
d1.2 กับ Liquid AI D1: ราคาเดียวกันที่ $0.02 ชนะไปหกองค์ประกอบ และสองแถวความแม่นยำที่ถอยหลัง
- Orcaใหม่OrcaCyber: Hy4 Flash Abliterated / Uncensored2026-11-18$0.07 / $0.28 ต่อ 1 ล้านโทเค็น · 187 tok/s
- openaiใหม่OpenAI: GPT-6.2 Astra2026-11-17$8.00 / $40.00 ต่อ 1 ล้านโทเค็น · 80 tok/s
- openaiใหม่OpenAI: GPT-6.2 Sol2026-11-17$2.00 / $10.00 ต่อ 1 ล้านโทเค็น · 155 tok/s
- tencentใหม่Tencent: Hy4 Flash2026-11-16$0.02 / $0.07 ต่อ 1 ล้านโทเค็น · 196 tok/s
- Alibabaใหม่Qwen: Qwen4 Max2026-11-16$1.50 / $4.50 ต่อ 1 ล้านโทเค็น · 85 tok/s
- Googleใหม่Google: Gemini 4 Carbon2026-11-10$2.00 / $10.00 ต่อ 1 ล้านโทเค็น · 705 tok/s
- Anthropicใหม่Anthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 ต่อ 1 ล้านโทเค็น · 246 tok/s
- OrcaOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 ต่อ 1 ล้านโทเค็น · 97 tok/s
- OrcaOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 ต่อ 1 ล้านโทเค็น · 139 tok/s
- OrcaOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$2.00 / $5.00 ต่อ 1 ล้านโทเค็น · 84 tok/s
- tencentTencent: Hy42026-11-04$0.83 / $2.50 ต่อ 1 ล้านโทเค็น · 122 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 ต่อ 1 ล้านโทเค็น · 102 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 ต่อ 1 ล้านโทเค็น · 69 tok/s
- openaiOpenAI: GPT-6.1 Terra2026-10-26$1.00 / $5.00 ต่อ 1 ล้านโทเค็น · 35 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 ต่อ 1 ล้านโทเค็น · 89 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 ต่อ 1 ล้านโทเค็น · 38 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447ความฉลาด
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 ต่อ 1 ล้านโทเค็น · 230 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929ความฉลาด
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 ต่อ 1 ล้านโทเค็น · 101 tok/s
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

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

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

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
