
Liquid AI d1.2 เปิดตัวพร้อมอินพุตเสียงและเอาต์พุตเป็นบ็อกซ์ — และโมเดลราคาถูกคือรุ่นที่น่าสนใจ
- Orcaใหม่OrcaCyber: Hy4 Flash Abliterated / Uncensored2026-11-18$0.07 / $0.28 ต่อ 1 ล้านโทเค็น · 180 tok/s
- tencentใหม่Tencent: Hy4 Flash2026-11-16$0.02 / $0.07 ต่อ 1 ล้านโทเค็น · 223 tok/s
- Googleใหม่Google: Gemini 4 Carbon2026-11-10$2.00 / $10.00 ต่อ 1 ล้านโทเค็น · 89 tok/s
- Anthropicใหม่Anthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 ต่อ 1 ล้านโทเค็น · 98 tok/s
- orcaใหม่Orca: OrcaC2 1.02026-11-079 tok/s
- OrcaOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 ต่อ 1 ล้านโทเค็น · 88 tok/s
- OrcaOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 ต่อ 1 ล้านโทเค็น · 134 tok/s
- OrcaOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$2.00 / $5.00 ต่อ 1 ล้านโทเค็น · 79 tok/s
- tencentTencent: Hy42026-11-04$0.83 / $2.50 ต่อ 1 ล้านโทเค็น · 94 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 ต่อ 1 ล้านโทเค็น · 118 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 ต่อ 1 ล้านโทเค็น · 68 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 ต่อ 1 ล้านโทเค็น · 94 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 ต่อ 1 ล้านโทเค็น · 44 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 · 199 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929ความฉลาด
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 ต่อ 1 ล้านโทเค็น · 114 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733ความฉลาด
- DeepSeekDeepSeek: DeepSeek V4.1 Flash 09102026-10-17$0.15 / $0.60 ต่อ 1 ล้านโทเค็น · 311 tok/s
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740ความฉลาด
Liquid AI d1.2 และ Liquid AI d1.2-ultra เปิดใช้งานจริงบน API ของผู้ให้บริการเมื่อวันที่ 16 พฤศจิกายน 2026 และตัวเลขพาดหัวเป็นของรุ่นที่แพงกว่า: d1.2-ultra ทำคะแนนได้ 75 บน Artificial Analysis Decision Index v2.1 ซึ่งเป็นอันดับหนึ่งในบรรดาโมเดลตัดสินใจ 25 รุ่นที่คณะกรรมการจัดอันดับ การเปลี่ยนแปลงที่สำคัญกว่าอยู่ใน body ของคำขอ ไม่ใช่ในตารางอันดับ ตอนนี้ทั้งสองโมเดลให้คำตอบที่รุ่นก่อนหน้าไม่สามารถแสดงออกได้ ได้แก่ ค่าหนึ่งค่าพร้อมอักขระที่อ่านค่านั้นมา รายการช่วงข้อความพร้อมตำแหน่ง กรอบ bounding box จำนวนหนึ่งพร้อมช่วงรอบ ๆ และชุดตัวเลือกที่แต่ละตัวมีความน่าจะเป็นของตัวเอง อีกทั้งทั้งสองยังรับเสียงได้ ไม่ว่าจะเป็นเสียงในฐานะสิ่งที่มีการถามถึง หรือเป็นตัวคำถามเอง
นี่เป็นการเปิดตัวที่แตกต่างจากการเพิ่มความแม่นยำขึ้นเล็กน้อย โมเดลตัดสินใจเคยส่งคืนป้ายกำกับและความน่าจะเป็น ซึ่งหมายความว่าไปป์ไลน์ใดก็ตามที่ต้องการหลักฐานเบื้องหลังป้ายกำกับนั้นต้องต่อโมเดลที่สองเพิ่มเข้าไปเพื่อหาหลักฐานดังกล่าว d1.2 ตอบกลับพร้อมแนบหลักฐานมาด้วยในการประมวลผลไปข้างหน้าหนึ่งครั้ง ในราคา $0.02 ต่อโทเคนอินพุตหนึ่งล้านโทเคน d1.2-ultra ทำแบบเดียวกันในราคา $0.042 ทั้งสองไม่ได้สร้างโทเคนเอาต์พุต ดังนั้นจึงยังไม่มีอะไรให้สตรีม: นี่คือโมเดลที่คุณเรียกใช้แล้วได้รับออบเจ็กต์ที่มีโครงสร้างกลับมา
ทั้งสองพร้อมใช้งานแล้ววันนี้บน API ของ Liquid เอง และไม่มีที่อื่นใดที่ผู้จำหน่ายจะยืนยันได้ ทุกอย่างด้านล่างนี้แยกสิ่งที่ Liquid รายงานออกจากสิ่งที่ Artificial Analysis วัดได้ เพราะในการเปิดตัวครั้งนี้ ตัวเลขทั้งสองชุดไม่ใช่ชุดเดียวกัน และความแตกต่างนี้สำคัญ
สิ่งที่ส่งมอบจริง ทีละรายการ
ประเภทคำตอบใหม่ทั้งห้าเป็นการเพิ่มเติม โดยไม่กระทบของเดิม endpoint ยังคงเดิม ประเภทคำถามดั้งเดิมทั้งสามยังคงเดิม และไคลเอนต์ที่ส่ง JSON ชุดเดียวกับที่ส่งเมื่อวานนี้จะได้รับรูปแบบคำตอบเหมือนเดิม
• อ่านค่า — ถามว่ายอดที่ต้องชำระในใบแจ้งหนี้เป็นเท่าไร แล้วรับตัวเลขพร้อมอักขระต้นทางที่อ่านค่านั้นมา หรือสตริง "not found" เมื่อไม่มีฟิลด์นี้ นี่คือตัวที่กำจัดโค้ดเชื่อมต่อได้มากที่สุด เพราะวิธีเลี่ยงตามปกติคือการเรียกแบบ generative ครั้งที่สองเพื่ออ่านหน้าเดิมซ้ำ
• ค้นหาทุกช่วงของชนิดหนึ่ง — ชื่อ หมายเลขโทรศัพท์ และที่อยู่อีเมลทุกแห่งในบันทึก โดยแต่ละรายการพร้อมตำแหน่งในข้อความ นั่นคือองค์ประกอบพื้นฐานสำหรับการปกปิดข้อมูล และเป็นครั้งแรกที่ตระกูลนี้มีให้ใช้งาน
• ระบุตำแหน่งสิ่งต่าง ๆ ในภาพ — กรอบหนึ่งรอบลายเซ็นบนแบบฟอร์มที่สแกน หรือกรอบรอบทุกอินสแตนซ์ของวัตถุพร้อมจำนวน "ไม่พบ" เป็นคำตอบที่ใช้ได้ ซึ่งสำคัญกว่าที่ฟังดู: ตัวตรวจจับวัตถุที่ต้องคืนกรอบเสมอจะสร้างกรอบขึ้นมาเอง
• ประมาณจำนวนหนึ่งพร้อมช่วงค่า — ในภาพมีสิบสองคน เป็นไปได้ตั้งแต่สิบถึงสิบสี่ ช่วงค่าคือส่วนที่ตรงไปตรงมาของผลลัพธ์ และเป็นส่วนที่ทีมส่วนใหญ่จะต้องปรับเทียบด้วยตนเองหากไม่มีสิ่งนี้
• เลือกทุกตัวเลือกที่ใช้ได้ — ทั้งการเรียกเก็บเงินและการจัดส่ง โดยแต่ละตัวมีความน่าจะเป็นของตัวเอง แทนที่จะเป็นผู้ชนะเพียงรายการเดียว การจำแนกแบบหลายป้ายก่อนหน้านี้ถูกจำลองขึ้นโดยการถามคำถามเดิมครั้งละหนึ่งป้ายและต้องจ่ายค่าสถานะทุกครั้ง
เสียงมาได้ทั้งสองทาง การบันทึกเสียงอาจเป็นหัวข้อที่ถาม — กำลังพูดภาษาใด มีเสียงไซเรนอยู่ในฉากหลังหรือไม่ — หรือคำถามอาจถูกพูดแทนการพิมพ์ Liquid รายงานความแม่นยำ 95% ถึง 97% บนไฟล์บันทึกเสียงที่กันไว้ทดสอบจาก ESC-50 และ FLEURS โดยมีตัวเลือกสามถึงหกข้อต่อคำถาม และมีคู่ที่สับสนได้ง่ายรวมอยู่ด้วย เช่น สเปนกับโปรตุเกส
มีการเปลี่ยนแปลงด้านการเรียกเก็บเงินหนึ่งรายการที่มาพร้อมกันและมองข้ามได้ง่าย ตอนนี้คำขอหนึ่งรายการจะเรียกเก็บค่าข้อความและรูปภาพของตนเพียงครั้งเดียว และคำถามเพิ่มเติมแต่ละข้อจะเพิ่มเฉพาะข้อความของคำถามนั้นเท่านั้น ภายใต้รุ่นก่อนหน้า ทุกคำถามจะเรียกเก็บค่าพรอมต์แบบเต็มซ้ำใหม่ รวมถึงรูปภาพที่แนบมาทุกภาพ ดังนั้นการสอบถามภาพถ่ายหนึ่งภาพด้วยคำถามสิบข้อจึงต้องจ่ายค่าภาพถ่ายนั้นถึงสิบครั้ง
กระดาน และสิ่งที่อันดับหนึ่งเป็นที่หนึ่งในบรรดาสิ่งใด

Artificial Analysis ได้ให้คะแนนโมเดลใหม่ทั้งสองตัวบน Decision Index v2.1 และตัวเลขเหล่านี้ไม่ได้มาจากการรายงานของผู้จำหน่าย: คณะกรรมการได้ทดสอบด้วยตนเอง บนชุดการประเมินหกชุดเดียวกัน ในราคาตามรายการปัจจุบัน d1.2-ultra ได้ 74.85 เป็นอันดับหนึ่งจากโมเดลตัดสินใจ 25 ตัว และนำคู่แข่งโมเดลตัดสินใจที่ใกล้ที่สุดอย่าง Drex Max v1.1 ซึ่งได้ 72.62 อยู่ 2.2 คะแนน d1.2 ได้ 68.69 เป็นอันดับเก้าจาก 25 และสูงกว่าค่ามัธยฐานของกลุ่มที่ 66
ข้อแม้ที่ควรจำไว้คือ “first” นั้นมีขอบเขตจำกัด กระดานคะแนนเดียวกันยังให้คะแนนโมเดลภาษาทั่วไปสองตัวด้วยเครื่องมือวัดเดียวกัน และทั้งคู่ก็เอาชนะ d1.2-ultra ได้อย่างชัดเจน: Claude Haiku 5.5 (Max) ที่ 76.49 และ GPT-6 Luna (Max) ที่ 75.67 ทั้งสองไม่ใช่โมเดลตัดสินใจ และราคาของการเปรียบเทียบนี้สูงมาก — $6,218 และ $1,548 ต่อล้านงาน เทียบกับ $133 — แต่ “อันดับหนึ่งบน Decision Index” โดยไม่มีคำว่า decision อยู่ในนั้น ไม่ใช่สิ่งที่กระดานคะแนนแสดง
สิ่งที่บอร์ดยืนยันได้อย่างเป็นอิสระคือเรื่องของการปรับเทียบความมั่นใจ คะแนนการตัดสินใจในดัชนีนี้จะหักลบ Brier score ของความน่าจะเป็นที่แนบมากับคำตอบที่เลือก ดังนั้นโมเดลที่ตอบถูกแต่มีความมั่นใจเกินจริงอย่างมากจะถูกลงโทษ d1.2-ultra มีค่า Brier อยู่ที่ 0.150, d1.2 อยู่ที่ 0.164 และโมเดลที่พวกมันมาแทนที่คือ d1-ultra อยู่ที่ 0.176 โมเดลใหม่ที่ราคาถูกกว่ามีการปรับเทียบที่ดีกว่าโมเดลเรือธงรุ่นเก่า แม้จะมีคะแนนรวมต่ำกว่า 1.9 คะแนน ซึ่งเป็นความแตกต่างแบบที่จะปรากฏให้เห็นก็ต่อเมื่อมีคนอื่นเป็นผู้รันฮาร์เนสเท่านั้น
เวลาและค่าใช้จ่ายช่วยให้เห็นภาพครบถ้วน และเป็นปัจจัยที่สวนทางกัน d1.2 ใช้เวลา 150 มิลลิวินาทีต่องาน เป็นอันดับที่แปดที่เร็วที่สุดบนตาราง และต่ำกว่าค่ามัธยฐาน 206 มิลลิวินาทีเล็กน้อย d1.2-ultra ใช้เวลา 218 มิลลิวินาที ช้ากว่าค่ามัธยฐานและอยู่อันดับที่ 15 ในด้านค่าใช้จ่ายต่อล้านงาน ตารางจัดให้ d1.2 อยู่ที่ $63 เป็นอันดับที่สามที่ถูกที่สุดจากทั้งหมด 25 รายการ และ d1.2-ultra อยู่ที่ $133 เป็นอันดับที่สิบเอ็ด เทียบกับค่ามัธยฐานที่ $137
หมายเลขงานใหม่ และใครเป็นผู้จัดทำ

ยังไม่มีเกณฑ์มาตรฐานสาธารณะใดที่ครอบคลุมคำตอบประเภทใหม่ทั้งห้าประเภท ดังนั้นตัวเลขความแม่นยำทุกตัวสำหรับประเภทเหล่านี้จึงมาจากชุดทดสอบภายในของ Liquid เอง ซึ่งสร้างจากส่วนแบ่งที่กันไว้ของชุดข้อมูลสาธารณะ ตัวเลขเหล่านี้คือการประเมินของผู้จำหน่ายที่มีต่อโมเดลของตนเองบนข้อมูลที่ตนเลือก และควรตีความให้เป็นเช่นนั้นอย่างแท้จริง
• การอ่านค่าจากใบเสร็จ บน CORD และ SROIE — 98% สำหรับ d1.2-ultra, 96% สำหรับ d1.2 การอ่านจะนับว่าถูกต้องเมื่อพบเป้าหมายหรือระบุได้อย่างถูกต้องว่าไม่มีอยู่ ซึ่งทำให้กรณีไม่พบเป็นส่วนหนึ่งของคะแนนแทนที่จะเป็นการผ่านฟรี
• ช่วงข้อมูลส่วนบุคคล บน Nemotron PII — ความแม่นยำ 94% และการเรียกคืน 93% สำหรับ ultra, 92% และ 88% สำหรับ d1.2 ช่องว่างของการเรียกคืนที่ห้าจุดเป็นความแตกต่างที่ใหญ่ที่สุดระหว่างสองโมเดลในงานทั้งห้า และเป็นสิ่งที่สำคัญสำหรับการปิดข้อมูล ซึ่งช่วงที่พลาดไปคือความล้มเหลวที่ทำให้คุณถูกปรับ
• การระบุตำแหน่งวัตถุ บนตระกูล RefCOCO — 94% สำหรับทั้งสอง ไม่มีการแยกกันเลย
• การนับภายในหนึ่ง บน COCO — 93% สำหรับ ultra, 92% สำหรับ d1.2
• การหยิบวัตถุทุกชิ้นที่มีอยู่ บน COCO — 87% สำหรับ ultra เทียบกับ 90% สำหรับ d1.2 ซึ่งเป็นแถวเดียวที่โมเดลราคาถูกชนะ
ดังนั้นแพ็กเกจพรีเมียมจึงให้ประโยชน์ที่ชัดเจนในการอ่านค่าและการเรียกคืนช่วง (span recall) และแทบไม่มีประโยชน์ใด ๆ กับงานเชิงพื้นที่ หากกรณีการใช้งานของคุณคือกล่อง สิ่งแรกที่ควรทดสอบคือโมเดลราคา $0.02
ออดิโอ และสเปกชีตที่ยังตามไม่ทัน
{{1}}เสียง{{/1}}คือข้อกล่าวอ้างที่มีช่องว่างกว้างที่สุดระหว่างการประกาศกับบันทึกอิสระ โพสต์ของ {{2}}Liquid{{/2}} อธิบายว่าอินพุตเสียงเป็นความสามารถเด่นของทั้งสองโมเดล ขณะที่ข้อกำหนดทางเทคนิคของ {{3}}Artificial Analysis{{/3}} สำหรับทั้งสองโมเดลยังคงระบุรูปแบบอินพุตเป็นข้อความและภาพ และดัชนีไม่มีการประเมินเสียง ดังนั้นจึงไม่มีสิ่งใดบนบอร์ดที่ทดสอบข้อกล่าวอ้างนี้ นั่นไม่ใช่ความขัดแย้ง — บอร์ดเพียงยังไปไม่ถึงตรงนั้น — แต่หมายความว่าความสามารถด้านเสียงในขณะนี้เป็นคำแถลงของผู้ขายโดยไม่มีการตรวจสอบจากบุคคลที่สามรองรับอยู่เบื้องหลัง
ข้อควรระวังเดียวกันนี้ใช้กับประเภทคำตอบใหม่ทั้งห้าประเภท: ดัชนีไม่ได้วัดค่าใดในนั้นเลย โมเดลหนึ่งอาจเป็นอันดับหนึ่งบนกระดานแต่กลับไม่ถูกวัดในสิ่งที่คุณต้องการทำกับมันจริงๆ
ตารางการสอบเทียบของผู้ขายนั้นน่าอ่านด้วยเหตุผลที่แตกต่างออกไป จากเบนช์มาร์ก 13 รายการและคำถาม 22,505 ข้อที่ทั้งห้าโมเดลตอบ Liquid ระบุค่าความคลาดเคลื่อนในการสอบเทียบไว้ที่ 0.8 พอยต์สำหรับ d1.2-ultra, 1.2 สำหรับ d1.2 และ 2.7 สำหรับ Jev 1.14, 3.7 สำหรับ Decider v1.3 ของ Perplexity และ 7.2 สำหรับ GPT-6 Luna บน Decisions endpoint ของมัน ตัวเลขเหล่านั้นเป็นการรันโดยผู้ขายบนชุดคำถามที่ผู้ขายเลือกเอง คะแนน Brier ของบอร์ดชี้ไปในทิศทางเดียวกันกับสองโมเดลเดียวกัน ซึ่งเป็นสิ่งที่ใกล้เคียงที่สุดกับความเห็นที่สองที่หาได้ในสัปดาห์นี้
กำลังตรวจสอบประโยคเรื่องค่าใช้จ่ายเทียบกับกระดาน

Liquid ออกคำกล่าวอ้างที่สามารถพิสูจน์ว่าเป็นเท็จได้อย่างผิดปกติ: ไม่มีโมเดลใดทำคะแนนได้สูงกว่า d1.2 ในราคาที่ถูกกว่า และไม่มีโมเดลใดทำคะแนนได้สูงกว่า d1.2-ultra ไม่ว่าจะราคาเท่าใด ทั้งสองส่วนยังคงผ่านกระดานจัดอันดับ โดยมีข้อแม้เรื่องขอบเขตเหมือนเดิม
• ครึ่งหลังเกือบจะเป็นจริงอย่างชัดเจนในบรรดาโมเดลสำหรับการตัดสินใจ — ไม่มีสิ่งอื่นใดบนกระดาน 25 โมเดลที่ได้คะแนนเกิน 74.85 เลย ข้อความนี้จะใช้ไม่ได้ก็ต่อเมื่อยอมรับโมเดลภาษาทั่วไปทั้งสองโมเดลนั้นเข้ามา และโมเดลเหล่านั้นมีค่าใช้จ่ายสูงกว่า 12 ถึง 47 เท่าต่อล้านงาน
• ครึ่งแรกยังคงเป็นจริงบนกระดานการตัดสินใจ: ทุกโมเดลการตัดสินใจที่ได้คะแนนสูงกว่า 68.69 ของ d1.2 มีต้นทุนต่อล้านงานสูงกว่า คู่แข่งราคาถูกที่ใกล้ที่สุดคือ Decider v1.3 ของ Perplexity ที่ 70.41 และ $68 ซึ่งต่ำกว่าสองจุดของดัชนีในราคาห้าดอลลาร์ต่อล้านงาน — เป็นจุดที่กระดานเข้าใกล้ตัวอย่างค้านมากที่สุด และยังอยู่ฝั่งที่ถูกต้องของประโยคของ Liquid
• ตัวเลขต้นทุนเป็นของ Artificial Analysis เอง คำนวณจากราคาตามรายการปัจจุบัน และเฉลี่ยด้วยน้ำหนักของดัชนี เป็นต้นทุนต่องานแบบจำลอง ไม่ใช่ใบแจ้งหนี้ และตัวเลขจะเปลี่ยนไปหากผู้ให้บริการเปลี่ยนแปลงราคา
ประเด็นสุดท้ายนั้นคือจุดที่ชั้นการกำหนดเส้นทางพิสูจน์คุณค่าของตัวเอง แทนที่จะเป็นเพียงการโฆษณาตัวเอง รีลีสนี้เปลี่ยนกฎการคิดค่าบริการของ Liquid ลดราคาที่มีผลจริงของโมเดลราคาถูกเมื่อเทียบกับเรือธงรุ่นเก่าลงครึ่งหนึ่ง และทำแบบนั้นเมื่อสองวันก่อน ในส่วนของเรา ราคาตามรายการของผู้ให้บริการถูกส่งต่อโดยคิด มาร์กอัป 0% ดังนั้นการลดราคาของผู้ขายจึงมาถึงที่นี่ในวันเดียวกัน แทนที่จะรอถึงการต่อสัญญาครั้งถัดไป — ตัวเลข $0.02 และ $0.042 ในบทความนี้เป็นตัวเลขของผู้ขาย ไม่ใช่การนำมาบวกเพิ่มแล้วกล่าวซ้ำ
สัปดาห์นี้ควรทำอะไร หากคุณใช้งานโมเดลการตัดสินใจอยู่แล้ว
ไม่มีส่วนใดในบทความนี้ที่เป็นประกาศเรื่องความพร้อมใช้งาน: ทั้งสองโมเดลใหม่มีอยู่ใน API ของ Liquid และยังไม่เข้าแคตตาล็อกของเรา เหตุผลที่ต้องกล่าวถึงโมเดลของเราก็คือ การเปิดตัวครั้งนี้เป็นการเปิดตัวโมเดลตัดสินใจ และโมเดลตัดสินใจที่เราให้บริการจริงคือ Jev 1.14 — แถวเดียวบนกระดานที่เอาชนะ d1.2-ultra ได้ในองค์ประกอบหนึ่ง คือ EvalSafe-O*NET-AA ที่ 91.14 เทียบกับ 89.53 ภายใต้รูปแบบคำขอ systemone แบบเดียวกัน ในราคา $0.042 ต่อหนึ่งล้านโทเคนอินพุต ไม่ว่าคุณจะสรุปอย่างไรเกี่ยวกับประเภทคำตอบใหม่ทั้งห้าประเภท ส่วนงานด้านความปลอดภัยและสถานที่ทำงานก็มีผู้เล่นรายเดิมที่คุณใช้เป็นเกณฑ์เปรียบเทียบได้ตั้งแต่วันนี้
สิ่งที่สมเหตุสมผลก่อนที่แพลตฟอร์มบุคคลที่สามที่ Liquid สัญญาไว้ว่าจะปรากฏจริงนั้นคือการรันแบบเงา ส่งสถานะที่ไปป์ไลน์ของคุณมองเห็นอยู่แล้วไปยังโมเดล d1.2 ทั้งสอง เปรียบเทียบความน่าจะเป็นแทนที่จะเป็นเลเบล top-1 และดูกเฉพาะกรณีที่โมเดลตอบ 0.8 แล้วผิด หางนั้นคือจุดที่เจนเนอเรชันก่อนหน้าอ่อนแอที่สุด และเป็นสิ่งเดียวที่รีลีสนี้กล่าวอ้างว่าแก้ไขแล้วซึ่งดัชนียืนยันได้เพียงบางส่วน
การสลับระบบสำรองอัตโนมัติคืออีกครึ่งหนึ่งของการลองใช้โมเดลที่เพิ่งมีอายุได้สองวันโดยไม่ต้องเดิมพันเส้นทางโปรดักชันกับมัน: กำหนดเส้นทางส่วนหนึ่งไปที่ d1.2-ultra เก็บตัวเดิมไว้เป็นฐานรอง และปล่อยให้ช่วงบ่ายที่ย่ำแย่ของผู้ให้บริการรายใดรายหนึ่งทำให้อัตราการตอบลดลง แทนที่จะทำให้ทั้งไปป์ไลน์ล่ม นั่นเป็นวิธีที่ถูกกว่าในการเรียนรู้ว่า 75 เป็นของจริงหรือไม่ เมื่อเทียบกับการรอผลทดสอบมาตรฐานของคนอื่น
คำถามที่ยังไม่มีคำตอบไม่ใช่ว่าโมเดลเหล่านี้เปิดตัวแล้วหรือไม่ — เปิดตัวแล้ว พร้อมราคาและ endpoint — แต่คือว่าประเภทคำตอบใหม่ทั้งห้าจะยังคงได้ผลนอกชุดแบ่งแบบ held-out ของ Liquid เองหรือไม่ ยังไม่มีใครเผยแพร่ตัวเลขที่เป็นอิสระสำหรับประเภทใดประเภทหนึ่งเลย และจนกว่าจะมีคนทำเช่นนั้น จุดยืนที่ซื่อตรงคือรีลีสนี้เพิ่มสัญญาเอาต์พุตที่มีประโยชน์จริง โดยอ้างอิงหลักฐานที่เป็นของผู้ขายเองทั้งหมด
