
d1.2 против Liquid AI D1: та же цена $0.02, шесть выигранных компонентов и две строки точности, которые ухудшились
- OrcaНОВИНКАOrcaCyber: Hy4 Flash Abliterated / Uncensored2026-11-18$0.07 / $0.28 за 1 млн токенов · 187 tok/s
- openaiНОВИНКАOpenAI: GPT-6.2 Astra2026-11-17$8.00 / $40.00 за 1 млн токенов · 80 tok/s
- openaiНОВИНКАOpenAI: GPT-6.2 Sol2026-11-17$2.00 / $10.00 за 1 млн токенов · 155 tok/s
- tencentНОВИНКАTencent: Hy4 Flash2026-11-16$0.02 / $0.07 за 1 млн токенов · 196 tok/s
- AlibabaНОВИНКАQwen: Qwen4 Max2026-11-16$1.50 / $4.50 за 1 млн токенов · 85 tok/s
- GoogleНОВИНКАGoogle: Gemini 4 Carbon2026-11-10$2.00 / $10.00 за 1 млн токенов · 705 tok/s
- AnthropicНОВИНКАAnthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 за 1 млн токенов · 246 tok/s
- OrcaOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 за 1 млн токенов · 97 tok/s
- OrcaOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 за 1 млн токенов · 139 tok/s
- OrcaOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$2.00 / $5.00 за 1 млн токенов · 84 tok/s
- tencentTencent: Hy42026-11-04$0.83 / $2.50 за 1 млн токенов · 122 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 за 1 млн токенов · 102 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 за 1 млн токенов · 69 tok/s
- openaiOpenAI: GPT-6.1 Terra2026-10-26$1.00 / $5.00 за 1 млн токенов · 35 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 за 1 млн токенов · 89 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 за 1 млн токенов · 38 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447Интеллект
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 за 1 млн токенов · 230 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929Интеллект
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 за 1 млн токенов · 101 tok/s
Liquid AI d1.2 и Liquid AI D1 имеют одинаковую цену по прайс-листу — $0.02 за миллион входных токенов, оплачивается только ввод, выходные токены не тарифицируются — на одном и том же эндпоинте и отвечают на одни и те же три типа вопросов. Их разделяют два поколения: D1 была первой моделью принятия решений в семействе, и Artificial Analysis указывает дату её выпуска — сентябрь 2026 года, а d1.2 появилась 16 ноября 2026 года, при этом между ними была d1.1. Всё, от чего обычно зависит сравнение — цена, контракт, клиентский код, схема развертывания, — идентично. Остаётся сама модель, и по ней результат односторонний, но не однозначный: d1.2 побеждает во всех шести оценках Decision Index v2.1 и в целом опережает на 7,9 балла, при этом D1 по-прежнему выигрывает в двух из строк исходной точности, расположенных ниже.
Эти две строки — причина, по которой это стоит читать, а не просматривать по диагонали. Обе находятся на оси знаний, и обе — прямая цена изменения, которое делает d1.2 лучше во всех остальных отношениях — он отказывает гораздо чаще. Это сравнение — шаблон того, как выглядит «строго лучшее» обновление, если проверить подстроки: большой совокупный выигрыш, подлинное улучшение поведения и небольшое предсказуемое место, где новая модель чем-то жертвует.
Два ряда, бок о бок

Обе модели были оценены Artificial Analysis на одной и той же версии одной и той же таблицы, что устраняет обычную опасность сравнения показателя поставщика с независимым. Ни одна из приведённых здесь цифр не взята из Liquid.
• Decision Index v2.1 — 68,69 для d1.2 (#9 из 25) против 60,78 для D1 (#21 из 25). Теперь их разделяют одиннадцать моделей, и разрыв достаточно велик, чтобы никакой правдоподобный повторный запуск его не закрыл.
• Цена за миллион входных токенов — $0,02 для обоих. Не изменилась за два поколения.
• Расчётная стоимость за миллион задач — $63 у обоих, что и следовало ожидать при одинаковой цене токена и схожем количестве токенов на задачу. Ни один не дешевле; в таблице оба занимают третье место.
• Время на задачу — 150 мс против 151 мс. Практически идентично, и оба быстрее медианы по классу в 206 мс.
• Окно контекста — 66 тыс. токенов для обоих, как указано в рейтинге. В собственных публикациях Liquid не указано окно ни для одного из них, поэтому это сторонняя интерпретация, а не спецификация производителя.
• Оценка Бриера, чем ниже, тем лучше — 0,164 против 0,196. Улучшение на 0,032 вероятности, приписываемой выбранному ответу, при отсутствии затрат.
Последняя строка — та, над которой стоит задержаться. d1.2 не просто чаще оказывается прав; уверенность, которой он сопровождает свой ответ, ближе к истине, — и именно это свойство делает пороговый конвейер работоспособным в принципе. И это достаётся бесплатно.
Шесть компонентов и размер каждого промежутка

Сводный показатель скрывает весьма неравномерный набор изменений, и два из них на самом деле не связаны с точностью.
• AA-Paperclip, решения по документам — 62,60 для d1.2 против 54,92, при этом 44,3% документов полностью верны против 25,7%. Эта строка полного прохождения — самое крупное единичное улучшение в релизе для этой пары: счёт с пятнадцатью полями, в котором верны четырнадцать, считается промахом в любой из моделей, а d1.2 превращает четверть документов почти в половину.
• When2Call, решения о выборе инструментов — 96,09 против 81,59 при точности 95,5% против 77,9%. Именно это меняет границы применимости модели. D1 с 77,9% — это классификатор, за которым нужно ставить человека; d1.2 с 95,5% — это классификатор, которому можно доверить маршрутизацию.
• AA-Symmetry, инвариантность — 76,52 против 58,67, при 50,0% полного прохождения против 32,5%. Перефразируйте вопрос, измените порядок вариантов, инвертируйте да/нет: ответ старой модели менялся, у новой — в основном нет.
• EvalSafe-O*NET-AA, оценка рабочих ситуаций — 86,55 против 84,21 и точность 79,7% против 76,3%. Самый маленький разрыв в таблице результатов, и сам по себе это не причина для миграции.
• AA-Omniscience-Decision v1.1, знания — 60.94 против 58.31. Почти три пункта, и самое интересное — в подстроках ниже.
• HLE-MultiChoice v1.1, сложные вопросы — 44,69 против 39,80, при точности 5,30% против 11,79%. Новая модель правильно отвечает на меньшее число сложных вопросов, но всё равно набирает на пять баллов больше, потому что индекс оценивает вероятность, а не только выбранный вариант.
История о воздержании — это и есть настоящее улучшение.
Рассмотрите строки, не относящиеся к галлюцинациям, в совокупности, поскольку они описывают модель, которая изменила свой характер, а не точность.
• AA-Omniscience-Decision, отсутствие галлюцинаций — d1.2 66,6%, D1 3,3%. D1 правильно ответил на 39,8% этих вопросов и почти никогда не отказывался отвечать; d1.2 правильно отвечает на 30,0% и значительно чаще отказывается отвечать.
• HLE-MultiChoice без галлюцинаций — 53,9% против 5,6% на бенчмарке, где сырая точность D1 вдвое выше.
• AA-Symmetry all-pass — 50,0% против 32,5%, то есть тот же сдвиг, наблюдаемый через согласованность, а не через отказ.
D1 была первой моделью семейства и ведёт себя соответственно: на вопрос, на который не может ответить, она выдаёт ответ. Показатель отсутствия галлюцинаций в 3,3% означает, что примерно в 97 из каждых 100 вопросов на знание, где правильным ответом было воздержаться, она не воздержалась. Если ваш конвейер отправляет случаи с низкой уверенностью на проверку человеку, именно это свойство определяет, работает ли этот фильтр; модель, которая никогда не говорит «Я не знаю», не даёт вам ничего, по чему можно было бы задать порог, а её вероятности 0,9 значат меньше, чем 0,9 у d1.2.
Оговорка симметрична и заслуживает упоминания: d1.2 даёт меньше правильных ответов на сложные вопросы. Если ваша задача — вопрос на знание с определённым ответом и без возможности воздержаться — согласуется ли это утверждение с политикой, соответствует ли этот код спецификации — вы обмениваете точность на честность, и этот обмен может быть небесплатным.
На что может ответить новая модель, а старая — нет
d1.2 добавляет пять типов ответов и аудиоввод. У D1 нет ни одного из них, и никакое количество промптинга не устранит этот разрыв, потому что в контракте ответа нет поля для позиции span или ограничивающего прямоугольника.
Значение вместе с символами, из которых оно было прочитано, или «не найдено» — это примитив извлечения, который устраняет необходимость во втором генеративном проходе для каждого поля.
• Каждый фрагмент определённого типа с указанием позиций — имена, номера телефонов, адреса электронной почты — как примитив редактирования, а не как промпт для суммаризации.
• Рамка вокруг одного объекта или вокруг каждого экземпляра плюс количество.
• Оценка с указанием диапазона.
• Каждый применимый вариант с собственной вероятностью, а не один победитель.
Аудио работает в обоих направлениях: запись может быть предметом, а может — вопросом. Показатели точности для всего этого принадлежат Liquid и получены на внутренних тестовых наборах, созданных из отложенных частей публичных датасетов, поскольку ни один публичный бенчмарк не покрывает новые задачи — 98% и 96% при чтении значения из чека для d1.2-ultra и d1.2, 94%/93% против 92%/88% на фрагментах персональных данных, 94% для обоих при определении местоположения объекта. Считайте, что это вендор оценивает сам себя; на табло нет ни строки ни по одному из этих показателей.
Есть ещё одна деталь тарификации. В D1 каждый вопрос тарифицировался как отдельный промпт, включая каждое прикреплённое изображение; в d1.2 запрос тарифицирует свой текст и изображения один раз, а каждый дополнительный вопрос добавляет только свой текст. Задайте десять вопросов об одной фотографии 1024×1024 — 1 536 токенов изображения — и по старому правилу будет списано около 15 360 токенов изображения; по новому — 1 536. При одинаковой ставке $0.02 схема с несколькими вопросами в несколько раз дешевле на d1.2, и экономия обеспечивается правилом тарификации, а не ставкой.
Что ломается при изменении строки

Меньше, чем можно было бы ожидать, а исключения стоит проверить тестом, а не переживать о них. Конечная точка остаётся api.liquid.ai/decisions/v1/systemone, строка модели становится d1.2, а три исходных типа вопросов сохраняют форму запроса и ответа. Клиент, который отправляет значение, вариант выбора и оценку, получает тот же JSON в ответ.
Три вещи, которые нужно проверить на собственном образце, прежде чем переключать производственный путь:
• Разбор «not found». Новые типы ответов могут возвращать явное отсутствие, и парсер, рассчитывавший на не-null значение, сломается на этом. Это фича, но это ломающее изменение в строгой схеме.
• Выбор порога. Теперь вероятности означают нечто иное. 0,8 на d1.2 — это более надёжная 0,8, чем 0,8 на D1, поэтому порог, настроенный на самоуверенности старой модели, после замены будет срабатывать реже. Перенастройте его, а не переносите.
• Сегмент знаний. Если часть вашей нагрузки — это оценка фактов, а не чтение документов, измеряйте этот сегмент отдельно. Именно здесь более высокая склонность новой модели к воздержанию от ответа может стоить вам охвата, и строки точности в отчётной таблице говорят об этом прямо.
Кто должен мигрировать и кто должен сначала провести измерения?
Переходите без лишних формальностей, если рабочая нагрузка связана с извлечением данных, маршрутизацией, выбором инструментов или классификацией, чувствительной к согласованности. В каждой опубликованной строке предпочтение отдаётся d1.2, цена не меняется, а разрывы в инвариантности и вызове инструментов достаточно велики, чтобы повторный запуск вряд ли смог их обратить.
Сначала измерьте, представляет ли собой рабочая нагрузка экспертное суждение при больших объёмах, или в конвейере задан вручную настроенный порог вероятности. Ни то, ни другое не является причиной оставаться на D1 — но и то, и другое является причиной прогнать несколько тысяч реальных состояний через обе модели и сравнить вероятности, а не метки.
Сначала о доступе, поскольку вопрос о миграции обычно превращается в вопрос о закупке. D1 и d1.2 оба живут в API Liquid; ни того, ни другого нет в нашем каталоге, и ничто здесь не является заявлением о доступности. Модель в нашем каталоге, которая относится к этому тесту, — Jev 1.14, которая доводит EvalSafe-O*NET-AA до 91.14, тогда как d1.2 останавливается на 86.55, говорит на той же форме systemone и выставляет $0.042 за миллион входных токенов. Поставьте все три на одни и те же состояния, и DSL маршрутизации запишет разделение один раз — по типу вопроса, а не по сервису — с прайс-листовыми ценами провайдера, переданными при 0% наценки, так что $0.02, которые вы видите в котировке, — это $0.02, которые вы платите. Автоматическое переключение при сбое — это то, что позволяет модели, выпущенной два дня назад, держать одну полосу живой рабочей нагрузки вместо всей.
Вот и всё сравнение. Та же цена, тот же контракт, тот же эндпоинт, одно поколение работы между ними — и шесть побед по составным метрикам против двух строк точности, которые старая модель всё ещё удерживает; обе эти строки относятся к оси знаний, где d1.2 дорого обходится именно воздержание от ответа. Если ваша рабочая нагрузка — это извлечение, маршрутизация или классификация, каждая важная для вас строка сдвинулась в правильном направлении. Если же это оценка фактов без проверяющего за спиной, сначала запустите теневое сравнение и пусть цифры на ваших собственных состояниях решают.
