
d1.2 vs Liquid AI D1: Samma $0,02, sex komponenter vann och två noggrannhetsrader som gick bakåt
- OrcaNYOrcaCyber: Hy4 Flash Abliterated / Uncensored2026-11-18$0.07 / $0.28 per 1M tokens · 187 tok/s
- openaiNYOpenAI: GPT-6.2 Astra2026-11-17$8.00 / $40.00 per 1M tokens · 80 tok/s
- openaiNYOpenAI: GPT-6.2 Sol2026-11-17$2.00 / $10.00 per 1M tokens · 155 tok/s
- tencentNYTencent: Hy4 Flash2026-11-16$0.02 / $0.07 per 1M tokens · 196 tok/s
- AlibabaNYQwen: Qwen4 Max2026-11-16$1.50 / $4.50 per 1M tokens · 85 tok/s
- GoogleNYGoogle: Gemini 4 Carbon2026-11-10$2.00 / $10.00 per 1M tokens · 705 tok/s
- AnthropicNYAnthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 per 1M tokens · 246 tok/s
- OrcaOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 per 1M tokens · 97 tok/s
- OrcaOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 per 1M tokens · 139 tok/s
- OrcaOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$2.00 / $5.00 per 1M tokens · 84 tok/s
- tencentTencent: Hy42026-11-04$0.83 / $2.50 per 1M tokens · 122 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 per 1M tokens · 102 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 per 1M tokens · 69 tok/s
- openaiOpenAI: GPT-6.1 Terra2026-10-26$1.00 / $5.00 per 1M tokens · 35 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 per 1M tokens · 89 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 per 1M tokens · 38 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447Intelligens
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 per 1M tokens · 230 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929Intelligens
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 per 1M tokens · 101 tok/s
Liquid AI d1.2 och Liquid AI D1 ligger på samma listpris – 0,02 USD per miljon indatatoken, endast indata faktureras, inga utdatatoken – på samma endpoint och svarar på samma tre frågetyper. De är två generationer ifrån varandra: D1 var familjens första beslutsmodell, som Artificial Analysis anger släpptes i september 2026, och d1.2 kom den 16 november 2026, med d1.1 däremellan. Allt som en jämförelse vanligtvis brukar hänga på – pris, avtal, klientkod, distributionsform – är identiskt. Det som återstår är modellen, och vad gäller modellen är resultatet ojämnt men inte entydigt: d1.2 vinner alla sex utvärderingar i Decision Index v2.1 och leder med 7,9 poäng totalt, medan D1 fortfarande vinner två av de underliggande raderna för rå noggrannhet.
De två raderna är anledningen till att detta är värt att läsa snarare än att skumma. Båda ligger på kunskapsaxeln, och båda är den direkta kostnaden för den förändring som gör d1.2 bättre överallt annars – den avböjer mycket oftare. Jämförelsen är en mall för hur en "strikt bättre" uppgradering ser ut när man kontrollerar underraderna: en stor sammansatt vinst, en genuin beteendeförbättring och en liten, förutsägbar plats där den nya modellen ger upp något.
De två raderna, sida vid sida

Båda modellerna poängsattes av Artificial Analysis på samma version av samma board, vilket eliminerar den vanliga risken med att jämföra en leverantörssiffra med en oberoende sådan. Ingen av siffrorna här kommer från Liquid.
• Decision Index v2.1 — 68,69 för d1.2 (#9 av 25) mot 60,78 för D1 (#21 av 25). Elva modeller skiljer dem nu, och gapet är tillräckligt stort för att ingen rimlig omkörning kan stänga det.
• Pris per miljon indatatoken — $0.02 för båda. Oförändrat över två generationer.
• Modellerad kostnad per miljon uppgifter — $63 för båda, vilket är vad man kan förvänta sig vid ett identiskt tokenpris och ett liknande antal token per uppgift. Ingen av dem är billigare; resultattavlan rankar båda på tredje plats.
• Tid per uppgift – 150 ms mot 151 ms. I praktiken identiska, och båda snabbare än klassmedianen på 206 ms.
Kontextfönster — 66k tokens för båda, enligt vad som anges i forumet. Liquids egna inlägg anger inget fönster för någon av dem, så detta är en tredjepartstolkning snarare än en leverantörsspecifikation.
• Brier-poäng, lägre är bättre – 0,164 vs 0,196. En förbättring på 0,032 i sannolikheten för det valda svaret, utan kostnad.
Den sista raden är den man ska ta till sig. d1.2 har inte bara rätt oftare; den konfidens som den fäster vid sitt svar ligger närmare sanningen, vilket är egenskapen som gör att en tröskelbaserad pipeline överhuvudtaget fungerar. Och den kommer gratis.
Sex komponenter, och storleken på varje mellanrum

Det sammansatta talet döljer en mycket ojämn uppsättning förändringar, och två av dem handlar egentligen inte om noggrannhet.
• AA-Paperclip, dokumentbeslut — 62,60 för d1.2 mot 54,92, med 44,3 % av dokumenten helt korrekta mot 25,7 %. Den där all-pass-raden är den enskilt största förbättringen i versionen för det här paret: en faktura med femton fält där fjorton är rätt räknas som en miss under båda modellerna, och d1.2 förvandlar en fjärdedel av dokumenten till nästan hälften.
• When2Call, verktygsbeslut — 96,09 mot 81,59, med 95,5 % träffsäkerhet mot 77,9 %. Det här är den som förändrar vad modellen kan användas till. D1 på 77,9 % är en klassificerare som du skulle sätta en människa bakom; d1.2 på 95,5 % är en som du skulle låta sköta routningen.
• AA-symmetri, invarians — 76,52 mot 58,67, med 50,0 % all-pass mot 32,5 %. Formulera om frågan, ändra ordningen på alternativen, negera ett ja/nej: den gamla modellens svar ändrades, den nyas gör det mestadels inte.
• EvalSafe-O*NET-AA, arbetsplatsbedömning – 86,55 mot 84,21, och 79,7 % noggrannhet mot 76,3 %. Den minsta skillnaden i tabellen, och inte i sig ett skäl att migrera.
• AA-Omniscience-Decision v1.1, kunskap — 60,94 mot 58,31. Nästan tre poäng, och underraderna nedanför är det intressanta.
• HLE-MultiChoice v1.1, svåra frågor – 44,69 mot 39,80, med 5,30 % träffsäkerhet mot 11,79 %. Den nya modellen får färre svåra frågor rätt och får ändå fem poäng högre resultat, eftersom indexet poängsätter sannolikheten i stället för bara valet.
Berättelsen om avståendet är den verkliga uppgraderingen.
Titta på raderna för icke-hallucination tillsammans, eftersom de beskriver en modell som förändrade sin karaktär snarare än sin noggrannhet.
• AA-Omniscience-Decision icke-hallucination — d1.2 66,6 %, D1 3,3 %. D1 svarade korrekt på 39,8 % av dessa frågor och avstod nästan aldrig; d1.2 svarar korrekt på 30,0 % och avstår betydligt oftare.
• HLE-MultiChoice icke-hallucination — 53,9 % mot 5,6 %, på ett benchmark där D1:s råa noggrannhet är dubbelt så hög.
• AA-Symmetry all-pass — 50,0 % mot 32,5 %, vilket är samma förskjutning som ses genom konsekvens snarare än genom vägran.
D1 var familjens första modell och den beter sig som en sådan: när den får en fråga den inte kan svara på producerar den ett svar. En icke-hallucinationsgrad på 3,3 % innebär att den på ungefär 97 av varje 100 kunskapsfrågor där det korrekta svaret var att avstå, inte avstod. Om din pipeline skickar fall med låg konfidens till en mänsklig granskare är det den här egenskapen som avgör om grinden fungerar; en modell som aldrig säger "Jag vet inte" ger dig inget att sätta en tröskel på, och dess sannolikheter på 0,9 betyder mindre än d1.2:s 0,9:or.
Förbehållet är symmetriskt och värt att nämna: d1.2 får färre svåra frågor rätt. Om din uppgift är en kunskapsfråga med ett definitivt svar och ingen möjlighet att avstå – är detta påstående förenligt med policyn, matchar den här koden specifikationen – byter du noggrannhet mot ärlighet, och bytet är kanske inte gratis.
Vad den nya modellen kan svara på som den gamla inte kan
d1.2 lägger till fem svarstyper och ljudinmatning. D1 har ingen av dem, och oavsett hur mycket man promptar täcks inte den luckan, eftersom svarskontraktet saknar ett fält för en span-position eller en bounding box.
• Ett värde plus tecknen som det lästes från, eller "hittades inte" — extraktionsprimitiven som eliminerar ett andra generativt pass per fält.
• Varje span av ett slag med positioner — namn, telefonnummer, e-postadresser — som en redigeringsprimitiv i stället för en sammanfattningsprompt.
• En ruta runt ett objekt eller runt varje förekomst plus ett antal.
• En uppskattning med ett tillhörande intervall.
• Varje tillämpligt alternativ med sin egen sannolikhet, i stället för en enda vinnare.
Ljudet fungerar åt båda hållen: inspelningen kan vara subjektet, eller så kan den vara frågan. Noggrannhetssiffrorna för allt detta kommer från Liquid, på interna testset byggda från undanhållna delningar av offentliga dataset, eftersom ingen offentlig benchmark täcker de nya uppgifterna — 98 % och 96 % för att läsa av ett värde från ett kvitto för d1.2-ultra och d1.2, 94 %/93 % mot 92 %/88 % på personuppgiftsspann, 94 % för båda vid objektlokalisering. Betrakta dem som leverantören som utvärderar sig själv; resultattavlan har ingen rad för något av det.
En faktureringsdetalj följer med. Under D1 debiterades varje fråga som en egen prompt, inklusive varje bifogad bild; under d1.2 debiteras en begäran för sin text och sina bilder en gång, och varje extra fråga lägger bara till sin egen text. Ställ tio frågor om ett enda 1024×1024-fotografi — 1 536 tokens bild — och den gamla regeln debiterar cirka 15 360 bildtokens; den nya debiterar 1 536. Med samma $0.02 är mönstret med flera frågor flera gånger billigare på d1.2, och besparingen ligger i faktureringsregeln snarare än i priset.
Vad går sönder när du ändrar strängen?

Mindre än man skulle förvänta sig, och undantagen är värda ett test snarare än en oro. Slutpunkten förblir api.liquid.ai/decisions/v1/systemone, modellsträngen blir d1.2, och de tre ursprungliga frågetyperna behåller sin struktur för förfrågan och svar. En klient som skickar ett värde, ett val och en poäng får samma JSON tillbaka.
Tre saker att kontrollera mot ditt eget prov innan du växlar en produktionssökväg:
• Tolkning av "not found". De nya svarstyperna kan returnera en explicit frånvaro, och en parser som antog ett icke-nullvärde kommer att gå sönder på det. Detta är en funktion, men det är en brytande ändring i ett strikt schema.
• Tröskelns placering. Sannolikheter betyder något annat nu. En 0,8 på d1.2 är en mer tillförlitlig 0,8 än en 0,8 på D1, så en tröskel som justerats efter den gamla modellens övertro kommer att utlösas mer sällan efter bytet. Justera den på nytt i stället för att föra över den som den är.
• Kunskapsdelen. Om en del av din arbetsbelastning är faktabedömning snarare än dokumentläsning, mät den delen separat. Det är det enda stället där den nya modellens högre benägenhet att avstå från att svara kan kosta dig täckning, och styrelsens noggrannhetsrader säger det rakt ut.
Vem bör migrera, och vem bör mäta först
Migrera utan krusiduller om arbetsbelastningen är extrahering, routning, verktygsval eller konsistenskänslig klassificering. Varje publicerad rad talar för d1.2, priset ändras inte, och skillnaderna när det gäller invarians och verktygsanrop är tillräckligt stora för att en omkörning sannolikt inte ska vända dem.
Mät först om arbetsbelastningen är kunskapsbedömning i volym, eller om pipelinen har en handjusterad sannolikhetströskel. Inget av detta är ett skäl att stanna kvar på D1 – men båda är skäl att köra några tusen verkliga tillstånd genom båda modellerna och jämföra sannolikheterna snarare än etiketterna.
Åtkomst först, eftersom en migreringsfråga vanligtvis blir en upphandlingsfråga. D1 och d1.2 finns båda på Liquids API; ingen av dem finns i vår katalog, och inget här är ett påstående om tillgänglighet. Modellen i vår katalog som hör hemma i det här testet är Jev 1.14, som tar EvalSafe-O*NET-AA till 91,14 där d1.2 stannar på 86,55, talar samma systemone-form och debiterar 0,042 USD per miljon indatatoken. Sätt alla tre i samma lägen och routing-DSL:en skriver uppdelningen en gång — efter frågetyp, inte efter tjänst — med leverantörernas listpriser vidarebefordrade med 0 % påslag så att de 0,02 USD du ser angivna är de 0,02 USD du betalar. Automatisk failover är det som låter en modell som släpptes för två dagar sedan hålla en fil av en live-arbetsbelastning i stället för allt.
Det är hela jämförelsen. Samma pris, samma kontrakt, samma slutpunkt, en generation arbete mellan dem, och sex sammansatta vinster mot två noggrannhetsrader som den gamla modellen fortfarande har – båda ligger på kunskapsaxeln, där d1.2:s avstående är det som kostar den. Om din arbetsbelastning är extraktion, routning eller klassificering har varje rad du bryr dig om rört sig i rätt riktning. Om det är faktabedömning utan en granskare bakom, kör skuggjämförelsen först och låt siffrorna för dina egna tillstånd avgöra.
