje post — gruntowną personalizacją charakterystyczną dla Liquid, dostrojoną specjalnie pod decyzje silnie oparte na wiedzy — fraza, która brzmi jak bezpośrednie odniesienie do problemu kalibracji opisanego poniżej. Obsługuje te same trzy typy pytań co reszta rodziny. noul jest binarny: podaj mu stwierdzenie, a zwróci P(yes) między 0 a 1. Choice wybiera etykietę i zwraca rozkład oraz poziom ufności. Score umieszcza stan na uporządkowanej skali z prawdopodobieństwami dla poszczególnych poziomów. Wszystkie trzy zwracają dane w formie strukturalnej i żaden z nich nie zużywa tokenów wyjściowych.

Dowody Liquid to seria 112 unikalnych ewaluacji w porównaniu z własnym wcześniejszym d1 i z Jev 1.14, nowszą wersją Jev. Firma twierdzi, że d1-ultra przewyższa Jev 1.14 we wszystkich zadaniach i jest lepiej skalibrowany przy tej samej cenie. To twierdzenie silniejsze i bardziej szczegółowe niż „prowadzi w rankingu”, a także trudniejsze do sprawdzenia, ponieważ kalibracja to właściwość, której nie można odczytać z pojedynczego wyniku. Warto również zauważyć, że Jev 1.14 to komparator nazwany przez dostawcę: nie pojawia się nigdzie w naszym katalogu i nie udało się nam znaleźć publicznego wiersza Decision Index dla niego.

Interfejs API to pojedyncze, niestrumieniowe wywołanie do POST https://api.liquid.ai/decisions/v1/systemone z "model": "d1-ultra". W żadnym z materiałów premierowych nie podano rozmiaru okna kontekstowego, co jest prawdziwą luką, a nie drobnym zaokrągleniem: w przypadku modelu, którego całe zadanie polega na przyjmowaniu stanu, rozmiar stanu, jaki można mu przekazać, jest blisko głównej specyfikacji. Ponieważ nigdy nie generuje tokenów, koszt wyjścia jest strukturalnie zerowy, a strumieniowanie nie ma tu zastosowania.

Omawiany indeks jest starszy niż model

Artificial Analysis opublikowało Decision Index v1.0 w dniu 13 października 2026 — dwa dni przed istnieniem d1-ultra. Ranking składa się z czterech ewaluacji o wadze 25% każda: AA-Omniscience-Decision, prywatny zestaw 500 pytań ocenianych w połowie pod kątem dokładności, a w połowie pod kątem braku halucynacji; HLE-MultiChoice, 513 tekstowych pytań wielokrotnego wyboru zaczerpniętych z Humanity's Last Exam; When2Call, ewaluacja wywoływania narzędzi NVIDIA; oraz WildGuardTest, zestaw klasyfikacji bezpieczeństwa Ai2.

Artykuł, który go wprowadził, nigdzie nie wspomina d1-ultra, co nie jest zaskoczeniem, i dlatego wartość „osiem punktów przewagi” należy odczytywać jako deklarację dostawcy, a nie ranking. W opublikowanym rankingu Jev 1.13 prowadzi w kategorii modeli decyzyjnych z wynikiem 58, a GLiDE i Microsoft-Decision-1 mają ex aequo wynik 54. Dwa modele językowe plasują się ponad nimi wszystkimi: Claude Haiku 5.5 (Low) z wynikiem 61 i GPT-6 Luna (Low) z wynikiem 55. Przeprowadź obliczenia na deklaracji Liquid, a wynik wynosi 66 lub więcej — powyżej najlepszego modelu językowego w rankingu. To może być dokładnie to, co robi ten model. To także dokładnie taki rodzaj twierdzenia, który wymaga, by strona trzecia je odtworzyła, zanim ktokolwiek zacznie na nim planować.

Dlaczego właśnie kalibracja to cała historia

Awaria, której dotyczy d1-ultra, to ta, którą Artificial Analysis nazwało w tym samym artykule. Modele decyzyjne jako klasa okazały się powszechnie nadmiernie pewne siebie: prawdopodobieństwo, które model podaje dla odpowiedzi, regularnie wyprzedza to, jak często ta odpowiedź okazuje się poprawna. Ma to tutaj większe znaczenie, niż miałoby w przypadku chatbota, ponieważ całe wyjście modelu decyzyjnego jest prawdopodobieństwem. Pewny siebie, choć błędny model językowy tworzy akapit, który można przeanalizować. Pewny siebie, choć błędny model decyzyjny generuje liczbę, na której działanie zaprojektowano potok.

Rozrzut wewnątrz klasy jest duży, a d1 znajdował się na złym końcu tego rozrzutu:

• Dokładność decyzyjna AA-Omniscience — Liquid AI d1 był najlepszym modelem decyzyjnym z wynikiem 41, a Jev 1.13 z 35. Modele językowe w tej samej ewaluacji uzyskały 52 i 66.

• Wskaźnik braku halucynacji — Liquid AI d1 uzyskał 2. Jev 1.13 uzyskał 35, Mercury Decide 32, a Microsoft-Decision-1 prowadził z wynikiem 40. Żaden inny model decyzyjny w zestawieniu nie uzyskał wyniku poniżej 17.

• Luka między tymi dwoma wierszami to cały sens. d1 wiedział najwięcej, a przyznawał najmniej. Model wytrenowany do zamknięcia tej luki — w tym jednym wymiarze, w którym poprzednia propozycja Liquid była ostatnia, a nie pierwsza — posunąłby tę klasę do przodu, nawet nie dotykając surowej dokładności.

• HLE-MultiChoice — Jev 1.13 prowadził z wynikiem 21, podczas gdy każdy inny model decyzyjny osiągnął 15 lub mniej. To ewaluacja, w której stawka ma najwięcej przestrzeni do poprawy, a zarazem ta, względem której przebieg 112 ewaluacji Liquid nie podaje wyników.

• When2Call i WildGuardTest — Celeris-1 Decision i GLiDE zremisowały z wynikiem 84 w wywoływaniu narzędzi, a Jev 1.13 był czwarty z 81; GLiDE prowadził pod względem bezpieczeństwa z 95, a Decider v1.1 27B i Jev 1.13 wspólnie z wynikiem 94.

Ile tak naprawdę kosztuje milion decyzji

Cena to ta część premiery, która nie wymaga żadnych zastrzeżeń. Liquid AI d1-ultra jest rozliczany po $0.042 za milion tokenów wejściowych i zupełnie nic za wyjście, ponieważ żadnego wyjścia nie ma. Ta cena jest identyczna jak w d1 i identyczna z tym, co pobieramy za Jev 1.13, co sprawia, że oba modele są bezpośrednio porównywalne pod względem kosztu i pod żadnym innym względem.

Ta arytmetyka jest na tyle prosta, że można ją policzyć na serwetce. Stan o rozmiarze około tysiąca tokenów — średnio szczegółowy ładunek JSON albo strona tekstu — kosztuje $0.042 przy milionie uruchomień. Własne dane Artificial Analysis dotyczące kosztu na milion zadań dla tej klasy mieszczą się między $17 a $199, przy czym Jev 1.13 wypada na $42, Microsoft-Decision-1 na $31, a Decider v1.1 27B na $17; mediana czasu na zadanie w tej klasie wynosi od 0,06 sekundy do pół sekundy. Decyzja oparta na tysiącu tokenów przy $42 za milion zadań lokuje się w środku tego przedziału i to jest właśnie ta przydatna informacja: cena nie wyróżnia się na tle kategorii, a ciekawe pytanie to nie koszt na token, lecz koszt na poprawną decyzję.

Jest jeden szczegół rozliczeniowy, który zaskoczy ludzi, i warto go przeczytać dwa razy. Obrazy są rozliczane jako tekst wejściowy po stawce 1,5 tokena na fragment 32×32 pikseli, co sprawia, że obraz 1024×1024 to 1536 tokenów — a każde pytanie jest rozliczane jako osobny prompt, wraz ze wszystkimi załączonymi obrazami. Zadaj dziesięć osobnych pytań o to samo zdjęcie, a obraz zostanie rozliczony dziesięć razy, więc te dziesięć pytań obejmuje 15 360 tokenów obrazu, zanim pojawi się choć jedno słowo tekstu. Łączenie pytań w jedno wywołanie nie amortyzuje tego. Jeśli Twoje obciążenie jest wizualne, liczbą, która rządzi Twoim rachunkiem, jest liczba pytań pomnożona przez tokeny obrazu, a nie liczba dokumentów pomnożona przez tokeny obrazu.

Gdzie możesz to nazwać

Liquid AI d1-ultra jest już dostępny we własnym API Liquid, przez konsolę Liquid oraz w d1 Playground dla każdego, kto chce go przetestować bez pisania klienta. Producent zapowiedział, że pojawią się dodatkowe platformy; uczciwe podsumowanie na dziś to własne API producenta, a kilka platform firm trzecich ma pojawić się później. We wpisie ogłaszającym premierę znajduje się przykładowy kod, który zadziała bez zmian.

Uwaga dotycząca routingu, i nie jest to zachęta sprzedażowa: Liquid AI d1-ultra nie znajduje się w naszym katalogu, a ten artykuł nie jest deklaracją jego dostępności. To, co jest w naszym katalogu, to Jev 1.13 — model, który obecnie prowadzi w Decision Index — przy tej samej cenie $0,042 za milion tokenów wejściowych i tym samym zerowym koszcie uzupełnień, z oknem kontekstowym 64K, udostępniany przez identyczny systemone endpoint: tekst na wejściu, ustrukturyzowany JSON na wyjściu, bez strumieniowania. To użyteczny zbieg okoliczności dla każdego, kto ocenia tę premierę, ponieważ oznacza to, że pretendent i obecny lider mogą być uruchamiani obok siebie bez drugiej umowy. d1-ultra trafia bezpośrednio do Liquid; obecny lider jest już w naszym katalogu. Oba stoją za jednym API dla ponad 200 modeli, gdzie ceny z cennika są przekazywane z 0% narzutu i gdzie automatyczne przełączanie awaryjne oznacza, że nowy model może przejąć wycinek rzeczywistego obciążenia, bez konieczności powierzania mu całości.

Ta ostatnia część to praktyczna rekomendacja, a nie lokowanie produktu. Model, który ma jeden dzień, którego flagowy benchmark nie został niezależnie odtworzony i którego okno kontekstowe nie zostało opublikowane, nie nadaje się do kierowania na niego produkcyjnego ruchu pierwszego dnia. Nadaje się do uruchomienia równolegle w trybie shadow względem modelu, który już zajmuje to miejsce. Przepuść te same stany przez oba, porównaj rozkłady, a nie etykiety, i wypatruj szczególnie przypadku, w którym d1-ultra mówi 0,8, a okazuje się błędny — bo właśnie o ten przypadek chodzi w całym wdrożeniu i to jest ta jedna liczba, której Liquid nie opublikował.

Co by to rozstrzygnęło

Trzy rzeczy, w kolejności malejącej według tego, jak bardzo zmieniłyby decyzję.

Pierwszy to wiersz Decision Index. Dopóki Artificial Analysis nie przepuści d1-ultra przez własny potok przetwarzania, ośmiopunktowa przewaga nad Jev 1.13 jest wartością podaną przez dostawcę, a poprawa kalibracji względem Jev 1.14 to wartość podana przez dostawcę, która nie ma żadnego publicznego odpowiednika. Ranking jest regularnie aktualizowany, a model decyzyjny, który naprawdę przekracza 66, byłby najciekawszym wynikiem w tej kategorii w tym roku, ponieważ umieściłby model niegeneratywny ponad każdym modelem językowym w tym samym indeksie.

Drugim brakującym elementem jest karta specyfikacji. Okno kontekstowe, opóźnienie przy podanym rozmiarze partii oraz to, czy pytania mogą współdzielić obraz bez ponownego naliczania opłaty — te trzy liczby decydują o tym, czy obciążenie jest wykonalne na długo przed tym, zanim zrobią to wyniki benchmarków. Poprzednia generacja Liquid podejmowała decyzje tekstowe w 200 do 300 milisekund, co jest użytecznym punktem odniesienia, ale nie pomiarem tego modelu.

Trzecia kwestia to kalibracja poza laboratorium. 112 ewaluacji Liquid to wybór zadań dokonany przez samego dostawcę. Nadmierna pewność siebie to cecha, która ujawnia się na ogonie rozkładu — rzadkie trudne pytanie, niejednoznaczny stan, dane wejściowe z rozkładu, którego model nigdy nie widział. Tam właśnie d1 uzyskał wynik 2 i to jedyne miejsce, w którym widoczna byłaby rzeczywista poprawa.

Do tego czasu uczciwe stanowisko jest tym nudnym: cena jest prawdziwa i publiczna, endpoint działa, najgorsza wada tej kategorii jest poprawnie zidentyfikowana, a poprawka jest deklarowana, a nie demonstrowana. Jeśli pracujesz nad ustrukturyzowanymi decyzjami, warto poświęcić na to popołudnie. Nie warto dla tego przeprowadzać migracji.