Liquid AI d1-ultra: новый лидер Decision Index, обученный сомневаться в себе

Liquid AI d1-ultra вышел 15 октября 2026 года, и самое интересное в нём — число, которое никто не цитирует: в Индексе решений Artificial Analysis модель, которую он заменяет, набрала 2 по отсутствию галлюцинаций. Liquid AI d1 на той же доске была самой точной моделью принятия решений по ответам на вопросы знаний — и худшей в своём классе по распознаванию вопросов, на которые она не могла ответить. Liquid AI d1-ultra — это ответ вендора на это, и его анонсируют с заявкой на первое место: что он возглавляет Индекс решений, опережая как минимум на восемь баллов все остальные модели принятия решений, включая ту, что сейчас на вершине этой доски, Jev 1.13. Эта заявка принадлежит Liquid, а не Artificial Analysis, и доска, о которой идёт речь, была опубликована до появления этой модели. Оба факта принципиально важны, и этот материал держит их привязанными к числам, которым они принадлежат. Каждый сбой провайдера и откат, которые мы отслеживали, зафиксированы в Orca AI Incident Archive, где хранится полный набор записей вместе с соседними записями об этом инциденте.

С точки зрения механики эта модель — та же ставка, которую Liquid делает весь год. Вы даёте ей состояние — JSON-полезную нагрузку, тикет в службу поддержки, скриншот дашборда — и набор именованных вопросов, и она считывает ответы из собственного распределения за один прямой проход. Никакого сэмплирования, никакого парсинга, никакой неуправляемой генерации. Счётчик использования у вендора показывает output_tokens: 0, точно так же, как для всей остальной линейки d1.

Что Liquid, по его словам, построил и на чём он это тестировал

Каждое число в этом разделе принадлежит Liquid, приведено в посте о запуске и на момент написания не воспроизведено никем другим. Модель описывается как мультимодальная модель принятия решений, построенная на более крупной базе с открытыми весами, с тем, что в посте называется глубокой кастомизацией под Liquid, и специально настроенная на решения, требующие больших знаний, — фраза, которая читается как прямая отсылка к проблеме калибровки ниже. Она поддерживает те же три типа вопросов, что и остальное семейство. noul является бинарным: передайте ему утверждение, и он вернёт P(да) в диапазоне от 0 до 1. Choice выбирает метку и возвращает распределение плюс уверенность. Score размещает состояние на упорядоченной шкале с вероятностями по уровням. Все три возвращаются структурированными, и ни один из них не расходует выходные токены.

Доказательство Liquid — это серия из 112 уникальных оценок в сравнении с собственной более ранней d1 и с Jev 1.14, более новым релизом Jev. Компания утверждает, что d1-ultra превосходит Jev 1.14 во всех задачах и лучше откалибрована при той же цене. Это более сильное и более конкретное утверждение, чем «лидирует в таблице лидеров», и его также труднее проверить, потому что калибровка — это свойство, которое нельзя определить по одной оценке. Отметим также, что Jev 1.14 — это компаратор, названный вендором: он нигде не фигурирует в нашем каталоге, и мы не смогли найти для него публичную строку Decision Index.

API-интерфейс — это единственный нестриминговый вызов POST https://api.liquid.ai/decisions/v1/systemone с "model": "d1-ultra". Ни в одном из материалов запуска не опубликовано контекстное окно, и это настоящий пробел, а не погрешность округления: для модели, вся задача которой — получать переданное ей состояние, размер состояния, которое вам разрешено ей передавать, близок к основной характеристике. Поскольку она никогда не генерирует токены, стоимость вывода структурно нулевая, и стриминг не применяется.

Рассматриваемый индекс предшествует модели

Artificial Analysis опубликовала Decision Index v1.0 13 октября 2026 года — за два дня до появления d1-ultra. Рейтинг построен на четырёх оценках с весом 25% каждая: AA-Omniscience-Decision — закрытый набор из 500 вопросов, оцениваемых наполовину по точности и наполовину по отсутствию галлюцинаций; HLE-MultiChoice — 513 текстовых вопросов с множественным выбором из Humanity's Last Exam; When2Call — оценка вызова инструментов NVIDIA; и WildGuardTest — набор Ai2 для классификации безопасности.

В статье, которая его представила, d1-ultra нигде не упоминается, что неудивительно, и именно поэтому цифру «на восемь очков впереди» следует читать как заявление вендора, а не как рейтинг. В опубликованной таблице Jev 1.13 лидирует среди моделей принятия решений с 58, а GLiDE и M​icrosoft-Decision-1 делят 54. Две языковые модели стоят выше всех них: C​laude H​aiku 5.5 (Low) с 61 и GPT-6 Luna (Low) с 55. Если посчитать арифметику по заявлению Liquid, получается 66 или больше — выше лучшей языковой модели в таблице. Возможно, модель именно так и работает. Но это ровно тот случай, когда заявление требует независимого воспроизведения третьей стороной, прежде чем кто-либо станет на него опираться.

Почему именно калибровка — это и есть вся суть

Сбой, на который нацелена d1-ultra, — это тот, который Artificial Analysis назвала в той же статье. Модели принятия решений как класс оказались в целом чрезмерно уверенными: вероятность, которую модель указывает для ответа, регулярно превышает то, насколько часто этот ответ оказывается правильным. Здесь это важнее, чем было бы для чат-бота, потому что весь вывод модели принятия решений представляет собой вероятность. Уверенно ошибающаяся языковая модель выдаёт абзац, который можно внимательно изучить. Уверенно ошибающаяся модель принятия решений выдаёт число, на которое пайплайн рассчитан реагировать.

Разброс внутри класса велик, и d1 находился на плохом конце этого разброса:

• Точность AA-Omniscience-Decision — Liquid AI d1 была лучшей моделью для принятия решений с показателем 41, а у Jev 1.13 — 35. Языковые модели в том же тесте набрали 52 и 66.

• Показатель отсутствия галлюцинаций — Liquid AI d1 набрала 2. Jev 1.13 набрала 35, Mercury Decide — 32, а M​icrosoft-Decision-1 лидировала с 40. Ни одна другая модель принятия решений в таблице не набрала меньше 17.

• Разрыв между этими двумя строками — вот в чём весь смысл. d1 знал больше всех, а признал меньше всех. Модель, обученная закрыть этот разрыв — единственное измерение, где предыдущая заявка Liquid была последней, а не первой, — продвинула бы весь класс вперёд, даже не касаясь сырой точности.

• HLE-MultiChoice — Jev 1.13 лидировал с 21, все остальные модели принятия решений — на уровне 15 или ниже. Это бенчмарк, в котором у области наибольший запас для роста, и тот, по которому не отчитывается прогон Liquid из 112 оценок.

• When2Call и WildGuardTest — Celeris-1 Decision и GLiDE сравнялись на 84 по вызову инструментов, при этом Jev 1.13 занял четвёртое место с 81; GLiDE лидировал по безопасности с 95, при этом Decider v1.1 27B и Jev 1.13 вместе набрали 94.

Чего на самом деле стоит миллион решений

Ценообразование — это та часть запуска, которая не требует оговорок. Liquid AI d1-ultra тарифицируется по цене $0,042 за миллион входных токенов, а за выход — вообще ничего, потому что выхода нет. Эта цена идентична цене d1 и совпадает с тем, что мы взимаем за Jev 1.13, что делает эти две модели напрямую сравнимыми по стоимости и ни по чему больше.

Арифметика достаточно проста, чтобы проделать её на салфетке. Состояние примерно в тысячу токенов — умеренно подробный JSON-пейлоад или страница текста — стоит $0,042 за миллион запусков. Собственные показатели Artificial Analysis по стоимости за миллион задач для этого класса находятся между $17 и $199: Jev 1.13 — $42, M​icrosoft-Decision-1 — $31, а Decider v1.1 27B — $17; медианное время на задачу по этому классу составляет от 0,06 секунды до половины секунды. Решение на тысячу токенов при $42 за миллион задач находится в середине этого диапазона, и это полезно знать: ценообразование для этой категории ничем не примечательно, а интересный вопрос — не стоимость за токен, а стоимость за правильное решение.

Есть одна деталь тарификации, которая многих застанет врасплох, и её стоит перечитать дважды. Изображения тарифицируются как входной текст из расчёта 1,5 токена за патч размером 32×32 пикселя, так что изображение 1024×1024 — это 1 536 токенов — и каждый вопрос тарифицируется как отдельный промпт, включая все прикреплённые изображения. Задайте десять отдельных вопросов об одной и той же фотографии — и изображение будет тарифицировано десять раз, так что эти десять вопросов дают 15 360 токенов за изображение ещё до единого слова текста. Объединение вопросов в один вызов не амортизирует эти затраты. Если ваша нагрузка визуальная, число, определяющее ваш счёт, — это количество вопросов, умноженное на токены изображений, а не количество документов, умноженное на токены изображений.

Где вы можете это назвать

Liquid AI d1-ultra уже доступна в собственном API Liquid, через консоль Liquid и в d1 Playground — для всех, кто хочет попробовать её без написания клиента. Вендор заявил, что дополнительные платформы на подходе; честный итог на сегодня — собственный API вендора, а несколько сторонних платформ должны последовать за ним. В посте о запуске есть пример кода, который будет работать как есть.

Заметка о маршрутизации, и это не реклама: Liquid AI d1-ultra отсутствует в нашем каталоге, и эта статья не является заявлением о его доступности. В нашем каталоге есть Jev 1.13 — модель, которая сейчас лидирует в Decision Index — по той же цене $0,042 за миллион входных токенов и с той же нулевой стоимостью генерации, с контекстным окном 64K, обслуживаемая через идентичный systemone формат эндпоинта: текст на входе, структурированный JSON на выходе, без стриминга. Это полезная случайность для всех, кто оценивает этот запуск, потому что она означает, что претендента и действующего лидера можно запускать бок о бок без второго контракта. d1-ultra идёт напрямую в Liquid; действующий лидер уже есть в нашем каталоге. Оба находятся за одним API для 200+ моделей, где прайс-листовые цены передаются с наценкой 0% и где автоматическое переключение при сбое означает, что новая модель может взять на себя часть реальной рабочей нагрузки, не получая доверия ко всей ей.

Последняя часть — это практическая рекомендация, а не продакт-плейсмент. Модель, которой всего один день, чей главный бенчмарк не был независимо воспроизведён и чьё контекстное окно не опубликовано, — это не то, куда стоит направлять продакшен-трафик в первый же день. Это то, что стоит прогнать в теневом режиме против модели, уже занимающей слот. Прогоните одни и те же состояния через обе, сравнивайте распределения, а не метки, и особое внимание обратите на случай, когда d1-ultra говорит 0.8, а на поверку ошибается, — потому что именно ради этого случая всё и затевалось, и именно это число Liquid не опубликовала.

Что бы это уладило

Три вещи, в порядке убывания того, насколько они изменили бы решение.

Первый — это строка Decision Index. Пока Artificial Analysis не прогонит d1-ultra через собственный пайплайн, восьмипунктный отрыв от Jev 1.13 остаётся вендорским показателем, а улучшение калибровки относительно Jev 1.14 — вендорским показателем, вообще не имеющим публичного аналога. Таблица обновляется регулярно, и модель принятия решений, которая действительно преодолеет отметку 66, стала бы самым интересным результатом в этой категории в этом году, потому что она поставила бы негенеративную модель выше всех языковых моделей в том же индексе.

Второй — отсутствующий лист спецификаций. Контекстное окно, задержка при заданном размере пакета и возможность задавать вопросы к одному изображению без повторной оплаты за него — эти три числа решают, будет ли рабочая нагрузка выполнимой, задолго до того, как это сделают результаты бенчмарков. Предыдущее поколение Liquid выполняло текстовые решения за 200–300 миллисекунд; это полезный ориентир, но не измерение этой модели.

Третье — это калибровка вне лаборатории. 112 оценок Liquid — это отбор задач, сделанный самим вендором. Излишняя самоуверенность — это свойство, которое проявляется в хвосте: редкий сложный вопрос, неоднозначное состояние, входные данные из распределения, которого модель никогда не видела. Именно там d1 получила оценку 2, и это единственное место, где было бы видно реальное улучшение.

До тех пор честная позиция — это скучная позиция: цена реальна и публична, эндпоинт работает, худший изъян категории определён правильно, а исправление заявлено, но не продемонстрировано. Если вы работаете со структурированными решениями, на это стоит потратить полдня. Но это не стоит миграции.