Сгенерированная титульная карточка с заголовком «Та же цена, разница в одно поколение» и подзаголовком «Liquid AI d1.2 против Liquid AI D1». Одна длинная горизонтальная полоса поднимается слева направо, с подписью «D1 61» на левом конце и «d1.2 69» на правом. Три обведённых чипа гласят: «те же $0.02 за 1M входных токенов», «тот же эндпоинт systemone» и «все шесть компонентов улучшены», а строка подписи гласит: «две строки точности всё ещё принадлежат более старой модели». Знак OrcaRouter наложен в правом нижнем углу.
Guides & Insights

d1.2 против Liquid AI D1: та же цена $0.02, шесть выигранных компонентов и две строки точности, которые ухудшились

Автор

jinhao.song

Дата публикации

Новые модели · 20Все модели →
Бенчмарки: Artificial Analysis · обновляется ежедневно
Назад ко всем статьям

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

A generated two-column scoreboard titled ‘d1.2 vs D1 - the scoreboard’. The d1.2 column lists Decision Index 69, AA-Paperclip all-pass 44.3%, AA-Symmetry 76.5, When2Call 96.1, Omniscience non-hallucination 66.6% and price per 1M input tokens $0.02. The D1 column lists 61, 25.7%, 58.7, 81.6, 3.3% and $0.02. The footer reads ‘Both rows per Artificial Analysis Decision Index v2.1; D1 ranks #21 of 25 decision models on the board.’ The OrcaRouter mark is composited bottom right.

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

A headless-browser screenshot of the Artificial Analysis d1 model page, captured 18 November 2026 in English, dated September 2026. The summary panel reads that d1 is among the lowest scoring on the Decision Index but well priced and faster than average: a Decision Index score of 61 against a median of 66, 151 ms per task against a median of 206 ms, $0.02 per 1M input tokens, and about $63 per 1M tasks against a median of $137. The rank badge reads #21/25 on the Decision Index and #3/25 on cost, and the technical specification lists text and image input with a 66k-token context window.

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

A headless-browser screenshot of the OrcaRouter model page for typesafe/jev-1.14, captured 18 November 2026 in English, showing the /v1/decisions/v1/systemone endpoint family, Zero Data Retention availability, a $0.04 list price per million input tokens, and measured latencies of 182 ms and 372 ms.

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.