Liquid AI d1-ultra vs Liquid AI d1: Ten sam endpoint, te same pytania, dwukrotnie wyższa cena — oto punkt przecięcia

Najkrótsza szczera odpowiedź brzmi tak: Liquid AI d1-ultra kosztuje 0,042 USD za milion tokenów wejściowych, a Liquid AI d1 kosztuje 0,02 USD za milion tokenów wejściowych; oba są wywoływane pod tym samym adresem URL z tymi samymi trzema typami pytań, a droższy z nich jest tym, którego należy użyć, gdy pomyłka kosztuje więcej niż podwojenie stawki za wywołanie. To cała decyzja i jest wyjątkowo klarowna, ponieważ poza tym te dwa modele nie różnią się strukturalnie. Zostały wypuszczone w odstępie dziesięciu dni — d1 5 października 2026 r. jako pierwszy model decyzyjny Liquid AI, d1-ultra 15 października jako najbardziej zaawansowany członek rodziny — i oba zostały zbudowane, by robić to samo: przyjmować stan składający się z tekstu, obrazów lub obu tych elementów oraz jedno lub więcej pytań określonego typu i zwracać prawdopodobieństwa z pojedynczego przebiegu w przód, bez generowania żadnych tokenów wyjściowych i bez niczego do strumieniowania. Porównania takie jak to są również miejscem, w którym ujawniają się tryby awarii: udokumentowane incydenty AI i awarie agentów dotyczące modeli w tej klasie są gromadzone w OrcaRouter AI Incident Archive, gdzie każdy wpis zawiera własne źródła, poziom dotkliwości, ocenę pewności i flagę sporu.

To, co czyni tę parę wartą osobnego tekstu, a nie przypisu, polega na tym, że są to substytuty, a nie drabina ze środkowym szczeblem. Nie uruchamiasz d1 i nie przechodzisz awaryjnie do d1-ultra w trudnych przypadkach tak, jak zrobiłbyś to z małym i dużym modelem generatywnym, ponieważ oba są dostępne za tym samym ciągiem modelu w tym samym ciele żądania. Przełączenie kosztuje jedno słowo w ładunku JSON. Pytanie nie brzmi więc, czy aktualizacja jest technicznie dostępna — lecz czy dodatkowe 0,022 USD za milion tokenów wejściowych kupuje cokolwiek, co Twoje konkretne obciążenie może odczuć, a na to można odpowiedzieć za pomocą liczb opublikowanych przez Liquid AI.

Co tak naprawdę się różni, w jednym przebiegu

Ujawnione różnice są mniejsze, niż sugeruje różnica w cenie, a te, których brakuje, mają równie duże znaczenie jak te, które są obecne.

• Cena — $0,042 za milion tokenów wejściowych dla d1-ultra w porównaniu z $0,02 dla d1, oba rozliczane wyłącznie za dane wejściowe, bez opłaty za dane wyjściowe, oba traktują obrazy jak tekst, licząc 1,5 tokena na fragment 32×32 pikseli.

• Backbone — d1-ultra jest opisywany jako zbudowany na „większym modelu o otwartych wagach z szeregiem głębokich dostosowań specyficznych dla Liquid”; ogłoszenie d1 mówi jedynie, że powstał dla pierwszej generacji rodziny, nie podając też nazwy backbone'u.

• Zakres językowy — post inauguracyjny Liquid AI dotyczący d1-ultra podaje 44 języki. Dla d1 nie opublikowano porównywalnej liczby.

• Pozycja w indeksie — twierdzi się, że d1-ultra prowadzi w Artificial Analysis Decision Index z przewagą co najmniej ośmiu punktów; d1 zapowiedziano z sześcioma porównaniami rzeczywistych zastosowań z GPT-6.1 Sol i Claude Opus 5.5, a nie z wynikiem indeksu.

• Liczba parametrów — nie została ujawniona dla żadnego z nich. Okno kontekstowe d1-ultra również nie zostało podane przez dostawcę i pojawia się wyłącznie w katalogach bram podmiotów trzecich z wartością 32 768 tokenów, co traktujemy jako niepotwierdzone, a nie jako specyfikację.

• Opóźnienie — dla d1 opublikowano wartość od 200 do 300 ms w przypadku decyzji tekstowej. d1-ultra nie ma w ogóle opublikowanej wartości opóźnienia.

Na tę ostatnią parę luk warto zwrócić uwagę. Nowszy, droższy model to ten, którego karta specyfikacji jest uboższa. Oczekuje się, że zapłacisz 2,1-krotnie wyższą stawkę za model, którego rozmiar, długość kontekstu i szybkość pozostają nieujawnione, w oparciu o deklarację dotyczącą kalibracji i wartość indeksu podaną przez samego dostawcę.

Twierdzenie, które Liquid AI faktycznie wysuwa

Przeczytaj uważnie wpis o d1-ultra, a jego głównym przesłaniem nie jest dokładność. Chodzi o to, że sama dokładność nie wystarcza w modelu decyzyjnym, ponieważ model decyzyjny emituje również prawdopodobieństwa, a większość z nich jest zbyt pewna siebie. Klasyfikator, który podaje 0,97, a powinno to być 0,72, zrujnuje pipeline oparty na progu, nawet jeśli jego dokładność top-1 jest doskonała, ponieważ każde automatyczne działanie podejmowane powyżej tego progu opiera się na fałszywym założeniu. d1-ultra został wytrenowany — jak mówi wpis — specjalnie po to, aby jego prawdopodobieństwa były lepiej skalibrowane — a informacja o wydaniu podaje, że w 112 unikalnych ewaluacjach bije Jev 1.14 w każdym zadaniu, mając lepszą kalibrację w tej samej cenie.

To zasadniczo inny argument sprzedażowy niż „mądrzejszy”, a jednocześnie najtrudniejsze do zweryfikowania przez osobę z zewnątrz twierdzenie w obu wydaniach. Nic w ogłoszeniu nie pozwala sprawdzić kalibracji na własnych danych przed podjęciem decyzji. Jeśli Twój pipeline przyjmuje argmax i ignoruje prawdopodobieństwo, argument o kalibracji Cię nie dotyczy, a sprawa d1-ultra sprowadza się do luki indeksowej. Jeśli Twój pipeline ustawia progi na prawdopodobieństwie — automatyczna akceptacja powyżej 0,9, eskalacja poniżej — to kalibracja jest jedyną liczbą, która ma znaczenie, i tę liczbę będziesz musiał sam wygenerować z oznaczonej próbki.

Kiedy podwojenie się zwraca

Przelicz to przy takiej skali, przy której różnica stawek przestaje być szumem. Bramka moderacyjna zadająca jedno pytanie noul na post, 500 000 postów miesięcznie, przy około 400 tokenach wejściowych każdy, to 200 milionów tokenów wejściowych miesięcznie.

• W d1 — 4,00 USD miesięcznie. W d1-ultra — 8,40 USD miesięcznie. Różnica czterech dolarów to nie pozycja budżetowa; jest mniejsza niż koszt godziny pracy inżyniera spędzonej na podejmowaniu decyzji.

• Przenieś tę samą bramkę na dane wejściowe obrazu, a liczba tokenów zacznie szybko rosnąć, bo pojedynczy obraz 1024×1024 to 1536 tokenów wejściowych, a każde pytanie ponownie nalicza opłatę za jego tekst i wszystkie jego obrazy. Pięć pytań o to samo zdjęcie oznacza zapłacenie za to zdjęcie pięć razy, co jest błędem projektowym, którego warto unikać niezależnie od tego, na który model się zdecydujesz.

• Przy 20 miliardach tokenów wejściowych miesięcznie — klasyfikator na dużą skalę, a nie projekt pilotażowy — d1 kosztuje około 400 dolarów, a d1-ultra około 840 dolarów. Bezwzględna różnica jest teraz realna i nadal wynosi poniżej tysiąca dolarów w przypadku obciążenia, które przetwarza ilość odpowiadającą dziesiątkom milionów obrazów.

Wniosek, do którego zmusza ta arytmetyka, nie jest tym, którego ludzie oczekują. W przypadku przytłaczającej większości obciążeń decyzyjnych różnica cen między d1-ultra i d1 jest zbyt mała, by była czynnikiem decydującym, co oznacza, że decyzję należy podejmować wyłącznie na podstawie jakości odpowiedzi. Ciekawy wyjątek działa w drugą stronę: jeśli twoje wolumeny są naprawdę ogromne, a zadanie łatwe — binarna bramka na krótkim tekście, bez obrazów — nie powinieneś w ogóle wybierać między tymi dwoma, ponieważ open-weight d1-3B wykonuje tę pracę przy zerowym koszcie za wywołanie. Ceny tej pary są tak zbliżone, że prawdziwe pytanie to to poniżej nich.

Gdzie model decyzyjny jest niewłaściwym narzędziem

Oba modele są udokumentowane dla tych samych czterech zadań: klasyfikacja i routing, punktacja i ocena, bramki binarne oraz inspekcja multimodalna. Dokumentacja samego dostawcy jest równie jasna co do tego, do czego nie służą — generowanie swobodne, czat wieloturwy, podsumowywanie, rozumowanie otwarte, pisanie kodu. Nie ma tokenów wyjściowych do strumieniowania, więc aplikacja, która oczekuje zwrotnego tekstu prozą, otrzyma błąd, a nie gorszą odpowiedź. Warto to podkreślić, ponieważ pokusa, by sięgnąć po model decyzyjny jako tanią namiastkę wywołania generatywnego, jest dokładnie tym, jak potoki kończą na jego niewłaściwym użyciu.

Opublikowane dowody dla starszego modelu są co najmniej konkretne. W sześciu rzeczywistych zastosowaniach testowanych 5 października 2026 r. d1 miał dorównywać GPT-6.1 Sol lub przewyższać go w czterech z nich przy koszcie od 19 do 200 razy niższym i odpowiadać szybciej w każdym zadaniu. Jedno z tych sześciu było przebiegiem kontroli wizualnej części z czterech linii produkcyjnych — płytek drukowanych, świec, nerkowców i gumy do żucia, w zbiorze danych VisA — w którym model sortował dobre od wadliwych z dokładnością od 85 do 97 procent, bez treningu specyficznego dla zadania. Inny usunął 52 procent tokenów w przebiegu kompaktowania kontekstu. To są ewaluacje przeprowadzone przez dostawcę, z podaną metodyką, i nadal są przeprowadzone przez dostawcę: jeden przebieg na model i zastosowanie, ceny katalogowe bez rabatów za cache, a kilka pytań dotyczących kodu i kompaktowania opracowano już po ustaleniu potoku d1. Czytaj je jako dowód, że ta kategoria działa, a nie jako tablicę wyników, którą można przenieść do własnego zadania.

Decyzja o aktualizacji z reguły

Zacznij od d1. Nie dlatego, że jest lepszym modelem — twierdzenie indeksu mówi, że nie jest — ale dlatego, że przy $0.02 za milion tokenów wejściowych bez opłaty za wyjście kilkaset tysięcy wywołań kosztuje grosze, a najszybszym sposobem, aby dowiedzieć się, czy model decyzyjny pasuje do twojego potoku, jest wystawienie go na prawdziwy ruch i spojrzenie na rozkład prawdopodobieństwa, który zwraca. Rejestruj prawdopodobieństwa, nie tylko etykiety. Jeśli skupiają się ciasno wokół skrajności, a twoje progi są stabilne, otrzymujesz kalibrację za darmo i nie masz powodu płacić więcej.

Przechodź na d1-ultra, gdy w tym logu pojawi się konkretny, nazwany błąd: trudne pytanie wiedzowe, wizualnie niejednoznaczne twierdzenie, przypadek, w którym model zwraca 0,6 i naprawdę to ma na myśli. Migracja to zmiana ciągu znaków modelu na tym samym endpoincie, więc może być selektywna — d1-ultra na trasach, które wykazały te błędy, d1 na całej reszcie. Taki jest uczciwy kształt tego porównania. To nie jest wybór albo-albo; to ustawienie dla poszczególnych tras, a ceny są na tyle zbliżone, że możesz pozwolić sobie na chirurgiczną precyzję.

Jest jeden praktyczny szczegół, który warto uwzględnić w planach. Jeśli Twoje decyzje zasilają krok generatywny — odpowiedź, podsumowanie, wywołanie narzędzia — utrzymujesz relacje z dwoma dostawcami, a nie z jednym. OrcaRouter redukuje drugą połowę tego: jeden klucz zgodny z OpenAI dla ponad 200 modeli generatywnych w cenie katalogowej dostawcy przekazywanej dalej z 0% narzutem, więc zmiana ceny u źródła trafia na Twój rachunek tego samego dnia, a nie przy kolejnym odnowieniu umowy, z automatycznym przełączaniem awaryjnym między dostawcami za tym samym punktem końcowym. Żeby było jasne co do granicy: nie hostujemy modeli decyzyjnych Liquid AI, więc wywołanie d1 lub d1-ultra nadal trafia do własnego API Liquid AI, a my obsługujemy wszystko, co następuje po decyzji.

Na co zwrócić uwagę, zanim zdecydujesz się na d1-ultra na dużą skalę

Dwie liczby, obie obecnie brakujące. Pierwsza to opóźnienie: wartość 200–300 milisekund dla d1 nie mówi nic o d1-ultra, a nowszy model nie publikuje niczego, więc każdą trasę wrażliwą na opóźnienia należy najpierw objąć testami kanaryjskimi, a nie migrować hurtowo. Druga to niezależny pomiar kalibracyjny. Porównanie 112 ocen i ośmiopunktowa przewaga w indeksie to własne raporty Liquid AI, a wartość indeksu trafiła do tego artykułu za pośrednictwem ogłoszenia dostawcy i relacji prasowych na jego temat, a nie z tabeli, którą moglibyśmy sami załadować. Kiedy ktoś odtworzy krzywą niezawodności dla któregokolwiek z tych modeli na publicznych danych, premia 2,1-krotna stanie się decyzją zakupową, a nie kwestią uznaniową.

Do tego czasu stanowisko, które wytrzymuje wnikliwą analizę, jest konserwatywne. d1 to wydajny, tani, sprawdzony przez własnego dostawcę model decyzyjny w cenie, która sprawia, że eksperymentowanie jest niemal darmowe. d1-ultra to prawdopodobne ulepszenie, do którego dołączono konkretne, brzmiące na weryfikowalne twierdzenie, a za którym stoi niezwykle uboga specyfikacja. Płacenie podwójnie za ten drugi, zanim masz w ręku awarię, to kupowanie ubezpieczenia od problemu, którego jeszcze nie zaobserwowałeś — co przy tych wolumenach jest nie tyle błędem, co błędem zaokrąglenia. Tylko nie pozwól, aby błąd zaokrąglenia stał się architekturą.