การ์ดชื่อเรื่องที่สร้างขึ้นซึ่งมีหัวข้อ ‘ราคาเดียวกัน ต่างกันหนึ่งเจนเนอเรชัน’ หัวข้อย่อย ‘Liquid AI d1.2 เทียบกับ Liquid AI D1’ แถบแนวนอนยาวแถบเดียวลากขึ้นจากซ้ายไปขวา โดยมีป้ายกำกับ ‘D1 61’ ที่ปลายซ้าย และ ‘d1.2 69’ ที่ปลายขวา ชิปแบบมีกรอบสามชิ้นระบุว่า ‘$0.02 เท่ากันต่อ 1M โทเค็นอินพุต’, ‘systemone endpoint เดียวกัน’ และ ‘คอมโพเนนต์ทั้งหกดีขึ้น’ และบรรทัดคำบรรยายระบุว่า ‘ยังมีแถวความแม่นยำสองแถวที่เป็นของรุ่นเก่ากว่า’ เครื่องหมาย OrcaRouter ถูกคอมโพสิตไว้มุมขวาล่าง
Guides & Insights

d1.2 กับ Liquid AI D1: ราคาเดียวกันที่ $0.02 ชนะไปหกองค์ประกอบ และสองแถวความแม่นยำที่ถอยหลัง

ผู้เขียน

jinhao.song

วันที่เผยแพร่

โมเดลล่าสุด · 20ดูโมเดลทั้งหมด →
เบนช์มาร์ก: Artificial Analysis · อัปเดตทุกวัน
กลับไปยังโพสต์ทั้งหมด

Liquid AI d1.2 และ Liquid AI D1 อยู่ในราคาปลีกเดียวกัน — 0.02 ดอลลาร์ต่อโทเค็นอินพุตหนึ่งล้านโทเค็น คิดเงินเฉพาะอินพุต ไม่มีโทเค็นเอาต์พุต — บนเอนด์พอยต์เดียวกัน และตอบคำถามสามประเภทเดียวกัน ทั้งสองห่างกันสองรุ่น: D1 เป็นโมเดลตัดสินใจรุ่นแรกของตระกูล ซึ่ง Artificial Analysis ระบุว่าเปิดตัวในเดือนกันยายน 2026 และ d1.2 มาถึงเมื่อวันที่ 16 พฤศจิกายน 2026 โดยมี d1.1 อยู่ระหว่างกลาง ทุกสิ่งทุกอย่างที่การเปรียบเทียบมักขึ้นอยู่กับ — ราคา สัญญา โค้ดฝั่งไคลเอนต์ รูปแบบการติดตั้งใช้งาน — เหมือนกันทั้งหมด สิ่งที่เหลือคือตัวโมเดล และเมื่อดูที่โมเดล ผลลัพธ์ออกมาข้างเดียวแต่ก็ไม่สะอาดนัก: d1.2 ชนะการประเมินทั้งหกครั้งของ Decision Index v2.1 และนำอยู่ 7.9 คะแนนโดยรวม ขณะที่ D1 ยังชนะสองแถวของความแม่นยำดิบที่อยู่ใต้การประเมินเหล่านั้น

สองแถวนั้นคือเหตุผลที่เรื่องนี้ควรค่าแก่การอ่านอย่างละเอียดมากกว่าการกวาดตา ทั้งสองอยู่บนแกนความรู้ และทั้งคู่คือต้นทุนโดยตรงของการเปลี่ยนแปลงที่ทำให้ d1.2 ดีขึ้นในทุกด้านอื่น ๆ — มันปฏิเสธบ่อยขึ้นมาก การเปรียบเทียบนี้เป็นแม่แบบว่าการอัปเกรดแบบ "strictly better" จะหน้าตาเป็นอย่างไรเมื่อคุณตรวจดูแถวย่อย: ผลตอบแทนรวมที่เพิ่มขึ้นมาก การปรับปรุงเชิงพฤติกรรมอย่างแท้จริง และจุดเล็ก ๆ ที่คาดเดาได้ซึ่งโมเดลใหม่ยอมสละบางอย่างไป

สองแถวเคียงข้างกัน

A generated two-column scoreboard titled ‘d1.2 vs D1 - the scoreboard’. The d1.2 column lists Decision Index 69, AA-Paperclip all-pass 44.3%, AA-Symmetry 76.5, When2Call 96.1, Omniscience non-hallucination 66.6% and price per 1M input tokens $0.02. The D1 column lists 61, 25.7%, 58.7, 81.6, 3.3% and $0.02. The footer reads ‘Both rows per Artificial Analysis Decision Index v2.1; D1 ranks #21 of 25 decision models on the board.’ The OrcaRouter mark is composited bottom right.

โมเดลทั้งสองได้รับการให้คะแนนโดย Artificial Analysis บนบอร์ดเดียวกันในเวอร์ชันเดียวกัน ซึ่งขจัดความเสี่ยงตามปกติของการนำตัวเลขจากผู้ขายมาเปรียบเทียบกับตัวเลขจากแหล่งอิสระ ตัวเลขทั้งสองค่าในที่นี้ไม่ได้มาจาก Liquid

• Decision Index v2.1 — 68.69 สำหรับ d1.2 (อันดับ #9 จาก 25) เทียบกับ 60.78 สำหรับ D1 (อันดับ #21 จาก 25) ตอนนี้มีโมเดลถึงสิบเอ็ดตัวที่คั่นกลางระหว่างสองรุ่นนี้ และช่องว่างกว้างพอที่การรันซ้ำใด ๆ ที่เป็นไปได้จะปิดช่องว่างนี้ไม่ได้

• ราคาต่อหนึ่งล้านโทเค็นอินพุต — $0.02 สำหรับทั้งสองรุ่น ไม่เปลี่ยนแปลงตลอดสองเจเนอเรชัน

• ต้นทุนที่จำลองต่อหนึ่งล้านงาน — $63 สำหรับทั้งสอง ซึ่งเป็นสิ่งที่คาดไว้ได้เมื่อราคาต่อโทเคนเท่ากันและจำนวนโทเคนต่องานใกล้เคียงกัน ไม่มีตัวไหนถูกกว่า; บอร์ดจัดอันดับให้ทั้งสองอยู่อันดับที่สาม

• เวลาต่อหนึ่งงาน — 150 ms เทียบกับ 151 ms ถือว่าเท่ากันโดยแทบไม่มีความต่าง และทั้งสองเร็วกว่าค่ามัธยฐานของคลาสที่ 206 ms

• หน้าต่างบริบท (context window) — 66k โทเคนสำหรับทั้งสองรุ่น ตามที่ระบุไว้บนบอร์ด โพสต์ของ Liquid เองไม่ได้ระบุขนาดหน้าต่างบริบทสำหรับรุ่นใดเลย ดังนั้นนี่จึงเป็นการตีความจากบุคคลที่สาม ไม่ใช่ข้อกำหนดจากผู้ผลิต

• คะแนน Brier ยิ่งต่ำยิ่งดี — 0.164 เทียบกับ 0.196 ดีขึ้น 0.032 ในความน่าจะเป็นที่แนบมากับคำตอบที่เลือก โดยไม่มีต้นทุน

แถวสุดท้ายคือแถวที่ควรทำความเข้าใจให้ลึกซึ้ง d1.2 ไม่ได้แค่ตอบถูกบ่อยกว่าเท่านั้น แต่ความมั่นใจที่มันแนบมากับคำตอบยังใกล้เคียงความจริงมากขึ้น ซึ่งเป็นคุณสมบัติที่ทำให้ไปป์ไลน์แบบใช้เกณฑ์ทำงานได้จริงตั้งแต่แรก และสิ่งนี้ได้มาเปล่า ๆ

หกองค์ประกอบ และขนาดของช่องว่างแต่ละช่อง

A headless-browser screenshot of the Artificial Analysis d1 model page, captured 18 November 2026 in English, dated September 2026. The summary panel reads that d1 is among the lowest scoring on the Decision Index but well priced and faster than average: a Decision Index score of 61 against a median of 66, 151 ms per task against a median of 206 ms, $0.02 per 1M input tokens, and about $63 per 1M tasks against a median of $137. The rank badge reads #21/25 on the Decision Index and #3/25 on cost, and the technical specification lists text and image input with a 66k-token context window.

ตัวเลขรวมนี้ซ่อนชุดการเปลี่ยนแปลงที่เหลื่อมล้ำกันมากไว้ และสองอย่างในนั้นไม่ได้เกี่ยวกับความแม่นยำจริง ๆ

• AA-Paperclip การตัดสินใจเกี่ยวกับเอกสาร — 62.60 สำหรับ d1.2 เทียบกับ 54.92 โดยมีเอกสาร 44.3% ที่ถูกต้องสมบูรณ์ เทียบกับ 25.7% แถว all-pass นั้นเป็นการปรับปรุงเดี่ยวที่ใหญ่ที่สุดในรีลีสสำหรับคู่นี้: ใบแจ้งหนี้ 15 ฟิลด์ที่ถูก 14 ฟิลด์นับเป็น miss ภายใต้โมเดลทั้งสอง และ d1.2 เปลี่ยนเอกสารจากหนึ่งในสี่เป็นเกือบครึ่ง

• When2Call การตัดสินใจเลือกเครื่องมือ — 96.09 เทียบกับ 81.59 ด้วยความแม่นยำ 95.5% เทียบกับ 77.9% นี่คือตัวที่เปลี่ยนว่าคุณจะนำโมเดลไปใช้ทำอะไรได้บ้าง D1 ที่ 77.9% เป็นตัวจำแนกประเภทที่คุณต้องมีคนคอยกำกับอยู่เบื้องหลัง ส่วน d1.2 ที่ 95.5% เป็นตัวที่คุณปล่อยให้จัดการเส้นทางได้

• AA-Symmetry, ความไม่แปรเปลี่ยน — 76.52 เทียบกับ 58.67 โดยมีอัตราผ่านทั้งหมด 50.0% เทียบกับ 32.5% เขียนคำถามใหม่ สลับลำดับตัวเลือก กลับด้านคำตอบใช่/ไม่ใช่: คำตอบของโมเดลเก่าเปลี่ยนไป ส่วนของโมเดลใหม่ส่วนใหญ่ไม่เปลี่ยน

• EvalSafe-O*NET-AA การตัดสินใจในที่ทำงาน — 86.55 เทียบกับ 84.21 และความแม่นยำ 79.7% เทียบกับ 76.3% ช่องว่างที่เล็กที่สุดในตาราง และไม่ใช่เหตุผลให้ย้ายระบบด้วยตัวเอง

• AA-Omniscience-Decision v1.1, ความรู้ — 60.94 เทียบกับ 58.31 เกือบสามคะแนน และแถวย่อยด้านล่างนี่แหละคือส่วนที่น่าสนใจ

• HLE-MultiChoice v1.1 คำถามยาก — 44.69 เทียบกับ 39.80 โดยมีความแม่นยำ 5.30% เทียบกับ 11.79% โมเดลใหม่ตอบคำถามยากได้ถูกต้องน้อยกว่า แต่ยังได้คะแนนสูงกว่าห้าคะแนน เพราะดัชนีให้คะแนนจากความน่าจะเป็น ไม่ใช่เพียงตัวเลือกที่เลือก

เรื่องราวการงดออกเสียงคือการอัปเกรดที่แท้จริง

ดูแถวที่ไม่ใช่การหลอนข้อมูลพร้อมกัน เพราะแถวเหล่านี้บรรยายถึงโมเดลที่เปลี่ยนลักษณะเฉพาะของมันไป มากกว่าที่จะเปลี่ยนความแม่นยำ

• AA-Omniscience-Decision ด้านการไม่สร้างข้อมูลเท็จ — d1.2 66.6%, D1 3.3% D1 ตอบคำถามเหล่านี้ได้ถูกต้อง 39.8% และแทบไม่เคยปฏิเสธการตอบเลย ส่วน d1.2 ตอบได้ถูกต้อง 30.0% และปฏิเสธการตอบมากกว่าอย่างเห็นได้ชัด

• HLE-MultiChoice non-hallucination — 53.9% เทียบกับ 5.6% บน benchmark ที่ความแม่นยำดิบของ D1 สูงกว่าเป็นสองเท่า

• AA-Symmetry all-pass — 50.0% เทียบกับ 32.5% ซึ่งเป็นการเปลี่ยนแปลงเดียวกันที่เห็นผ่านความสอดคล้องมากกว่าผ่านการปฏิเสธ

D1 เป็นโมเดลแรกของตระกูลนี้ และมันก็ทำตัวสมกับเป็นโมเดลแรก: เมื่อถูกถามคำถามที่มันตอบไม่ได้ มันกลับสร้างคำตอบขึ้นมา อัตราการไม่ฮอลลูซิเนตที่ 3.3% หมายความว่าโดยประมาณ 97 จากทุก 100 คำถามความรู้ที่คำตอบที่ถูกต้องคือการไม่ตอบ มันกลับไม่ได้ไม่ตอบ หากไปป์ไลน์ของคุณส่งเคสที่มีความมั่นใจต่ำให้ผู้ตรวจสอบที่เป็นมนุษย์ นั่นคือคุณสมบัติที่ตัดสินว่าเกตจะทำงานได้หรือไม่ โมเดลที่ไม่เคยพูดว่า "ฉันไม่รู้" ย่อมไม่ให้อะไรแก่คุณไว้ใช้กำหนดเกณฑ์ และค่าความน่าจะเป็น 0.9 ของมันก็มีความหมายน้อยกว่าค่า 0.9 ของ d1.2

ข้อแม้นี้เป็นแบบสมมาตรและควรค่าแก่การระบุไว้: d1.2 ตอบคำถามยากได้ถูกต้องน้อยลง หากงานของคุณเป็นคำถามด้านความรู้ที่มีคำตอบชัดเจนและไม่มีเส้นทางให้ละเว้นการตอบ — ข้อกล่าวนี้นั้นสอดคล้องกับนโยบายหรือไม่ โค้ดนี้ตรงกับสเปกหรือไม่ — คุณกำลังแลกความแม่นยำกับความซื่อตรง และการแลกเปลี่ยนนี้อาจไม่ได้มาฟรี

สิ่งที่โมเดลใหม่สามารถตอบได้แต่โมเดลเก่าตอบไม่ได้

d1.2 เพิ่มประเภทคำตอบห้าประเภทและอินพุตเสียง D1 ไม่มีสิ่งเหล่านี้เลย และไม่ว่าการพรอมป์จะมีมากเพียงใดก็ปิดช่องว่างนั้นไม่ได้ เพราะสัญญาการตอบสนองไม่มีฟิลด์สำหรับตำแหน่งสแปนหรือกล่องขอบเขต

• ค่าที่ได้พร้อมอักขระที่อ่านค่านั้นมา หรือ “ไม่พบ” — primitive การสกัดที่ขจัดขั้นตอนการสร้างรอบที่สองต่อฟิลด์ออกไป

• ทุกช่วงของชนิดหนึ่งพร้อมตำแหน่ง — ชื่อ หมายเลขโทรศัพท์ ที่อยู่อีเมล ในฐานะ primitive การปกปิดข้อมูลมากกว่าพรอมต์สำหรับการสรุป

• กรอบล้อมรอบวัตถุหนึ่งรายการ หรือล้อมรอบทุกอินสแตนซ์พร้อมจำนวน

• ค่าประมาณที่มีช่วงกำกับอยู่ด้วย

• ทุกตัวเลือกที่ใช้ได้ พร้อมความน่าจะเป็นของตัวเอง แทนที่จะเป็นผู้ชนะเพียงรายเดียว

เสียงทำงานได้ทั้งสองทิศทาง: ไฟล์บันทึกเสียงอาจเป็นหัวข้อ หรืออาจเป็นคำถามก็ได้ ตัวเลขความแม่นยำทั้งหมดนี้เป็นของ Liquid โดยวัดบนชุดทดสอบภายในที่สร้างจากส่วนแบ่งที่กันไว้ของชุดข้อมูลสาธารณะ เนื่องจากไม่มีเบนช์มาร์กสาธารณะใดครอบคลุมงานใหม่เหล่านี้ — 98% และ 96% ในการอ่านค่าจากใบเสร็จสำหรับ d1.2-ultra และ d1.2, 94%/93% เทียบกับ 92%/88% บนช่วงข้อมูลส่วนบุคคล และ 94% สำหรับทั้งสองรุ่นในการระบุตำแหน่งวัตถุ ให้ถือว่าตัวเลขเหล่านี้คือผู้จำหน่ายประเมินตนเอง; บอร์ดไม่มีแถวสำหรับเรื่องนี้เลย

มีรายละเอียดด้านการเรียกเก็บเงินหนึ่งอย่างติดมาด้วย ภายใต้ D1 แต่ละคำถามถูกเรียกเก็บเป็นพรอมต์ของตัวเอง รวมทุกภาพที่แนบมาด้วย ส่วนภายใต้ d1.2 คำขอหนึ่งครั้งจะเรียกเก็บข้อความและภาพเพียงครั้งเดียว และคำถามเพิ่มเติมแต่ละข้อจะเพิ่มเฉพาะข้อความของตัวเองเท่านั้น ถามสิบคำถามเกี่ยวกับภาพถ่ายขนาด 1024×1024 หนึ่งภาพ — ซึ่งเป็นภาพ 1,536 โทเคน — กฎเดิมเรียกเก็บประมาณ 15,360 โทเคนของภาพ กฎใหม่เรียกเก็บ 1,536 ที่ราคา $0.02 เท่ากัน รูปแบบหลายคำถามมีค่าใช้จ่ายถูกกว่าหลายเท่าบน d1.2 และส่วนที่ประหยัดได้นั้นอยู่ที่กฎการเรียกเก็บเงิน ไม่ใช่อัตราราคา

อะไรจะพังเมื่อคุณเปลี่ยนสตริง

A headless-browser screenshot of the OrcaRouter model page for typesafe/jev-1.14, captured 18 November 2026 in English, showing the /v1/decisions/v1/systemone endpoint family, Zero Data Retention availability, a $0.04 list price per million input tokens, and measured latencies of 182 ms and 372 ms.

น้อยกว่าที่คุณคาดไว้ และข้อยกเว้นเหล่านั้นคุ้มค่าที่จะทดสอบมากกว่าจะกังวล เอนด์พอยต์ยังคงเป็น api.liquid.ai/decisions/v1/systemone, สตริงโมเดลเปลี่ยนเป็น d1.2 และประเภทคำถามดั้งเดิมทั้งสามยังคงรูปแบบคำขอและการตอบกลับเดิม ไคลเอนต์ที่ส่งค่า ตัวเลือก และคะแนนจะได้รับ JSON เดิมกลับไป

สามสิ่งที่ควรตรวจสอบเทียบกับตัวอย่างของคุณเองก่อนสลับไปใช้พาธโปรดักชัน:

• การแยกวิเคราะห์ "not found" ประเภทคำตอบใหม่สามารถส่งคืนการไม่มีอยู่จริงอย่างชัดเจน และตัวแยกวิเคราะห์ที่สมมติว่าเป็นค่าที่ไม่เป็น null จะพังเมื่อเจอกรณีนี้ นี่เป็นฟีเจอร์ แต่เป็นการเปลี่ยนแปลงที่ทำให้เข้ากันไม่ได้ในสคีมาที่เข้มงวด

• การกำหนดตำแหน่งเกณฑ์ (threshold) ความน่าจะเป็นมีความหมายต่างออกไปแล้ว ค่า 0.8 บน d1.2 เป็น 0.8 ที่เชื่อถือได้มากกว่าค่า 0.8 บน D1 ดังนั้นเกณฑ์ที่ปรับแต่งจากความมั่นใจเกินของโมเดลเก่าจะทำงานน้อยลงหลังเปลี่ยนโมเดล ควรปรับแต่งเกณฑ์ใหม่แทนที่จะนำมาใช้ต่อ

• ส่วนขององค์ความรู้ (knowledge slice) หากภาระงานส่วนหนึ่งของคุณเป็นการตัดสินข้อเท็จจริงมากกว่าการอ่านเอกสาร ให้วัดส่วนนั้นแยกต่างหาก นี่คือจุดเดียวที่การที่โมเดลใหม่เลือกที่จะไม่ตอบ (abstention) มากขึ้นอาจทำให้คุณสูญเสียความครอบคลุม และแถวความแม่นยำของคณะกรรมการก็ระบุไว้อย่างชัดเจน

ใครควรย้ายระบบ และใครควรวัดผลก่อน

ย้ายได้เลยโดยไม่ต้องมีพิธีรีตอง หากภาระงานคือการสกัดข้อมูล การจัดเส้นทาง การเลือกเครื่องมือ หรือการจำแนกประเภทที่อ่อนไหวต่อความสม่ำเสมอ ทุกแถวที่เผยแพร่ล้วนสนับสนุน d1.2 ราคาไม่ขยับ และช่องว่างด้านความไม่แปรเปลี่ยนและการเรียกเครื่องมือนั้นกว้างพอที่การรันซ้ำจะไม่น่าจะพลิกกลับได้

ก่อนอื่นให้วัดว่าภาระงานเป็นการตัดสินด้วยความรู้ในปริมาณมาก หรือไปป์ไลน์มีเกณฑ์ความน่าจะเป็นที่ปรับแต่งด้วยมือหรือไม่ ทั้งสองกรณีไม่ใช่เหตุผลที่จะคงอยู่บน D1 — แต่ทั้งคู่เป็นเหตุผลที่จะนำสถานะจริงสองสามพันรายการผ่านทั้งสองโมเดลและเปรียบเทียบความน่าจะเป็นมากกว่าป้ายกำกับ

เริ่มจากการเข้าถึงก่อน เพราะคำถามเรื่องการย้ายระบบมักกลายเป็นคำถามเรื่องการจัดซื้อจัดจ้างในที่สุด D1 และ d1.2 ต่างอยู่บน API ของ Liquid; ทั้งคู่ไม่มีอยู่ในแคตตาล็อกของเรา และไม่มีสิ่งใดในที่นี้เป็นการรับประกันความพร้อมใช้งาน โมเดลในแคตตาล็อกของเราที่ควรอยู่ในแบบทดสอบนี้คือ Jev 1.14 ซึ่งพา EvalSafe-O*NET-AA ไปถึง 91.14 ขณะที่ d1.2 หยุดที่ 86.55 มีรูปแบบ systemone แบบเดียวกัน และคิดค่าบริการ $0.042 ต่อหนึ่งล้านโทเค็นอินพุต นำทั้งสามรุ่นมาอยู่บนสถานะเดียวกัน แล้ว DSL สำหรับกำหนดเส้นทาง จะเขียนการแบ่งเพียงครั้งเดียว — ตามประเภทคำถาม ไม่ใช่ตามบริการ — โดยราคาตามรายการของผู้ให้บริการถูกส่งผ่านที่ มาร์กอัป 0% ดังนั้น $0.02 ที่คุณเห็นในใบเสนอราคาก็คือ $0.02 ที่คุณจ่าย การ failover อัตโนมัติ คือสิ่งที่ทำให้โมเดลที่เปิดตัวเมื่อสองวันก่อนถือหนึ่งเลนของปริมาณงานจริงได้ แทนที่จะถือทั้งหมด

นั่นคือการเปรียบเทียบทั้งหมด ราคาเดียวกัน สัญญาเดียวกัน ปลายทางเดียวกัน งานต่างกันหนึ่งรุ่น และชนะแบบคอมโพสิตหกครั้ง เทียบกับแถวความแม่นยำสองแถวที่โมเดลเก่ายังคงทำได้ — ซึ่งทั้งสองอยู่บนแกนความรู้ ที่การไม่ตอบของ d1.2 คือสิ่งที่ทำให้เสียเปรียบ หากงานของคุณคือการสกัดข้อมูล การกำหนดเส้นทาง หรือการจำแนกประเภท ทุกแถวที่คุณสนใจขยับไปในทางที่ถูกต้อง หากเป็นการตัดสินข้อเท็จจริงที่ไม่มีผู้ตรวจทานอยู่เบื้องหลัง ให้รันการเปรียบเทียบแบบเงาก่อน แล้วให้ตัวเลขบนสถานะของคุณเองเป็นตัวตัดสิน

© 2026 OrcaRouter

สำหรับผู้ให้บริการ

ให้บริการแพลตฟอร์มการอนุมานอยู่หรือไม่ นำโมเดลของคุณขึ้น OrcaRouter

[email protected]

เข้าร่วมคอมมูนิตี้ของเรา

Discord[email protected]XLinkedInGitHubYouTube