Liquid AI d1-ultra: Den nya ledaren i Decision Index, tränad att tvivla på sig själv

Liquid AI d1-ultra släpptes den 15 oktober 2026, och det mest intressanta med den är en siffra som ingen citerar: på Artificial Analysis Decision Index fick modellen som den ersätter 2 i icke-hallucination. Liquid AI d1 var, på samma resultattavla, den enskilt mest träffsäkra beslutsmodellen på att svara på kunskapsfrågor – och den sämsta i sin klass på att känna igen de frågor den inte kunde svara på. Liquid AI d1-ultra är leverantörens svar på det, och den annonseras med ett anspråk på förstaplatsen: att den toppar Decision Index med minst åtta poäng över alla andra beslutsmodeller, inklusive den som för närvarande ligger högst upp på den resultattavlan, Jev 1.13. Det anspråket kommer från Liquid, inte från Artificial Analysis, och resultattavlan som det refererar till publicerades innan den här modellen fanns. Båda dessa fakta är bärande, och den här artikeln håller dem fästa vid siffrorna de hör till. Varje leverantörsavbrott och tillbakarullning vi har spårat loggas i Orca AI Incident Archive, som rymmer hela postuppsättningen tillsammans med intilliggande poster för den här incidenten.

Vad modellen är, mekaniskt sett, är samma satsning som Liquid har gjort hela året. Du ger den ett tillstånd – en JSON-payload, en supportbiljett, en skärmbild av en instrumentpanel – och en uppsättning namngivna frågor, och den läser av svaren från sin egen distribution i en enda framåtpassning. Ingen sampling, ingen parsning, ingen skenande generering. Leverantörens användningsräknare rapporterar output_tokens: 0, exakt som den gör för resten av d1-linjen.

Vad Liquid säger att de har byggt, och vad de testade det mot

Alla siffror i det här avsnittet är Liquids egna, rapporterade i lanseringsinlägget, och har inte reproducerats av någon annan vid tidpunkten för detta skrivande. Modellen beskrivs som en multimodal beslutsmodell byggd på en större bas med öppna vikter och med vad inlägget kallar omfattande Liquid-specifik anpassning, trimmad specifikt mot kunskapstunga beslut – en formulering som framstår som en direkt hänvisning till kalibreringsproblemet nedan. Den har samma tre frågetyper som resten av familjen. noul är binär: ge den ett påstående och den returnerar P(ja) mellan 0 och 1. Choice väljer en etikett och returnerar en fördelning plus ett konfidensvärde. Score placerar tillståndet på en ordnad skala med sannolikheter per nivå. Alla tre returneras strukturerat, och ingen av dem förbrukar utdatatoken.

Liquids bevis är en serie av 112 unika utvärderingar mot dess egen tidigare d1 och mot Jev 1.14, den nyare Jev-versionen. Företaget säger att d1-ultra överträffar Jev 1.14 på alla uppgifter och är bättre kalibrerad till samma pris. Det är ett starkare och mer specifikt påstående än "toppar resultattavlan", och det är också det svårare att kontrollera, eftersom kalibrering är den egenskap man inte kan avläsa från en enskild poäng. Notera också att Jev 1.14 är ett leverantörsnamngivet jämförelseobjekt: det förekommer inte någonstans i vår katalog, och vi kunde inte hitta en offentlig rad i Decision Index för det.

API-ytan är ett enda icke-strömmande anrop till POST https://api.liquid.ai/decisions/v1/systemone med "model": "d1-ultra". Inget kontextfönster har publicerats någonstans i lanseringsmaterialet, vilket är en verklig lucka snarare än ett avrundningsfel: för en modell vars hela uppgift är att få ett tillstånd skickat till sig, är storleken på det tillstånd du får skicka till den nära den primära specifikationen. Eftersom den aldrig genererar tokens är utdatakostnaden strukturellt noll och strömning är inte tillämplig.

Indexet i fråga föregår modellen

Artificial Analysis publicerade Decision Index v1.0 den 13 oktober 2026 – två dagar innan d1-ultra existerade. Tavlan byggs upp av fyra utvärderingar som viktas med 25 % vardera: AA-Omniscience-Decision, en privat uppsättning på 500 frågor som poängsätts till hälften utifrån korrekthet och till hälften utifrån icke-hallucination; HLE-MultiChoice, 513 flervalsfrågor i text hämtade från Humanity's Last Exam; When2Call, en NVIDIA-utvärdering av verktygsanrop; och WildGuardTest, Ai2:s uppsättning för säkerhetsklassificering.

Artikeln som introducerade det nämner inte d1-ultra någonstans, vilket inte är förvånande, och det är därför siffran "åtta poäng före" bör läsas som ett leverantörspåstående snarare än en rangordning. På den publicerade resultattavlan leder Jev 1.13 fältet för beslutsmodeller med 58, medan GLiDE och M​icrosoft-Decision-1 ligger lika på 54. Två språkmodeller ligger över dem alla: C​laude H​aiku 5.5 (Low) på 61 och GPT-6 Luna (Low) på 55. Räknar man på Liquids påstående landar det på 66 eller högre — över den bästa språkmodellen på resultattavlan. Det kan mycket väl vara vad modellen gör. Det är också precis den typ av påstående som kräver att en tredje part reproducerar det innan någon planerar utifrån det.

Varför just kalibrering är hela historien

Det fel som d1-ultra är inriktad på är det som Artificial Analysis namngav i samma artikel. Beslutsmodeller visade sig som kategori vara genomgående alltför självsäkra: den sannolikhet en modell anger för ett svar ligger rutinmässigt högre än hur ofta det svaret visar sig vara rätt. Det spelar större roll här än det skulle göra för en chattbot, eftersom hela utdata från en beslutsmodell är en sannolikhet. En språkmodell som är självsäker men fel producerar ett stycke som du kan granska. En beslutsmodell som är självsäker men fel producerar ett tal som en pipeline är utformad att agera på.

Spridningen inom klassen är stor, och d1 låg i den dåliga änden av den:

• AA-Omniscience-Decision accuracy — Liquid AI d1 var den främsta beslutsmodellen med 41, där Jev 1.13 låg på 35. Språkmodeller i samma utvärdering fick 52 och 66.

• Icke-hallucinationsgrad — Liquid AI d1 fick 2. Jev 1.13 fick 35, Mercury Decide 32, och M​icrosoft-Decision-1 ledde med 40. Ingen annan beslutsmodell på resultattavlan misslyckades med att nå 17.

• Gapet mellan de där två raderna är hela pitchen. d1 visste mest och medgav minst. En modell som tränats att överbrygga det gapet – den enda dimensionen där Liquids tidigare bidrag var sist i stället för först – skulle föra klassen framåt även utan att röra den råa träffsäkerheten.

• HLE-MultiChoice — Jev 1.13 låg högst på 21, alla andra beslutsmodeller på 15 eller lägre. Det här är utvärderingen där fältet har störst utrymme, och den som Liquids 112-utvärderingskörning inte rapporterar mot.

• When2Call och WildGuardTest — Celeris-1 Decision och GLiDE delade förstaplatsen på 84 i verktygsanrop, med Jev 1.13 på fjärde plats med 81; GLiDE ledde säkerheten på 95, med Decider v1.1 27B och Jev 1.13 tillsammans på 94.

Vad en miljon beslut faktiskt kostar

Prissättningen är den del av lanseringen som inte behöver något förbehåll. Liquid AI d1-ultra debiteras 0,042 USD per miljon indatatoken och ingenting alls för utdata, eftersom det inte finns några utdata. Det priset är identiskt med d1:s och identiskt med vad vi tar ut för Jev 1.13, vilket gör de två modellerna direkt jämförbara när det gäller kostnad och inget annat.

Aritmetiken är enkel nog att göra på en servett. Ett tillstånd på ungefär tusen tokens – en måttligt detaljerad JSON-nyttolast, eller en sida text – kostar $0,042 att köra en miljon gånger. Artificial Analysis egna siffror för kostnad per miljon uppgifter för den här klassen ligger mellan $17 och $199, där Jev 1.13 ligger på $42, M​icrosoft-Decision-1 på $31 och Decider v1.1 27B på $17; mediantiden per uppgift i klassen sträcker sig från 0,06 sekunder till en halv sekund. Ett beslut på tusen tokens till $42 per miljon uppgifter ligger i mitten av det intervallet, vilket är det användbara att veta: prissättningen är inte anmärkningsvärd för kategorin, och den intressanta frågan är inte kostnad per token utan kostnad per korrekt beslut.

Det finns en faktureringsdetalj som kommer att överraska folk, och den är värd att läsas två gånger. Bilder debiteras som indatatext med 1,5 tokens per 32×32-pixelruta, vilket gör en 1024×1024-bild till 1 536 tokens – och varje fråga faktureras som sin egen prompt, inklusive alla bifogade bilder. Ställ tio separata frågor om samma fotografi och bilden debiteras tio gånger, så dessa tio frågor medför 15 360 bildtokens innan ett enda ord text. Att samla dina frågor i ett anrop jämnar inte ut det. Om din arbetsbelastning är visuell är antalet som styr din faktura antalet frågor multiplicerat med antalet bildtokens, inte antalet dokument multiplicerat med antalet bildtokens.

Där du kan ringa det

Liquid AI d1-ultra är nu live på Liquid AI:s eget API, via Liquid-konsolen och i d1 Playground för alla som vill testa det utan att skriva en klient. Leverantören har sagt att ytterligare plattformar är på väg; den ärliga sammanfattningen i dag är leverantörens eget API, med flera tredjepartsplattformar som följer. Det finns ett kodexempel i lanseringsinlägget som kan köras precis som det är.

En routingnotis, och det är inte en säljpitch: Liquid AI d1-ultra finns inte i vår katalog, och den här artikeln är inte ett anspråk på att den är tillgänglig. Det som finns i vår katalog är Jev 1.13 — modellen som för närvarande leder Decision Index — till samma pris på 0,042 USD per miljon indatatoken och samma nollkostnad för completion, med ett kontextfönster på 64K, serverad via samma identiska systemone-endpointform: text som indata, strukturerad JSON som utdata, icke-strömmande. Det är en användbar tillfällighet för alla som utvärderar den här lanseringen, eftersom det innebär att utmanaren och den sittande kan köras sida vid sida utan ett andra avtal. d1-ultra går direkt till Liquid; den sittande finns redan i vår katalog. Båda ligger bakom ett API för 200+ modeller, där listpriser förs vidare med 0 % påslag och där automatisk failover innebär att en ny modell kan ta en del av en verklig arbetsbelastning utan att behöva anförtros allt.

Den sista delen är den praktiska rekommendationen snarare än en produktplacering. En modell som är en dag gammal, vars huvudbenchmark inte har reproducerats oberoende och vars kontextfönster inte har publicerats, är inget man dirigerar produktionstrafik till under första dagen. Det är något man skuggkör mot modellen som redan sitter i platsen. Kör samma tillstånd genom båda, jämför fördelningarna snarare än etiketterna, och håll särskilt utkik efter fallet där d1-ultra säger 0,8 och visar sig ha fel – för det är fallet som lanseringen helt och hållet handlar om, och det är det enda numret Liquid inte har publicerat.

Vad skulle avgöra det?

Tre saker, i fallande ordning efter hur mycket de skulle förändra beslutet.

Den första är en rad i Decision Index. Tills Artificial Analysis kör d1-ultra genom sin egen pipeline är marginalen på åtta punkter gentemot Jev 1.13 en leverantörssiffra, och kalibreringsförbättringen gentemot Jev 1.14 är en leverantörssiffra som helt saknar offentlig motsvarighet. Tavlan uppdateras regelbundet, och en beslutsmodell som verkligen passerar 66 skulle vara det mest intressanta resultatet i kategorin i år, eftersom det skulle placera en icke-generativ modell ovanför alla språkmodeller på samma index.

Det andra är det saknade specifikationsbladet. Kontextfönster, latens vid en angiven batchstorlek, och huruvida frågor kan dela en bild utan att den debiteras igen — de tre siffrorna avgör om en arbetsbelastning är genomförbar långt innan benchmarkpoäng gör det. Liquids föregående generation utförde textbeslut på 200 till 300 millisekunder, vilket är en användbar referenspunkt men inte en mätning av den här modellen.

Den tredje är kalibrering utanför labbet. Liquids 112 utvärderingar är leverantörens eget urval av uppgifter. Överkonfidens är en egenskap som visar sig i svansen – den sällsynta svåra frågan, det tvetydiga tillståndet, indata från en fördelning som modellen aldrig har sett. Det är där d1 fick 2, och det är den enda platsen där en verklig förbättring skulle vara synlig.

Fram till dess är den ärliga hållningen den tråkiga: priset är verkligt och offentligt, slutpunkten fungerar, kategorins värsta brist är korrekt identifierad, och åtgärden påstås snarare än demonstreras. Om du arbetar med strukturerade beslut är det värt en eftermiddag. Det är inte värt en migrering.