Liquid AI d1-ultra vs Liquid AI d1-3B: wynajmowany endpoint za 0,042 USD za milion czy checkpoint 2,87 GB, który posiadasz

Liquid AI d1-ultra jest rozliczany po 0,042 USD za milion tokenów wejściowych i działa na cudzym akceleratorze w cudzym centrum danych. Liquid AI d1-3B nie kosztuje nic za wywołanie i działa na Jetson Orin Nano na biurku. Te dwa zdania opisują modele, które Liquid AI wypuściła w odstępie ośmiu dni — d1-3B jako checkpoint o otwartych wagach ogłoszony 7 października 2026 r., d1-ultra jako model dostępny wyłącznie przez API 15 października — i opisują to samo zadanie: przekazać modelowi stan złożony z tekstu, obrazów lub obu tych elementów, przekazać mu zestaw typowanych pytań i otrzymać z powrotem skalibrowane odpowiedzi z pojedynczego przejścia w przód bez wygenerowania ani jednego tokenu wyjściowego. Żaden nie pisze prozy. Żaden nie streamuje. Różnica między nimi nie polega na abstrakcyjnym pytaniu „który z nich jest mądrzejszy”, ponieważ uczciwa odpowiedź zależy wyłącznie od tego, ile razy dziennie pytasz. Dla modelu, którego tryby awarii wciąż nie są udokumentowane, użytecznym odpowiednikiem jest zapis tego, co już poszło nie tak gdzie indziej: udokumentowane incydenty AI i awarie agentów dotyczące modeli z tej klasy są zbierane w OrcaRouter AI Incident Archive gdzie każdy wpis ma własne źródła, wagę, stopień pewności i znacznik sporności.

To ujęcie jest powodem, dla którego to porównanie jest warte więcej niż karta specyfikacji. d1-3B i d1-ultra stoją po przeciwnych stronach decyzji, którą Liquid AI jasno przedstawiła we własnej dokumentacji: możesz wynajmować za tokeny model o największych możliwościach w rodzinie albo posiadać model o 3,12 miliarda parametrów i płacić zamiast tego krzemem, energią elektryczną i godzinami pracy inżynierów. Oba są obecnymi produktami. d1-ultra to najnowszy produkt, jaki firma wypuściła, a d1-3B to ten, od którego większość czytelników powinna prawdopodobnie zacząć. To, który z nich jest odpowiedni dla danego pipeline’u, jest pytaniem arytmetycznym z rzeczywistym punktem przecięcia, na które można odpowiedzieć za pomocą opublikowanych liczb — i to właśnie następuje poniżej.

Jedna uwaga o źródłach, zanim przejdziemy do liczb, bo ma większe znaczenie niż jej formatowanie. Niemal wszystko poniżej pochodzi z własnych materiałów Liquid AI: kart modeli, wpisu z 7 października o otwartych wagach i wpisu z 15 października o d1-ultra. Nie odtworzyliśmy niezależnie żadnego benchmarku modelu decyzyjnego na potrzeby tego artykułu i, o ile nam wiadomo, nikt inny też tego nie zrobił. Tam, gdzie jakaś liczba jest wynikiem naszych obliczeń na podstawie opublikowanej wartości, a nie czyjegoś pomiaru, jest to zaznaczone w zdaniu, które ją zawiera.

Czym tak naprawdę jest każdy z modeli, według stanu na połowę października 2026

Liquid AI d1-3B to model decyzyjny z otwartymi wagami o 3,12 miliarda parametrów, wytrenowany na bazie LFM2.5-VL-3B, modelu wizyjno-językowego typu decoder-only. Zawiera enkoder wizyjny SigLIP2 NaFlex 400M, okno kontekstowe 32 768 tokenów oraz słownik 128 000 tokenów, przyjmuje jako swój stan tekst, JSON, obrazy lub ich mieszankę i odpowiada na jedno lub więcej pytań — Choice, Score albo noul, podstawowy element tak/nie, który zwraca prawdopodobieństwo między 0 a 1 — w jednym przebiegu w przód. Wagi są dostępne na Hugging Face na licencji LFM Open License, którą dostawca opisuje jako darmową do użytku, w tym komercyjnego, poniżej 10 milionów dolarów rocznego przychodu. Wsparcie dla llama.cpp od pierwszego dnia jest deklarowane, wraz z kompilacjami NVFP4 dla Apple, AMD, Qualcomm i 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.

Powód, dla którego te akapity są tak nierówne, nie jest redakcyjny. To całe porównanie. d1-3B jest udokumentowany na takim poziomie szczegółowości, że pozwala określić wymagania sprzętowe, zanim cokolwiek pobierzesz. d1-ultra jest udokumentowany na takim poziomie szczegółowości, że pozwala tylko go wywołać i nic więcej.

Te dwie liczby indeksowe nie znajdują się na tej samej skali

Każde wtórne omówienie tej pary postawi 65 obok 48,57 i pozwoli ci wyciągnąć oczywisty wniosek. Najpierw przeczytaj etykiety, ponieważ te dwie liczby opublikowano w ramach różnych instrumentów.

• Wynik d1-3B — 48,57, na publicznym podziale Decision Index v0.2.1, we wpisie o wydaniu z 7 października. Dostawca dodatkowo twierdzi, że model wyprzedza wszystko poniżej 10B i dorównuje Decider 35B-A3B, modelowi dwunastokrotnie większemu.

• wynik d1-ultra — 65, opisany we wpisie z 15 października jako prowadzący w Artificial Analysis Decision Index z przewagą co najmniej ośmiu punktów, z twierdzeniem, że d1-ultra bije Jev 1.14 we wszystkich zadaniach. Doniesienia prasowe o ogłoszeniu podały, że Jev 1.14 ma 57, co jest zgodne z ośmiopunktową przewagą.

Dwie rzeczy są prawdziwe i warte powiedzenia wprost. Po pierwsze, indeks stojący za wynikiem 65 modelu d1-ultra należy do strony trzeciej, ale liczba ta dotarła do nas za pośrednictwem własnego ogłoszenia Liquid AI oraz artykułów prasowych na jego temat — sami nie mogliśmy wczytać publicznej tabeli pokazującej 65 — więc w tym artykule jest to wartość raportowana przez dostawcę. Po drugie, nie ma gwarancji, że wynik publicznego splitu w wersji 0.2.1 i wynik indeksu bez wersji są na tej samej skali, a indeks v0.3 ma prywatny split wizyjny, względem którego otwarte wydanie wyraźnie nie raportowało wyników. Traktuj tę lukę jako kierunkową — model płatny jest znacząco lepszy — a nie jako pomiar 16,4 punktu. Nikt, w tym my, nie przepuścił tych dwóch modeli przez wspólny harness.

Opóźnienie: jedna liczba jest publikowana, druga nie.

Szybkość modelu otwartego jest wyjątkowo dobrze udokumentowana, przez co tym bardziej rzuca się w oczy brak takiej informacji w modelu płatnym. W karcie modelu d1-3B podano, że pojedyncze pytanie zajmuje 8 ms na RTX 4090, 9 ms na AMD MI325X, 16 ms na Jetson AGX Thor, 26 ms na Jetson AGX Orin 64 GB, 30 ms na Apple M5 Pro i 50 ms na Jetson Orin Nano, a przepustowość w trybie packed sięga 1 106 decyzji na sekundę na MI325X.

To są czasy forward pass na konkretnie wskazanym sprzęcie, a nie czasy obsługi żądania end-to-end, i to rozróżnienie nie jest pedantyczne. Ostatnim razem, gdy Liquid AI opublikowało opóźnienie hostowanej usługi dla modelu decyzyjnego — w poście z 5 października wprowadzającym d1 — wynosiło ono od 200 do 300 ms dla decyzji tekstowej, co stanowi pełny obieg API obejmujący kolejkowanie i sieć, i nie można tego porównywać z 8-milisekundowym forward passem na lokalnej karcie. Dla d1-ultra dostawca nie opublikował żadnej wartości opóźnienia, w żadnej z obu form. Jeśli Twój potok jest ograniczony opóźnieniem, a nie dokładnością, ten brak jest najważniejszą rzeczą na tej stronie: obecnie nie możesz stwierdzić, czy kosztowny model jest szybki, a jedynym sposobem, aby się tego dowiedzieć, jest zmierzenie go samodzielnie.

Arytmetyka, której nie wykonują strony marketingowe

Tu właśnie dwa produkty naprawdę się rozchodzą, a to obliczenie, które można zrobić na serwetce. Weźmy bramkę do triażu zgłoszeń, która zadaje jedno nowe pytanie na zgłoszenie, 200 000 zgłoszeń miesięcznie, przy około 1200 tokenach wejściowych na pytanie, w tym mały zrzut ekranu. To daje 240 milionów tokenów wejściowych miesięcznie, czyli ilość, która sprawia, że stawka za milion staje się czytelna.

• W przypadku d1-ultra przy $0.042 za milion tokenów wejściowych, to około $10.08 miesięcznie. W przypadku d1-3B przy zerowej stawce za wywołanie, to $0.00 miesięcznie plus koszty sprzętu.

• Wersja Q8_0 o rozmiarze 2,87 GB bez problemu mieści się na Jetson Orin Nano. Jeśli kupujesz to urządzenie specjalnie pod to obciążenie, okres zwrotu w porównaniu z hostowanym endpointem mierzy się w latach, a nie w tygodniach — co jest uczciwym wnioskiem, ale nie takim, jaki wydrukowałby producent sprzętu.

• Przelicz to na wolumen. Przy 200 milionach pytań miesięcznie — 240 miliardach tokenów wejściowych — rachunek za d1-ultra wynosi około 10 080 dolarów miesięcznie, a lokalny build wciąż zużywa tę samą energię elektryczną. I właśnie w tym momencie posiadanie checkpointu przestaje być filozoficzną preferencją, a staje się pozycją kosztową.

Trzy zastrzeżenia, z których wszystkie prowadzą do tego samego wniosku. Każda podana powyżej liczba tokenów jest tą, którą wybraliśmy; twoja długość stanu i liczba obrazów będą inne, a obrazy są rozliczane jak tekst po 1,5 tokenu za fragment 32×32 piksele, więc pojedynczy obraz 1024×1024 to 1536 tokenów wejściowych. Każde pytanie jest rozliczane jako osobny prompt, obejmujący jego tekst i wszystkie jego obrazy, więc zadanie trzech pytań o ten sam zrzut ekranu oznacza zapłatę za ten zrzut trzy razy. A nic z tego nie wycenia pracy inżynierskiej: lokalna ścieżka daje ci wybór kwantyzacji, środowisko uruchomieniowe, które trzeba utrzymywać w aktualności, oraz enkoder wizji, który zjada pamięć, zanim zrobią to wagi 3,12B. Jeśli wywołujesz model kilka tysięcy razy w miesiącu, hostowany endpoint jest tańszy niż spotkanie, na którym decydujesz się na self-hosting.

Gdzie każdy z nich przestaje być właściwą odpowiedzią

Liquid AI d1-3B jest właściwym domyślnym wyborem, gdy którekolwiek z poniższych stanowi wiążące ograniczenie: dane nie mogą opuścić siedziby ani urządzenia; przeskok sieciowy jest nie do przyjęcia; wolumen jest na tyle wysoki, że cena za wywołanie staje się dominującym kosztem; albo stan jest klatką z kamery na żywo lub zrzutem ekranu, którego wolałbyś nie wysyłać stronie trzeciej. Sposób, w jaki ujmuje to sam dostawca, przemawia za pierwszym z tych przypadków — otwarte wydanie jest wyraźnie ukierunkowane na wdrożenia brzegowe i na urządzeniach na sprzęcie NVIDIA DGX, RTX i Jetson — a 17 820 pobrań, które checkpoint odnotował w pierwszym miesiącu, sugeruje, że wielu ludzi szybko doszło do tego samego wniosku.

Liquid AI d1-ultra to właściwa odpowiedź, gdy sama decyzja jest trudną częścią. Pytania wymagające dużej wiedzy, twierdzenia wizualne, które trzeba dopasować do rzeczywistego kontekstu — przykładami samego dostawcy są defekty płytek drukowanych i dopasowanie zgłoszenia szkody do zdjęcia klienta — oraz przypadki z długiego ogona, w których pewność modelu 3B po prostu nie zasługuje na zaufanie. Konkretna teza, którą Liquid AI stawia dla tego modelu, dotyczy nie tylko dokładności, lecz kalibracji: większość modeli decyzyjnych jest nadmiernie pewna siebie — argumentuje wpis — a d1-ultra wytrenowano tak, aby jego prawdopodobieństwa coś znaczyły. Jeśli ustawiasz próg na prawdopodobieństwie, a nie bierzesz argmax — kierując wszystko powyżej 0,8 do automatycznego rozstrzygnięcia, a wszystko inne do człowieka — kalibracja jest całym sednem sprawy, a jednocześnie jest to teza w tym wydaniu, którą osobie z zewnątrz najtrudniej sprawdzić.

Przypadki, w których żadne z nich nie jest właściwe, również warto nazwać. Jeśli twoja odpowiedź to tekst swobodny, wieloetapowy ślad lub podsumowanie, model decyzyjny jest niewłaściwym narzędziem, a dostawca mówi o tym we własnej dokumentacji. Jeśli potrzebujesz dźwięku w stanie, a nie tylko tekstu i obrazów, trzeci członek rodziny, d1-omni-600M, jest tym, który go przyjmuje — użycie d1-ultra do tego zadania nie jest ulepszeniem, to błąd kategorii.

Wpasowanie tego w stos, który już wykorzystujesz

Model decyzyjny prawie nigdy nie stanowi całego pipeline'u. To on jest bramką: tym, co decyduje, czy zgłoszenie jest pilne, czy zdjęcie przedstawia defekt, czy wywołanie narzędzia zostanie zatwierdzone. Coś wciąż musi napisać odpowiedź, a na lokalnej ścieżce tym czymś jest drugi model, który teraz musisz hostować — i to jest prawdziwy koszt przejścia na self-hosting, ten, który nigdy nie pojawia się w porównaniu kosztu za token. Wzorzec, który faktycznie działa przy małym i średnim wolumenie, to lokalny d1-3B jako bramka o wysokiej częstotliwości i wynajmowany endpoint do rzadkich trudnych przypadków, z kluczem OrcaRouter obsługującym modele generatywne, do których te decyzje się rozgałęziają: jedno API na ponad 200 modeli, ceny katalogowe dostawców przekazywane z 0% marży i automatyczne przełączanie awaryjne między dostawcami, dzięki czemu jeden zły dzień u dostawcy nie zamienia twojej kolejki triage'u w zaległości. Warto doprecyzować, co to obejmuje, a czego nie — nie hostujemy żadnego modelu Liquid AI, więc samo wywołanie decyzyjne trafia do API Liquid AI albo do lokalnego checkpointu, a OrcaRouter stoi za tym.

Gdy przestaniesz traktować model decyzyjny jako stały, porównanie przestaje być binarne. DSL routingu pozwala połączyć tanią bramkę i drogi komponent zapisujący w jedno wywołanie, a fusion pozwala panelowi modeli odpowiadać wspólnie, gdy pojedynczy model nie jest wystarczająco wiarygodny. Ani jedno, ani drugie nie jest powodem, by wybierać d1-ultra zamiast d1-3B. Jedno i drugie to powody, dla których warto ponownie rozważyć ten wybór przy wolumenie, przy którym arytmetyka faktycznie się zmienia.

Co zmieniłoby tę odpowiedź?

Trzy rzeczy, w kolejności prawdopodobieństwa. Niezależny benchmark, który przepuszcza d1-3B i d1-ultra przez ten sam harness na tych samych zadaniach — wtedy różnica między 48,57 a 65 staje się pomiarem, a nie kierunkowym zgadywaniem. Opublikowana latencja dla d1-ultra, bez której każde pipeline wrażliwe na opóźnienia powinno traktować model hostowany jako nieznany i najpierw zmierzyć go w ścieżce kanarkowej. I w końcu wydanie z otwartymi wagami oparte na większym backbone, które historia tej rodziny czyni mniej naciąganym, niż to brzmi: każdy inny model d1, który zaczynał jako hostowany, kończył jako dostępny do pobrania w ciągu dwóch dni.

Do tego czasu obowiązuje praktyczna zasada. Zacznij od d1-3B, ponieważ można go wypróbować za darmo, jest szybki na sprzęcie, który być może już posiadasz, i wystarczająco dobrze udokumentowany, aby przed podjęciem decyzji właściwie ocenić jego rozmiar. Konkretne decyzje, które okażą się nieprzekonujące, przenieś do d1-ultra. Różnica między nimi jest realna; jest po prostu mniejsza, niż sugeruje różnica w cenie, i znacznie mniejsza, niż sugerują liczby indeksu, gdy są drukowane obok siebie bez etykiet wersji.