d1-omni vs Liquid AI D1 Ultra: En 850 MB-fil mot en mätare för $0,042, och aritmetiken är inte vad du förväntar dig

Instinkten när du ställer d1-omni bredvid Liquid AI D1 Ultra är att de befinner sig i varsin ände av ett spektrum och att valet handlar om ambition. Den ena är 587M parametrar i öppna vikter – 850 MB på disk i taggen som dök upp i Ollama-biblioteket den här veckan, en checkpoint som har laddats ner cirka 13 900 gånger från Hugging Face sedan 5 oktober 2026. Den andra är Liquid AI:s flaggskeppsbeslutsmodell, som tillkännagavs den 15 oktober 2026, med inget parameterantal avslöjat, inga publicerade vikter och en enda publicerad siffra som betyder mer än något benchmark: 0,042 USD per miljon indatatoken. Att hyra ett frontlinjebeslut kontra att äga ett litet låter som en budgetfråga. Kör mätaren mot en verklig arbetsbelastning och det upphör mestadels att vara en sådan – den lilla modellens fördel är inte att den är billig, utan att den är din.

Den distinktionen är värd att fastställa exakt, eftersom de två sakerna som jämförs inte är två modeller på samma hylla. Liquid AI D1 Ultra är en endpoint du anropar. d1-omni är en fil du kör. Båda svarar på samma tre frågeformat – ett ja/nej med en sannolikhet, en etikett med en sannolikhet per etikett, eller en position på en skala – och båda returnerar dessa svar i en enda framåtpassning med noll genererade utdatatokens. Allt efter det, inklusive vad svaren kostar och vem som ansvarar när de driver iväg, beror på vilken av de två du valde.

Hyrsidan – prissatt precis som Liquid AI faktiskt fakturerar

Liquid AI D1 Ultra tar endast betalt för input, till $0,042 per miljon inputtokens, utan avgift för completion eftersom det inte finns någon completion. Det är hela prislistan, och det intressanta är bildregeln under den. Bilder debiteras enligt texttaxan baserat på patchar: 1,5 token per 32×32-pixelsruta, vilket gör en 1024×1024-bild till 1 536 token. Och varje fråga debiteras som sin egen prompt, med sin egen kopia av tillståndet och alla bifogade bilder. Ställ fyra frågor om samma foto och du betalar för det fotot fyra gånger.

Sätt en siffra på en arbetsbelastning där ett visionsbeslut är den naturliga lösningen. Anta en nattlig genomgång av 25 000 produktannonser, var och en med ett 1024×1024-fotografi och cirka 200 tokens annonstext, med två typade frågor – en ja/nej-fråga om bilden matchar kategorin, en poängfråga om bildkvalitet. Varje prompt innehåller 1 536 bildtokens plus 200 texttokens, alltså 1 736 tokens, och det finns två frågor, alltså 3 472 tokens per annons. Det är 86,8 miljoner indatatokens för genomgången, eller ungefär $3,65. Ett nattligt jobb, hela månaden, landar på några hundra dollar.

Det är ett genuint obehagligt resultat för alla som antog att frontier-alternativet var det dyra. Prissättningsmodellen är anledningen: beslutsmodeller genererar aldrig tokens, så kostnadskurvan har ingen utdataterm som kan explodera, och återfaktureringen per fråga är en fast multiplikator som du kan planera kring i stället för en variabel som du upptäcker i räkningen.

Den egna sidan, och var dess kostnad faktiskt gömmer sig

d1-omni har överhuvudtaget inget pris per anrop. Det är en modell med 587M parametrar – en delad stam och ett beslutshuvud på 381M, en 94M SigLIP2-visionencoder som ärvts från Liquid AI LFM2.5-VL-450M och en 112M ljudencoder – publicerad under Liquid's LFM 1.0-villkor, med GGUF-byggen som följer den 6 oktober och MLX-byggen den 12 oktober. Dess kostnad är den hårdvara du redan har, plus den del som ingen tar upp i jämförelsen: arbetet med att hålla den kvar där.

Vad de två alternativen har och inte har gemensamt, i de dimensioner som avgör en driftsättning:

• Vikter — publicerade för d1-omni under LFM 1.0; inte publicerade för Liquid AI D1 Ultra. Liquid beskriver sin flaggskeppsmodell endast som "baserad på en större öppen viktmodell med en serie omfattande anpassningar specifika för Liquid". Basen är öppen; modellen du anropar är det inte.

• Parametrar – 587M och fullständigt specificerade för d1-omni; ej angivna för d1-ultra. Du kan inte dimensionera hårdvara för flaggskeppet eftersom Liquid inte har publicerat någon storlek. Du kan dimensionera hårdvara för 600M exakt: 850 MB i Ollamas blandade Q8_0-tagg, 1,2 GB för BF16-taggen.

• Pris — inget pris per anrop på d1-omni; $0.042 per miljon indatatoken på d1-ultra, med bilder vid 1,5 token per 32×32-ruta och varje fråga debiteras igen med hela tillståndet.

• Modaliteter – d1-omni tar emot text plus bilder eller text plus upp till 30 sekunder ljud, men aldrig båda i en och samma förfrågan. d1-ultra beskrivs som multimodalt utan en publicerad uppdelning av modaliteter; det som Liquid dokumenterar är frågetyperna och regeln för bildtoken.

• Kontext — 16 384 token för d1-omni sammanlagt över text-, bild- och ljudpositioner, nedskuren till 896 token för tillstånds- och frågetext när en bild bifogas, ”enligt träningen”. Ingen kontextsiffra har publicerats för d1-ultra.

• Latens – inga publicerade inferenssiffror för d1-omni, eftersom Liquid uppger att de inte rapporterar dem för en checkpoint som de kallar en tidig forskningsrelease under aktiv utveckling; d1-ultra levereras end-to-end utan att någon separat latenssiffra har publicerats heller.

• Kalibrering – flaggskeppet tränades uttryckligen för det. Liquids angivna motivering är att de flesta beslutsmodeller är överdrivet säkra, så d1-ultra finjusterades för att producera mer tillförlitliga sannolikheter. d1-omni har en kalibreringsmärkning av sitt eget slag, men 600M är en experimentell checkpoint och ingen tredje part har mätt kalibreringen för någon av modellerna.

De två poängen är inte en linjal.

Frestelsen är att skriva 15,95 bredvid flaggskeppet och subtrahera. Gör inte det. d1-omni:s 15,95 kommer från den offentliga delmängden av Decision Index v0.2.1, en resultattavla där Liquid AI poängsatte sina egna bidrag med den officiella poängräknaren i stället för att skicka in dem – delpoäng Kunskap 8,3, Språk 12,9, Informationshämtning 35,0, Verktyg 15,1, Konst 6,8, jämfört med d1-3B:s 48,57 inom samma familj. Liquids påstående för d1-ultra är en förstaplats i Artificial Analysis Decision Index med minst åtta poängs marginal, vilket är en annan resultattavla med en annan version, publicerad innan flaggskeppet fanns. De två siffrorna mäter olika saker med olika måttstockar, och den ärliga tolkningen av paret är bara att gapet är stort – inte att det är 40-någonting poäng.

Den siffra som överlever jämförelsen är den som ingen publicerar: 600M har inga inferenssiffror alls, så du kan inte ange dess kostnad per beslut på din egen hårdvara utan att mäta den själv. Det är den mätningen, inte en resultattabell, som avgör beslutet om egen drift kontra hyrd.

Tre arbetslaster, tre olika svar

• En nattlig batch på 25 000 bildkontroller – cirka 3,65 dollar per körning på Liquid AI D1 Ultra, och på d1-omni en nedladdning på 1,2 GB plus vilken GPU du än riktar mot den. Vid den här volymen är mätaren inte den avgörande faktorn; den avgörande faktorn är om du vill ha den noggrannhet som flaggskeppet utlovar, och om tre dollar per natt är värt mer än att underhålla en modellserver.

• En hård grind där sannolikheten är beslutet — ett godkännande, ett modereringsbeslut, en handel som utlöses vid en tröskel. Här är kalibreringen produkten, och d1-ultra är den enda av de två som Liquid säger tränades specifikt för det. En självsäker felaktig sannolikhet på 0,6 är värre än ingen sannolikhet alls, och ingen tredje part har ännu kontrollerat någon av modellerna för det. Om tröskeln spelar roll vill du ha leverantörens kalibreringspåstående reproducerat innan du litar på det vid gränsen.

• En klassificerare med hög volym och låg risk på en enhet – dirigera ett röstkommando, triagera en inkorg, flagga en annons för mänsklig granskning. Inget med den här arbetsbelastningen kräver en hostad frontiermodell. 600M returnerar ett typat svar från en enda framåtpassering i 850 MB, vilket är hela anledningen till att den finns, och bildbudgeten på 896 token räcker för en mening om tillstånd och ett foto.

Var routinggränsen faktiskt ligger

Ingen av modellerna finns i vår katalog, och det är värt att vara rak på den punkten i stället för att antyda något annat: varje anrop till Liquid AI d1-omni-600M och varje anrop till Liquid AI d1-ultra går till din egen hårdvara eller till leverantörens eget API och tredjepartsplattformar, inte via oss. Det som OrcaRouter täcker är den halva av pipelinen som en beslutsmodell inte kan göra själv. En beslutsmodell på 587M returnerar en etikett eller en sannolikhet och stannar där; något måste fortfarande skriva svaret, sammanfatta ärendet eller agera på poängen. Ett API för 200+ modeller, med varje leverantörs listpris som förs vidare oförändrat och routnings-DSL:en tillgänglig när en triagerad förfrågan behöver skickas ut till mer än en modell, är ett tystare påstående än "vi hostar beslutsmodellen", och det är det sanna.

Vad skulle ändra svaret

Jämförelsen avgörs för närvarande av två saker som inte finns. Liquid AI D1 Ultra har inget publicerat parameterantal, så man kan inte resonera om kostnaden per token mot storleken på jobbet den utför, och ingen latenssiffra, så en interaktiv väg kan inte designas runt den utan mätning. Och d1-omni har inga publicerade inferenssiffror enligt leverantörens eget val, så kalkylen egen kontra hyrd har en sida som bara ett benchmark av din egen hårdvara kan fylla i.

Om någon av dessa går i lås förändras beslutets karaktär. Ett oberoende kalibreringsresultat för d1-ultra skulle avgöra gate-arbetsbelastningen, där priset redan är en storleksordning lägre än de flesta skulle gissa. En latenssiffra från Liquid för 600M skulle låta någon med tillförsikt placera den i en interaktiv väg i stället för att testa den först. Fram till dess är den säkra tolkningen snäv och oglamorös: flaggskeppet är prissatt tillräckligt nära gratis för att enbart budgeten inte ska få dig att köra något själv, och 600M:s verkliga fördel är att när du väl har filen kan ingen ändra siffran, villkoren eller slutpunkten under dig.

De dokumenterade AI-felen och agentincidenterna bakom släpp som detta samlas i OrcaRouter AI Incident Archive, där varje post har sina egna källor, allvarlighetsgrad, konfidensgrad och omstridd flagga.