
Liquid AI d1.2 levereras med ljud in och boxar ut – och den billiga modellen är den intressanta
- OrcaNYOrcaCyber: Hy4 Flash Abliterated / Uncensored2026-11-18$0.07 / $0.28 per 1M tokens · 180 tok/s
- tencentNYTencent: Hy4 Flash2026-11-16$0.02 / $0.07 per 1M tokens · 223 tok/s
- GoogleNYGoogle: Gemini 4 Carbon2026-11-10$2.00 / $10.00 per 1M tokens · 89 tok/s
- AnthropicNYAnthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 per 1M tokens · 98 tok/s
- orcaNYOrca: OrcaC2 1.02026-11-079 tok/s
- OrcaOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 per 1M tokens · 88 tok/s
- OrcaOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 per 1M tokens · 134 tok/s
- OrcaOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$2.00 / $5.00 per 1M tokens · 79 tok/s
- tencentTencent: Hy42026-11-04$0.83 / $2.50 per 1M tokens · 94 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 per 1M tokens · 118 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 per 1M tokens · 68 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 per 1M tokens · 94 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 per 1M tokens · 44 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 · 199 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929Intelligens
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 per 1M tokens · 114 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733Intelligens
- DeepSeekDeepSeek: DeepSeek V4.1 Flash 09102026-10-17$0.15 / $0.60 per 1M tokens · 311 tok/s
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740Intelligens
Liquid AI d1.2 och Liquid AI d1.2-ultra gick live på leverantörens API den 16 november 2026, och rubriknumret tillhör den dyra: d1.2-ultra får 75 poäng på Artificial Analysis Decision Index v2.1 och är först bland de 25 beslutsmodeller som resultattavlan rangordnar. Den mer betydelsefulla förändringen finns i förfrågningskroppen, inte på resultattavlan. Båda modellerna returnerar nu svar som den tidigare generationen inte kunde uttrycka – ett värde plus de tecken det lästes från, en lista med textspann och deras positioner, en avgränsningsruta, ett antal med ett intervall omkring sig, en uppsättning alternativ som vart och ett bär sin egen sannolikhet – och båda tar emot ljud, antingen som det som frågan gäller eller som själva frågan.
Det är en annan typ av lansering än en noggrannhetsökning. En beslutsmodell brukade lämna tillbaka en etikett och en sannolikhet, vilket innebar att alla pipelines som behövde beviset bakom etiketten var tvungna att koppla på en andra modell för att hitta det. d1.2 svarar med beviset bifogat, i en enda framåtpassning, till $0.02 per miljon input-tokens. d1.2-ultra gör samma sak till $0.042. Ingen av dem genererar utdatatokens, så det finns fortfarande inget att streama: det här är modeller som du anropar och får tillbaka ett strukturerat objekt från.
Båda är live i dag på Liquids eget API och ingen annanstans som leverantören bekräftar. Allt nedan skiljer det som Liquid rapporterar från det som Artificial Analysis mätte, eftersom de i den här utgåvan inte är samma uppsättning siffror och skillnaden spelar roll.
Vad som faktiskt levererades, punkt för punkt
De fem nya svarstyperna är additiva. Slutpunkten är oförändrad, de tre ursprungliga frågetyperna är oförändrade, och en klient som skickar samma JSON som den skickade igår får samma form på svaret.
• Läs ett värde – fråga hur mycket som ska betalas på en faktura och få numret plus tecknen som det lästes från, eller strängen "not found" när fältet saknas. Det här är det som tar bort mest limkod, eftersom den vanliga lösningen är ett andra generativt anrop för att läsa sidan igen.
• Hitta varje spann av ett slag – varje namn, telefonnummer och e-postadress i en anteckning, vart och ett med sin position i texten. Det är en primitiv för maskning, och det är första gången den här familjen erbjuder en sådan.
• Lokalisera saker i en bild – en ruta runt signaturen på ett skannat formulär, eller en ruta runt varje förekomst av ett objekt plus antalet. "Hittades inte" är ett tillgängligt svar, vilket betyder mer än det låter: en objektdetektor som alltid måste returnera en ruta kommer att hitta på en.
• Uppskatta ett antal med ett intervall – tolv personer på fotot, rimligen tio till fjorton. Intervallet är den ärliga delen av resultatet, och det är den del som de flesta team annars skulle behöva kalibrera själva.
Välj alla alternativ som gäller – fakturering och leverans, vart och ett med sin egen sannolikhet, i stället för en enda vinnare. Multilabelklassificering fejkades tidigare genom att ställa samma fråga en gång per etikett och betala för tillståndet varje gång.
Ljud kommer in i båda riktningarna. Inspelningen kan vara ämnet – vilket språk som talas, om en siren hörs i bakgrunden – eller så kan frågan ställas muntligt i stället för att skrivas. Liquid uppger 95 % till 97 % träffsäkerhet på fristående inspelningar över ESC-50 och FLEURS, med tre till sex svarsalternativ per fråga och nära förväxlingar som spanska mot portugisiska i urvalet.
En faktureringsändring följer med och är lätt att missa. En förfrågan debiterar nu sin text och sina bilder en gång, och varje ytterligare fråga lägger bara till sin egen text. I den föregående generationen debiterades hela prompten inklusive varje bifogad bild om igen för varje fråga, så en utfrågning av ett fotografi med tio frågor betalade för fotografiet tio gånger.
Styrelsen, och vad förstaplatsen är först bland

Artificial Analysis har poängsatt båda de nya modellerna på Decision Index v2.1, och siffrorna är inte leverantörsrapporterade: resultattavlan körde dem själv, på samma sex utvärderingar, till aktuella listpriser. d1.2-ultra landar på 74,85, etta av 25 beslutsmodeller och 2,2 poäng före sin närmaste rival bland beslutsmodellerna, Drex Max v1.1 på 72,62. d1.2 landar på 68,69, nia av 25, över klassens median på 66.
Det förbehåll som är värt att ta med sig är att "först" är begränsat i omfång. Samma resultattavla poängsätter också två allmänna språkmodeller på samma instrument, och båda slår d1.2-ultra rakt av: Claude Haiku 5.5 (Max) på 76,49 och GPT-6 Luna (Max) på 75,67. Ingen av dem är en beslutsmodell, och priset för jämförelsen är allvarligt – 6 218 USD och 1 548 USD per miljon uppgifter mot 133 USD – men "nummer ett på Decision Index" utan ordet beslut i sig är inte vad resultattavlan visar.
Det som topplistan oberoende bekräftar är kalibreringsbilden. Beslutspoängen på detta index drar av Brier-poängen för sannolikheten som är kopplad till det valda svaret, så en modell som har rätt men är extremt självsäker straffas. d1.2-ultra har en Brier på 0,150, d1.2 0,164 och modellen de ersätter, d1-ultra, 0,176. Den billigare nya modellen är bättre kalibrerad än den äldre flaggskeppsmodellen trots att den får 1,9 poäng lägre totalt, vilket är den sorts uppdelning som bara visar sig när någon annan kör testramverket.
Tid och kostnad fullbordar bilden och drar i olika riktningar. d1.2 körs på 150 ms per uppgift, åttonde snabbast på resultattavlan och strax under medianen på 206 ms. d1.2-ultra körs på 218 ms, långsammare än medianen och på 15:e plats. När det gäller kostnad per miljon uppgifter placerar resultattavlan d1.2 på $63, tredje billigast av de 25, och d1.2-ultra på $133, elfte plats mot en median på $137.
Numren för de nya uppgifterna, och vem som tog fram dem

Ingen offentlig benchmark täcker ännu någon av de fem nya svarstyperna, så varje noggrannhetssiffra för dem kommer från Liquids egna interna testuppsättningar, byggda från held-out-splittar av offentliga datamängder. De är en leverantörs utvärdering av sin egen modell på data som den själv har valt, och de bör läsas som exakt det.
• Avläsning av ett värde från ett kvitto, på CORD och SROIE – 98 % för d1.2-ultra, 96 % för d1.2. En avläsning räknas som korrekt när den hittar målvärdet eller korrekt anger att det saknas, vilket gör att fallet där det inte hittas ingår i poängen i stället för att vara en fri passage.
• Spann för personuppgifter, på Nemotron PII – 94 % precision och 93 % recall för ultra, 92 % och 88 % för d1.2. Recall-skillnaden på fem punkter är den största skillnaden mellan de två modellerna i någon av de fem uppgifterna, och det är den som spelar roll för maskning, där ett missat spann är det fel som leder till böter.
• Objektlokalisering, på RefCOCO-familjen — 94 % för båda. Ingen separation alls.
• Räkning inom ett, på COCO — 93 % för ultra, 92 % för d1.2.
• Att plocka ut alla objekt som finns, på COCO — 87 % för ultra mot 90 % för d1.2, den enda raden där den billiga modellen vinner.
Så premiumvarianten ger en tydlig vinst när det gäller att avläsa värden och span-recall, och nästan ingenting på spatiala uppgifter. Om ditt användningsfall är boxar är $0.02-modellen den du bör testa först.
Ljud, och specifikationsbladet som inte har hängt med
Ljud är det påstående där gapet mellan tillkännagivandet och den oberoende dokumentationen är som störst. Inlägget från Liquid beskriver ljudinmatning som en huvudfunktion hos båda modellerna; den tekniska specifikationen från Artificial Analysis för båda listar fortfarande inmatningsmodalitet som text och bild, och indexet har ingen ljudutvärdering, så inget på tavlan testar påståendet. Det är ingen motsägelse – tavlan har helt enkelt inte kommit dit än – men det innebär att ljudfunktionen för närvarande är ett leverantörspåstående utan någon tredjepartskontroll bakom sig.
Samma försiktighet gäller för de fem nya svarstyperna: indexet mäter ingen av dem. En modell kan ligga först på listan och ändå vara omätt på det du faktiskt vill göra med den.
Leverantörens kalibreringstabell är värd att läsa av en annan anledning. Över 13 benchmarkar och 22 505 frågor som besvarats av alla fem modellerna anger Liquid kalibreringsfelet till 0,8 poäng för d1.2-ultra, 1,2 för d1.2, 2,7 för Jev 1.14, 3,7 för Perplexitys Decider v1.3 och 7,2 för GPT-6 Luna på dess Decisions-endpoint. Det är siffror som tagits fram av leverantören på en frågeuppsättning som leverantören valt. Boardens Brier-poäng pekar i samma riktning för samma två modeller, vilket är det närmaste en andra åsikt som finns tillgängligt den här veckan.
Kontrollerar kostnadsmeningen mot tavlan

Liquid kommer med ett påstående som är ovanligt falsifierbart: ingen modell får högre poäng än d1.2 för mindre pengar, och ingen modell får högre poäng än d1.2-ultra till något pris. Båda halvorna håller på tavlan, med samma avgränsningsförbehåll som tidigare.
• Den andra hälften är näst intill trivialt sann bland beslutsmodeller – inget annat på resultattavlan med 25 modeller får överhuvudtaget en poäng över 74,85. Det fallerar bara om de två allmänna språkmodellerna tillåts, och de kostar 12 till 47 gånger så mycket per miljon uppgifter.
• Den första halvan håller på beslutstavlan: varje beslutsmodell som får mer än d1.2:s 68,69 kostar mer per miljon uppgifter. Den närmaste billiga utmanaren är Perplexitys Decider v1.3 på 70,41 och 68 dollar, vilket är mindre än två indexpoäng för fem dollar per miljon uppgifter – det närmaste beslutstavlan kommer ett motexempel, och fortfarande på rätt sida av Liquids mening.
• Kostnadssiffrorna är Artificial Analysiss egna, beräknade utifrån aktuella listpriser och viktade med indexvikterna. De är en modellerad kostnad per uppgift, inte en faktura, och de ändras om en leverantör ändrar ett pris.
Den sista punkten är där ett routningslager förtjänar sin plats i stället för att göra reklam för sig självt. Den här utgåvan ändrade Liquids faktureringsregel, halverade det effektiva priset för den billiga modellen gentemot den gamla flaggskeppsmodellen och gjorde det för två dagar sedan. Hos oss förs leverantörernas listpriser vidare med 0 % påslag, så en leverantörsprissänkning slår igenom här samma dag i stället för vid nästa avtalsförnyelse – $0,02 och $0,042 i den här artikeln är leverantörens siffror, inte en uppjusterad återgivning av dem.
Vad du ska göra den här veckan om du redan kör en beslutsmodell
Inget i det här stycket är ett tillkännagivande av tillgänglighet: båda de nya modellerna finns i Liquids API, och ingen av dem har nått vår katalog ännu. Anledningen till att vi överhuvudtaget nämner vår egen är att släppet är ett släpp av en beslutsmodell, och den beslutsmodell vi faktiskt tillhandahåller är Jev 1.14 – den enda raden på resultattavlan som slår d1.2-ultra på en komponent, EvalSafe-O*NET-AA med 91,14 mot 89,53, med samma systemone-förfrågningsform till $0,042 per miljon indatatoken. Oavsett vad du kommer fram till om de fem nya svarstyperna har säkerhets- och arbetsplatssegmentet en befintlig aktör som du kan benchmarka mot redan idag.
Det drag som är vettigt innan de tredjepartsplattformar som Liquid utlovar faktiskt dyker upp är en skuggkörning. Skicka tillstånden som din pipeline redan ser till båda d1.2-modellerna, jämför sannolikheterna i stället för top-1-etiketterna och titta särskilt på de fall där modellen svarar 0,8 och har fel. Den svansen är där den tidigare generationen var svagast, och det är den enda sak som den här utgåvan hävdar att man har åtgärdat som indexet bara delvis kan bekräfta.
Automatisk redundansväxling är den andra halvan av att testa en två dagar gammal modell utan att satsa en produktionsväg på den: dirigera en del av trafiken till d1.2-ultra, behåll den befintliga modellen bakom och låt en dålig eftermiddag hos en leverantör sänka svarsgraden i stället för att slå ut pipelinen. Det är ett billigare sätt att ta reda på om 75 är verkligt än att vänta på någon annans benchmark.
Den öppna frågan är inte huruvida dessa modeller lanserades – det gjorde de, med priser och en endpoint – utan huruvida de fem nya svarstyperna håller utanför Liquid's egna held-out-splits. Ingen har publicerat en oberoende siffra för någon av dem, och tills någon gör det är den ärliga hållningen att den här lanseringen tillför ett genuint användbart utdatakontrakt på bevis som helt och hållet är leverantörens egen.
