Сгенерированная титульная карточка с заголовком «Первое место, последнее место, одна и та же таблица» и подзаголовком «Liquid AI d1.2-ultra — Decision Index v2.1, 16 ноября 2026 г.». Две скруглённые карточки расположены рядом: слева указано «#1 из 24» над «Decision Index 75», справа — «#24 из 24» над «точность HLE 2,36%»; под ними строка подписи гласит «одна модель, шесть оценок», а три обведённые плашки гласят «измерено Artificial Analysis», «контекст 66k» и «$0.042 за 1 млн входных токенов». Знак OrcaRouter скомпонован в правом нижнем углу.
Guides & Insights

Liquid AI d1.2-ultra возглавляет Индекс решений с показателем 75 — и занимает последнее место в одном из шести тестов

Автор

jinhao.song

Дата публикации

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

Liquid AI d1.2-ultra — первая модель в этой категории, которой первое место присудил кто-то кроме компании-разработчика. Artificial Analysis поставила ей 75 баллов по Decision Index v2.1, опубликовала это число на странице модели в своём рейтинге и поставила её на первое место среди 24 моделей для принятия решений — с отрывом в 2,2 балла от Drex Max v1.1 от Nace.AI с 73 баллами. Liquid AI d1.2, младшая из двух моделей того же релиза, занимает девятое место с 69 баллами. Обе вышли 16 ноября 2026 года, и это первый запуск Liquid AI, когда заявление о позиции в рейтинге появилось вместе с независимым рейтингом, в котором модель уже фигурировала, а не как цифра от вендора, отсылающая к рейтингу, существовавшему до неё.

Та же таблица также ставит d1.2-ultra на последнее место среди этих 24 моделей по HLE-MultiChoice — с 2,36% сырой точности. Оба утверждения верны одновременно: они измерены одной и той же организацией на одном и том же инструменте в один и тот же день, и зазор между ними — самое полезное в этом релизе.

Почему это утверждение из таблицы лидеров относится к иному типу утверждений

В октябре Liquid AI объявила о d1-ultra с заявкой на первое место, измеренной по Decision Index v1.0 — таблице, опубликованной за два дня до того, как эта модель появилась. Никто не мог это проверить, потому что модели не было в таблице. Здесь произошло не это. Artificial Analysis самостоятельно запустила d1.2-ultra, на собственном оборудовании, через собственный испытательный стенд, и результат представляет собой строку в рейтинге с шестью оценками по компонентам и приложенной кривой калибровки. Когда Liquid говорит: «самый высокий показатель в индексе и на два пункта впереди предыдущей лучшей модели для принятия решений», и индекс, и предыдущая лучшая модель являются публичными, и оба утверждения согласуются.

Версия 2.1 — это взвешенное среднее шести оценок, причём веса распределены неравномерно. AA-Paperclip имеет вес 30%: 1 500 приватных документов — резюме, квитанции, счета-фактуры, научные статьи — в каждом по пять решений и десять фактов; каждый документ оценивается как единое целое и засчитывается, только если все пятнадцать ответов верны. EvalSafe-O*NET-AA, AA-Omniscience-Decision v1.1, HLE-MultiChoice v1.1 и AA-Symmetry v1.1 имеют вес по 15%. When2Call — набор NVIDIA для вызова инструментов — имеет вес 10%. Каждый вопрос оценивается как 50 × (1 + c − (p − c)²), где c — правильность выбора, а p — вероятность, которую модель ему приписала; в агрегированном виде это даёт 50 × (1 + точность − оценка Брайера). Уверенная ошибка обходится дороже неуверенной, а модель, которая указывает 0,6 и оказывается права, получает более высокую оценку, чем та, которая указывает 0,99 и оказывается права.

Откуда берётся 75

A generated single-column scoreboard titled ‘Liquid AI d1.2-ultra - the scoreboard’, with six rows: Decision Index 75, first of 24; AA-Paperclip 75.8 with 67.7% of documents all-correct; AA-Symmetry 86.3, second of 24; When2Call 96.5, first of 24; HLE-MultiChoice 2.36% accuracy, last of 24; and Cost $133 per 1M tasks at $0.042 per 1M input tokens. The footer reads ‘All figures measured independently by Artificial Analysis, Decision Index v2.1; Liquid AI's own task accuracies are vendor-reported.’

Если разобрать по частям, первое место вытягивают две оценки, а защищает его третья. Остальные ничем не примечательны или хуже, и это стоит знать, прежде чем принимать сводный балл за описание модели.

• AA-Paperclip, 30% индекса — d1.2-ultra набирает 75,81 по показателю принятия решений, при этом 67,7% документов полностью корректны; оба результата — первые среди 24. Drex Max v1.1 — второй с 72,82 и 63,0%, SubQ Snap 1.2 — третий с 71,58. Модель, которую он заменяет, Liquid AI d1-ultra, находилась на уровне 64,69 и 51,3%.

• When2Call, 10% — d1.2-ultra занимает первое место с 96.49, опережая SubQ Snap 1.2 с 96.10 и d1.2 с 96.09. Вызов инструментов уже был сильнейшей стороной этого направления; разброс здесь составляет полтора пункта в первой десятке.

• AA-Symmetry, 15% — второе место с 86,34, уступая Mammoth 27B с 88,25. При более строгой метрике полного прохождения картина меняется: Mammoth сохраняет один и тот же ответ при перефразированиях на 68,3% вопросов, Elephant 9B — на 65,8%, а d1.2-ultra — на 56,7%. Второе место по баллу — не второе место по согласованности.

• EvalSafe-O*NET-AA, 15% — третье место с 89.53, уступая Jev 1.14 с 91.14. Это единственный компонент, где модель конкурента всё ещё лидирует, и разница слишком велика, чтобы считать это шумом.

• AA-Omniscience-Decision v1.1, 15% — 60.80, что является средним результатом и ниже 64.39, которые набрала d1-ultra.

• HLE-MultiChoice v1.1, 15% — 46.36 по баллу за принятие решений, но 2.36% сырой точности — самый низкий показатель среди всех 24. Этот разрыв не является противоречием; так выглядит хорошо откалиброванная модель, когда она отказывается почти от всего. Ее показатель отсутствия галлюцинаций на том же наборе составляет 76.1%, то есть в трех случаях из четырех она правильно сообщала, что не знает, вместо того чтобы угадывать.

Ключевой показатель, лежащий в основе всех шести, — отдельная оценка индекса точности AA — ставит d1.2-ultra на первое место с 61,6, впереди GLiDE v1.2 с 59,4 и Drex Max v1.1 с 58,2. Его показатель Бриера 0,150 — лучший из 24. Модель побеждает не только за счёт калибровки; она побеждает благодаря документам и калибровке вместе — именно такую комбинацию и был призван вознаграждать этот индекс.

Счёт, который идёт в обратную сторону

Есть трактовка этого релиза как безоговорочной победы, и именно строка HLE-MultiChoice её опровергает. Два с третью процента сырой точности на заданиях с множественным выбором в Humanity's Last Exam — это не ошибка округления, и это нельзя списать на вариант отказа: у модели есть возможность воздержаться, и она это делает, а воздержание засчитывается как честность, а не как знание. Decider v1.3 правильно отвечает на 15,32% тех же вопросов. Drex Max v1.1 — на 8,25%. Liquid AI d1.2, дешёвая модель в том же релизе, — на 5,30%.

Последнее сравнение — странное. На оценках с упором на знания меньшая и более дешёвая модель не является более слабой. d1.2 правильно отвечает на 30,0% вопросов AA-Omniscience-Decision против 23,6% у d1.2-ultra и показывает 5,30% на HLE против 2,36%. То, что d1.2-ultra покупает своими дополнительными двумя центами за миллион токенов, — не знания; это работа с документами, симметрия и калибровка — операционная половина задачи. Если ваша рабочая нагрузка — извлечение данных из отсканированного счёта, такой выбор, очевидно, верен. Если это ответы на сложные вопросы о мире, более дешёвая модель в том же семействе измеримо лучше, и в посте о запуске об этом ничего не сказано.

Изменение в оплате, о котором не сказано в заголовке

Самое значимое предложение в посте Liquid — это правило тарификации, а не результат бенчмарка. В d1-ultra каждый вопрос тарифицировался как отдельный промпт, включая все прикреплённые изображения, поэтому, задав десять вопросов об одной фотографии, вы оплачивали эту фотографию десять раз. В d1.2 и d1.2-ultra текст и изображения запроса тарифицируются один раз, а каждый дополнительный вопрос добавляет к стоимости только свой текст.

Возьмём документ на 2 000 токенов с одним изображением 1024×1024, которое при заявленной ставке 1,5 токена на патч 32×32 пикселя стоит 1 536 токенов, и десять коротких вопросов примерно по 30 токенов каждый. По старому правилу такой запрос несёт около 35 700 токенов. По новому — около 3 840. При цене $0,042 за миллион входных токенов это примерно $0,0015 за запрос против $0,00016 — чуть более чем в девять раз дешевле за идентичную работу при одинаковой заявленной цене. При 100 000 запросов в месяц разница составляет около $150 против $16. Обе цифры — это арифметика по собственному описанию тарификации поставщика, а не измерения.

Второй изменившийся параметр — контекстное окно. Artificial Analysis указывает 66 тыс. токенов для обеих моделей d1.2 против 33 тыс. у d1-ultra. В публикации Liquid размер окна вообще не указан, поэтому цифра 66 тыс. — это трактовка составителей рейтинга, а не спецификация производителя, и она всё равно вдвое превышает показатель предыдущего поколения. Для модели, вся задача которой — принимать состояние, это более существенное практическое изменение, чем четыре пункта индекса.

Пять новых типов ответов и аудио

Новые возможности носят аддитивный характер, а не являются переработкой: тот же эндпоинт, та же структура запроса, пять новых видов ответа и новая входная модальность. Теперь вопрос может запрашивать значение, считанное со страницы, — число, дату, имя, — возвращаемое вместе с символами, из которых оно было считано, или «не найдено», если оно отсутствует. Он может запрашивать все фрагменты заданного типа с указанием позиций — это сценарий PII. Он может запрашивать рамку вокруг одного объекта или рамку вокруг каждого экземпляра вместе с количеством. Он может запрашивать оценку вместе с диапазоном. И он может запрашивать каждый подходящий вариант с собственной вероятностью.

Аудио — ещё одно дополнение, работающее в обоих направлениях: запись может быть тем, о чём задаётся вопрос, или самим вопросом. Liquid сообщает, что на отложенных записях обе модели правильно отвечают на 95–97% вопросов о том, какой звук они слышат (из ESC-50), или о том, на каком языке говорят (из FLEURS по 43 языкам), при трёх–шести вариантах ответа в каждом и близких путаницах вроде испанского с португальским в наборе.

Показатели точности для пяти новых задач взяты из внутренних тестовых наборов, построенных на отложенных разбиениях публичных датасетов, и поставщик прямо об этом говорит, поскольку ни один публичный бенчмарк пока не покрывает эти задачи. Читайте их как собственную оценку поставщика: 98% и 96% при чтении значения из чека на CORD и SROIE, 94%/93% точности и полноты против 92%/88% для PII-спанов на Nemotron PII, 94% по обоим показателям при определении местоположения объекта по всему семейству RefCOCO, 93% и 92% при подсчёте с отклонением не более единицы на COCO и 87% против 90% при выборе всех присутствующих объектов — единственная строка, где побеждает дешёвая модель.

Проверка денежного требования

A headless-browser screenshot of the Artificial Analysis Decision Index v2.1 page, captured 17 November 2026 in English, headed ‘Artificial Analysis Decision Index v2.1’ and described as a composite index testing decision models across document decisions and extraction, tool calling, knowledge, reasoning and invariance, with a note that version 2.1 combines six evaluations starting with AA-Paperclip's 1,500 resumes, receipts, invoices and research papers.

Заявление Liquid о ценах на удивление легко проверить: «ни одна модель не набирает больше d1.2 за меньшие деньги, и ни одна модель не набирает больше d1.2-ultra ни за какие деньги». Обе половины выдерживают проверку по табло. Ни одна модель в индексе из 24 моделей вообще не набирает выше 74,85, так что вторая половина верна тривиально. Что касается первой: d1.2 находится на отметке 68,69 и 63 доллара за миллион задач; каждая модель с более высоким баллом стоит дороже, а ближайший дешёвый конкурент — Decider v1.3 с 70,41 и 68 долларами. Утверждение верно, причём верно на чужих цифрах, а не на данных Liquid, — а такое случается реже, чем следовало бы.

Сами цифры стоимости взяты из Artificial Analysis, которая выполняет каждую оценку по текущим прайс-листам и усредняет результаты: $133 за миллион задач для d1.2-ultra — одиннадцатое место из 24 при медиане по классу $135, и $63 для d1.2 — третья по дешевизне. Время на задачу составляет 218 мс для большой модели и 150 мс для малой при медиане по классу 209 мс — флагман немного медленнее среднего, дешёвая модель уверенно быстрее, и обе примерно на порядок быстрее генеративных моделей, которые фигурируют в той же таблице с показателями 11 и 32 секунды на задачу.

Где его можно вызвать и на каких данных запускать.

Обе модели уже доступны сегодня в собственном API Liquid по адресу api.liquid.ai/decisions/v1/systemone, вызываются как d1.2-ultra и d1.2, с ключами из консоли Liquid, и обе доступны на площадке Liquid playground. В публикации Liquid говорится, что появятся дополнительные сторонние платформы; на момент написания этой статьи единственный существующий маршрут — собственный API поставщика. Ни одной из моделей нет в нашем каталоге, и эта статья не является заявлением о доступности ни одной из них.

В нашем каталоге есть Jev 1.14, модель, которая лидирует в том компоненте, где d1.2-ultra этого не делает — EvalSafe-O*NET-AA, 91,14 против 89,53, — обслуживаемая через тот же systemone формат эндпоинта, текст на входе и структурированный JSON на выходе, по цене $0.042 за миллион входных токенов. Это совпадение полезно: команда, оценивающая этот релиз, может прогнать новую модель и текущую модель на одних и тех же состояниях без второго контракта или второй клиентской библиотеки, потому что один API для 200+ моделей уже поддерживает обе формы. Списочные цены передаются с наценкой 0%, поэтому если Liquid изменит цену $0.042, здешняя цифра изменится вместе с ней, а не после неё, и автоматическое переключение при сбое означает, что модель, которой всего один день, может взять на себя часть реальной рабочей нагрузки, не получив доверия ко всей нагрузке.

A headless-browser screenshot of the OrcaRouter model page for typesafe/jev-1.14, captured 17 November 2026 in English, showing the /v1/systemone endpoint, Zero Data Retention availability, an input and output list price of $0.04, and measured latencies of 182 ms and 372 ms.

Рекомендация, которая следует из данных, а не со страницы с ценами: запустите его в теневом режиме. d1.2-ultra первый по документам и первый по калибровке — это по-настоящему сильная пара для конвейеров извлечения, — и он последний по сложным вопросам на знание, а это реальное ограничение, а не сноска. Подайте ему те состояния, которые действительно видит ваш конвейер, сравнивайте вероятности, а не лучшие варианты top-1, и следите за случаями, когда он отвечает с вероятностью 0,8 и ошибается, потому что именно на этом хвосте октябрьский предшественник модели показывал плохие результаты — и именно там улучшение либо проявляется, либо нет.

Открытый вопрос не в том, реальны ли 75 — Artificial Analysis измерила их и опубликовала компоненты. А в том, обобщается ли оценка документов с весом 30% на 1500 приватных документах на ваши документы. На этот вопрос может ответить только ваша собственная размеченная выборка, и на него стоит ответить до того, как изменение биллинга соблазнит вас задавать десять вопросов на документ вместо одного.

© 2026 OrcaRouter