Liquid AI d1-ultra: ผู้นำ Decision Index คนใหม่ ที่ถูกฝึกให้ตั้งข้อสงสัยในตัวเอง
- Orcaใหม่Orca: OrcaCyber Zero 1.52026-10-10$3.00 / $7.50 ต่อ 1 ล้านโทเค็น · 73 tok/s
- openaiOpenAI: GPT-6.1 Sol2026-09-2952ความฉลาด
- anthropicAnthropic: Claude Sonnet 5.52026-09-2856ความฉลาด
- typesafeTypeSafe: Jev 1.132026-09-24$0.04 / $0.00 ต่อ 1 ล้านโทเค็น · 724 tok/s
- OpenAIOpenAI: GPT-6 Luna2026-09-2238ความฉลาด
- OpenAIOpenAI: GPT-6 Sol2026-09-2248ความฉลาด
- AnthropicAnthropic: Claude Opus 5.52026-09-2258ความฉลาด
- xAIGrok 4.72026-09-2146ความฉลาด
- OrcaOrca: OrcaCyber Zero 1.02026-09-17$3.00 / $7.50 ต่อ 1 ล้านโทเค็น · 36 tok/s
- OrcaOrca: OrcaVerify Text 1.02026-09-16$2.00 / $0.00 ต่อ 1 ล้านโทเค็น · 821 tok/s
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-09-1040ความฉลาด
- OpenAIOpenAI: GPT-6 Astra2026-09-0453ความฉลาด77การเขียนโค้ด
- GoogleGoogle: Gemini 3.8 Flash2026-09-0241ความฉลาด76การเขียนโค้ด
- AlibabaQwen: Qwen3.8 Max (0902)2026-09-0245ความฉลาด76การเขียนโค้ด
- AnthropicAnthropic: Claude Fable 5.12026-09-0153ความฉลาด82การเขียนโค้ด
- TencentTencent: Hy4 preview2026-08-28$0.83 / $2.50 ต่อ 1 ล้านโทเค็น · 52 tok/s
- AlibabaQwen: Qwen3.8 Flash2026-08-26$0.15 / $0.47 ต่อ 1 ล้านโทเค็น · 108 tok/s
- z-aiZ.ai: GLM 5.3 Flash2026-08-2642ความฉลาด72การเขียนโค้ด
- DeepSeekDeepSeek: DeepSeek V4 Flash Vision (Exp)2026-08-21$0.22 / $0.66 ต่อ 1 ล้านโทเค็น · 185 tok/s
- z-aiZ.ai: GLM 5.32026-08-1845ความฉลาด75การเขียนโค้ด
Liquid AI d1-ultra เปิดตัวเมื่อวันที่ 15 ตุลาคม 2026 และสิ่งที่น่าสนใจที่สุดเกี่ยวกับมันคือตัวเลขที่ไม่มีใครอ้างถึง: บน Artificial Analysis Decision Index โมเดลที่มันมาแทนที่ได้คะแนน 2 ในด้านการไม่เกิดข้อมูลหลอน Liquid AI d1 บนบอร์ดเดียวกันนั้นเป็นโมเดลตัดสินใจที่ตอบคำถามด้านความรู้ได้แม่นยำที่สุดเพียงหนึ่งเดียว — และแย่ที่สุดในกลุ่มเดียวกันในการรู้จำคำถามที่มันตอบไม่ได้ Liquid AI d1-ultra คือคำตอบของเจ้าของผลิตภัณฑ์ต่อเรื่องนั้น และมันถูกประกาศพร้อมข้ออ้างการเป็นที่หนึ่ง: ว่ามันครองอันดับสูงสุดบน Decision Index โดยนำโมเดลตัดสินใจอื่นทุกตัวอยู่ที่อย่างน้อยแปดคะแนน รวมถึงตัวที่ปัจจุบันอยู่บนสุดของบอร์ดนั้น Jev 1.13 ข้ออ้างนั้นเป็นของ Liquid ไม่ใช่ของ Artificial Analysis และบอร์ดที่มันอ้างถึงถูกเผยแพร่ก่อนที่โมเดลนี้จะมีอยู่ ข้อเท็จจริงทั้งสองเป็นส่วนสำคัญ และบทความนี้เก็บมันไว้ติดกับตัวเลขที่มันควรอยู่ ทุกครั้งที่ผู้ให้บริการล่มและทุกการย้อนกลับที่เราได้ติดตามจะถูกบันทึกไว้ใน Orca AI Incident Archive ซึ่งมีชุดบันทึกฉบับเต็มควบคู่กับรายการข้างเคียงของเหตุการณ์นี้
ในเชิงกลไกแล้ว สิ่งที่โมเดลนี้เป็นก็คือเดิมพันแบบเดียวกับที่ Liquid เดินมาตลอดทั้งปี คุณป้อนสถานะให้มัน — เพย์โหลด JSON ตั๋วซัพพอร์ต ภาพแคปหน้าจอแดชบอร์ด — พร้อมชุดคำถามที่มีชื่อกำกับ แล้วมันก็อ่านคำตอบออกมาจากดิสทริบิวชันของตัวเองใน forward pass เพียงรอบเดียว ไม่มีการสุ่มตัวอย่าง ไม่มีการแยกวิเคราะห์ ไม่มีการสร้างข้อความที่หลุดยาวไป ตัวนับการใช้งานของผู้ขายรายงานว่า output_tokens: 0 เช่นเดียวกับที่มันรายงานสำหรับผลิตภัณฑ์อื่น ๆ ในไลน์ d1
สิ่งที่ Liquid กล่าวว่ามันสร้างขึ้น และสิ่งที่มันนำมาทดสอบเทียบกับมัน
ตัวเลขทุกตัวในส่วนนี้เป็นของ Liquid เอง ซึ่งรายงานไว้ในโพสต์เปิดตัว และยังไม่มีใครอื่นทำซ้ำได้ ณ เวลาที่เขียนนี้ โมเดลนี้อธิบายว่าเป็นโมเดลตัดสินใจแบบมัลติโมดัลที่สร้างบนฐาน open-weight ที่ใหญ่กว่า โดยมีสิ่งที่โพสต์เรียกว่าการปรับแต่งเฉพาะ Liquid อย่างเข้มข้น ซึ่งปรับจูนโดยเฉพาะสำหรับการตัดสินใจที่ใช้ความรู้เป็นหลัก — วลีที่อ่านได้เหมือนเป็นการอ้างอิงโดยตรงถึงปัญหาการคาลิเบรชันด้านล่างนี้ โดยมีคำถามสามประเภทเหมือนกับรุ่นอื่น ๆ ในตระกูลนี้ noul เป็นแบบไบนารี: ให้ข้อความมา แล้วจะคืนค่า P(yes) ระหว่าง 0 ถึง 1 Choice เลือกป้ายกำกับและคืนค่าการแจกแจงพร้อมความเชื่อมั่น Score วางสถานะบนสเกลแบบเรียงลำดับพร้อมความน่าจะเป็นรายระดับ ทั้งสามแบบส่งคืนผลลัพธ์แบบมีโครงสร้าง และไม่มีแบบใดใช้โทเค็นเอาต์พุต
หลักฐานของ Liquid คือชุดของ การประเมินที่ไม่ซ้ำกัน 112 ครั้งเทียบกับ d1 รุ่นก่อนหน้าของตัวเอง และเทียบกับ Jev 1.14 ซึ่งเป็นรุ่น Jev ที่ใหม่กว่า บริษัทกล่าวว่า d1-ultra มีประสิทธิภาพเหนือกว่า Jev 1.14 ในทุกงาน และปรับเทียบได้ดีกว่าในราคาเดียวกัน นั่นเป็นข้อกล่าวอ้างที่หนักแน่นและเฉพาะเจาะจงมากกว่าคำว่า "เป็นผู้นำบนลีดเดอร์บอร์ด" และยังเป็นข้อที่ตรวจสอบได้ยากกว่า เพราะการปรับเทียบเป็นคุณสมบัติที่คุณไม่สามารถอ่านได้จากคะแนนเพียงค่าเดียว โปรดทราบด้วยว่า Jev 1.14 เป็นตัวเปรียบเทียบที่ผู้ขายตั้งชื่อ: มันไม่ปรากฏที่ใดในแค็ตตาล็อกของเรา และเราไม่สามารถหาแถว Decision Index สาธารณะสำหรับมันได้
พื้นผิว API คือการเรียกแบบไม่สตรีมเพียงครั้งเดียวไปยัง POST https://api.liquid.ai/decisions/v1/systemone โดยมี "model": "d1-ultra" ไม่มีการเปิดเผยขนาด context window ไว้ที่ใดเลยในเอกสารเปิดตัว ซึ่งถือเป็นช่องว่างจริง而非ความคลาดเคลื่อนเล็กน้อยที่ปัดเศษทิ้งได้ เพราะสำหรับโมเดลที่มีหน้าที่หลักคือการรับสถานะเข้ามา ขนาดของสถานะที่คุณได้รับอนุญาตให้ส่งให้มันนั้นใกล้เคียงกับสเปกหลักเลยทีเดียว เนื่องจากมันไม่สร้างโทเค็นเลย ต้นทุนเอาต์พุตจึงเป็นศูนย์โดยโครงสร้าง และการสตรีมไม่เกี่ยวข้องด้วย
ดัชนีที่กล่าวถึงนี้มีมาก่อนโมเดล
Artificial Analysis เผยแพร่ Decision Index v1.0 เมื่อวันที่ 13 ตุลาคม 2026 — สองวันก่อนที่ d1-ultra จะมีอยู่ ดัชนีนี้สร้างขึ้นจากการประเมินสี่รายการโดยถ่วงน้ำหนักรายการละ 25%: AA-Omniscience-Decision ชุดคำถามส่วนตัว 500 ข้อที่ให้คะแนนครึ่งหนึ่งจากความถูกต้องและอีกครึ่งหนึ่งจากการไม่สร้างข้อมูลเท็จ; HLE-MultiChoice คำถามปรนัยแบบข้อความ 513 ข้อที่ดึงมาจาก Humanity's Last Exam; When2Call การประเมินการเรียกใช้เครื่องมือของ NVIDIA; และ WildGuardTest ชุดจำแนกความปลอดภัยของ Ai2
บทความที่เปิดตัวมันไม่ได้กล่าวถึง d1-ultra ที่ใดเลย ซึ่งก็ไม่น่าแปลกใจ และนั่นคือเหตุผลที่ตัวเลข "นำอยู่แปดคะแนน" ควรถูกอ่านเป็นคำกล่าวอ้างของผู้ขายมากกว่าจะเป็นอันดับ บนกระดานที่เผยแพร่ Jev 1.13 นำในกลุ่มโมเดลการตัดสินใจที่ 58 โดยมี GLiDE และ Microsoft-Decision-1 เสมอกันที่ 54 โดยมีโมเดลภาษาสองตัวถูกจัดให้อยู่เหนือพวกมันทั้งหมด: Claude Haiku 5.5 (Low) ที่ 61 และ GPT-6 Luna (Low) ที่ 55 ลองคำนวณตามคำกล่าวอ้างของ Liquid แล้วมันจะอยู่ที่ 66 หรือสูงกว่า — สูงกว่าโมเดลภาษาที่ดีที่สุดบนกระดาน นั่นอาจเป็นสิ่งที่โมเดลนี้ทำจริงก็ได้ และมันก็เป็นคำกล่าวอ้างประเภทที่ต้องให้บุคคลที่สามทำซ้ำก่อนที่ใครจะวางแผนโดยอิงจากมัน
ทำไมการสอบเทียบ โดยเฉพาะ จึงเป็นเรื่องทั้งหมด
ความล้มเหลวที่ d1-ultra มุ่งเป้าไปที่นั้น คือสิ่งที่ Artificial Analysis ระบุไว้ในบทความเดียวกัน โมเดลการตัดสินใจในฐานะกลุ่มหนึ่งถูกพบว่ามีความมั่นใจเกินจริงโดยทั่วไป: ความน่าจะเป็นที่โมเดลระบุสำหรับคำตอบมักสูงกว่าความถี่ที่คำตอบนั้นกลายเป็นถูกต้อง เรื่องนี้สำคัญตรงนี้มากกว่าที่จะเป็นกับแชทบอท เพราะผลลัพธ์ทั้งหมดของโมเดลการตัดสินใจ คือความน่าจะเป็น โมเดลภาษาที่ผิดอย่างมั่นใจให้ย่อหน้าที่คุณสามารถตรวจสอบได้ โมเดลการตัดสินใจที่ผิดอย่างมั่นใจให้ตัวเลขที่ไปป์ไลน์ถูกออกแบบมาให้ดำเนินการตาม
การกระจายภายในกลุ่มกว้างมาก และ d1 อยู่ที่ปลายด้านที่แย่ของช่วงนั้น:
• ความแม่นยำ AA-Omniscience-Decision — Liquid AI d1 เป็นโมเดลการตัดสินใจที่ดีที่สุดที่ 41 โดย Jev 1.13 อยู่ที่ 35 โมเดลภาษาที่ประเมินเดียวกันได้คะแนน 52 และ 66
• อัตราการไม่เกิดการหลอน — Liquid AI d1 ได้คะแนน 2. Jev 1.13 ได้คะแนน 35, Mercury Decide 32 และ Microsoft-Decision-1 นำอยู่ที่ 40. ไม่มีโมเดลการตัดสินใจอื่นบนบอร์ดที่ทำคะแนนไม่ถึง 17
• ช่องว่างระหว่างสองแถวนั้นคือแก่นของการนำเสนอทั้งหมด d1 รู้มากที่สุดและยอมรับน้อยที่สุด โมเดลที่ถูกฝึกให้ปิดช่องว่างนั้น — มิติเดียวที่รายการก่อนหน้าของ Liquid อยู่อันดับสุดท้ายแทนที่จะเป็นอันดับแรก — จะผลักดันคลาสนี้ให้ก้าวหน้าได้ แม้ไม่ต้องแตะต้องความแม่นยำดิบ
• HLE-MultiChoice — Jev 1.13 นำด้วยคะแนน 21 โดยโมเดลการตัดสินใจอื่นทุกตัวอยู่ที่ 15 หรือต่ำกว่า นี่คือการประเมินที่แวดวงนี้ยังมีช่องว่างให้พัฒนาได้มากที่สุด และเป็นรายการที่การรันประเมิน 112 รายการของ Liquid ไม่ได้รายงานผลเทียบด้วย
• When2Call และ WildGuardTest — Celeris-1 Decision และ GLiDE เสมอกันที่ 84 ในการเรียกใช้เครื่องมือ โดย Jev 1.13 อยู่อันดับสี่ที่ 81; GLiDE นำด้านความปลอดภัยที่ 95 โดย Decider v1.1 27B และ Jev 1.13 อยู่ที่ 94 ด้วยกัน
หนึ่งล้านการตัดสินใจมีต้นทุนที่แท้จริงเท่าไร
ราคาเป็นส่วนของการเปิดตัวที่ไม่ต้องมีข้อแม้ใด ๆ Liquid AI d1-ultra คิดค่าบริการที่$0.042 ต่อโทเค็นอินพุตหนึ่งล้านโทเค็น และไม่คิดค่าใช้จ่ายใด ๆ สำหรับเอาต์พุต เพราะไม่มีเอาต์พุต ราคานั้นเท่ากับของ d1 และเท่ากับราคาที่เราเรียกเก็บสำหรับ Jev 1.13 ซึ่งทำให้สองโมเดลนี้เปรียบเทียบกันได้โดยตรงในด้านต้นทุน และไม่มีสิ่งอื่นใด
การคำนวณนี้เรียบง่ายพอที่จะคิดบนกระดาษเช็ดปากได้ สถานะประมาณหนึ่งพันโทเคน — เพย์โหลด JSON ที่มีรายละเอียดปานกลาง หรือข้อความหนึ่งหน้า — มีค่าใช้จ่าย $0.042 ในการรันหนึ่งล้านครั้ง ตัวเลขค่าใช้จ่ายต่อล้านงานของ Artificial Analysis เองสำหรับคลาสนี้อยู่ระหว่าง $17 ถึง $199 โดย Jev 1.13 อยู่ที่ $42, Microsoft-Decision-1 อยู่ที่ $31 และ Decider v1.1 27B อยู่ที่ $17; เวลามัธยฐานต่องานทั่วทั้งคลาสอยู่ในช่วง 0.06 วินาทีถึงครึ่งวินาที การตัดสินใจหนึ่งพันโทเคนที่ $42 ต่อล้านงานอยู่ตรงกลางของช่วงนั้น ซึ่งเป็นสิ่งที่มีประโยชน์ที่ควรรู้: การตั้งราคาไม่มีอะไรน่าสังเกตสำหรับหมวดหมู่นี้ และคำถามที่น่าสนใจไม่ใช่ค่าใช้จ่ายต่อโทเคน แต่เป็นค่าใช้จ่ายต่อการตัดสินใจที่ถูกต้อง
มีรายละเอียดการคิดค่าบริการอยู่ข้อหนึ่งที่จะทำให้หลายคนสะดุด และมันคุ้มค่าที่จะอ่านซ้ำอีกครั้ง รูปภาพจะถูกคิดเป็นค่าอินพุตในอัตรา 1.5 โทเคนต่อแพตช์ขนาด 32×32 พิกเซล ทำให้รูปขนาด 1024×1024 คิดเป็น 1,536 โทเคน — และทุกคำถามจะถูกคิดค่าใช้จ่ายเป็นพรอมป์ของตัวเอง รวมถึงรูปภาพทั้งหมดที่แนบมาด้วย ถ้าคุณถามสิบคำถามแยกกันเกี่ยวกับรูปถ่ายรูปเดียวกัน รูปนั้นจะถูกคิดค่าบริการสิบครั้ง ดังนั้นสิบคำถามนี้จะกินโทเคนรูปภาพไป 15,360 โทเคนก่อนที่จะมีข้อความแม้แต่คำเดียว การรวมคำถามทั้งหมดไว้ในคำขอเดียวไม่ได้ช่วยให้ค่าใช้จ่ายเฉลี่ยต่ำลง ถ้าลักษณะงานของคุณเป็นงานภาพ ตัวเลขที่กำหนดค่าใช้จ่ายของคุณคือจำนวนคำถามคูณกับโทเคนรูปภาพ ไม่ใช่จำนวนเอกสารคูณกับโทเคนรูปภาพ
ที่ที่คุณสามารถเรียกมันได้
Liquid AI d1-ultra เปิดให้ใช้งานแล้วตอนนี้บน API ของ Liquid เอง ผ่านคอนโซลของ Liquid และใน d1 Playground สำหรับใครก็ตามที่อยากลองเล่นโดยไม่ต้องเขียนไคลเอนต์ ผู้ให้บริการกล่าวว่าจะมีแพลตฟอร์มเพิ่มเติมตามมา สรุปตามจริง ณ วันนี้คือ API ของผู้ให้บริการเอง โดยจะมีแพลตฟอร์มของบุคคลที่สามตามมาอีกหลายแห่ง มีตัวอย่างโค้ดในโพสต์เปิดตัวที่รันได้ทันทีโดยไม่ต้องแก้ไข
บันทึกเรื่องการจัดเส้นทาง และนี่ไม่ใช่การขายของ: Liquid AI d1-ultra ไม่ได้อยู่ในแค็ตตาล็อกของเรา และบทความนี้ไม่ใช่การอ้างว่ามีให้บริการสำหรับมัน สิ่งที่อยู่ในแค็ตตาล็อกของเราคือ Jev 1.13 — โมเดลที่ปัจจุบันเป็นผู้นำใน Decision Index — ในราคา $0.042 ต่อล้านโทเคนอินพุตเท่ากัน และค่าคอมพลีชันเป็นศูนย์เท่ากัน ด้วยหน้าต่างบริบท 64K ให้บริการผ่าน endpoint รูปแบบ systemone แบบเดียวกัน: ข้อความเข้า ออกเป็น JSON แบบมีโครงสร้าง ไม่สตรีมมิ่ง นี่เป็นเรื่องบังเอิญที่มีประโยชน์สำหรับใครก็ตามที่กำลังประเมินการเปิดตัวครั้งนี้ เพราะมันหมายความว่าผู้ท้าชิงและเจ้าเดิมสามารถรันเคียงข้างกันได้โดยไม่ต้องมีสัญญาฉบับที่สอง d1-ultra ต้องติดต่อ Liquid โดยตรง ส่วนเจ้าเดิมอยู่ในแค็ตตาล็อกของเราอยู่แล้ว ทั้งคู่อยู่เบื้องหลัง API เดียวสำหรับ 200+ โมเดล ซึ่งราคาตามรายการถูกส่งผ่านโดยบวกเพิ่ม 0% และซึ่งการสลับไปใช้ระบบสำรองอัตโนมัติหมายความว่าโมเดลใหม่สามารถรับงานส่วนหนึ่งของเวิร์กโหลดจริงได้โดยไม่ต้องไว้วางใจมันกับงานทั้งหมด
ส่วนสุดท้ายนั้นเป็นคำแนะนำในทางปฏิบัติมากกว่าจะเป็นการโฆษณาสินค้า โมเดลที่เพิ่งมีอายุได้หนึ่งวัน ซึ่งผลการวัดมาตรฐานหลักยังไม่ได้รับการทำซ้ำอย่างอิสระ และหน้าต่างบริบทยังไม่ถูกเปิดเผย ไม่ใช่สิ่งที่ควรนำทราฟฟิกโปรดักชันไปส่งต่อตั้งแต่วันแรก มันเป็นสิ่งที่ควรทดลองรันแบบเงาเทียบกับโมเดลที่อยู่ในช่องนั้นอยู่แล้ว รันสถานะเดียวกันผ่านทั้งสอง เปรียบเทียบการกระจายมากกว่าป้ายกำกับ และจับตาดูโดยเฉพาะกรณีที่ d1-ultra บอก 0.8 แล้วกลายเป็นว่าผิด เพราะนั่นคือกรณีที่การเปิดตัวนี้มุ่งเน้นทั้งหมด และเป็นตัวเลขหนึ่งเดียวที่ Liquid ยังไม่เปิดเผย
อะไรจะยุติเรื่องนี้ได้
สามสิ่ง โดยเรียงตามลำดับจากมากไปน้อยว่ามันจะเปลี่ยนการตัดสินใจได้มากแค่ไหน
อันแรกคือแถวใน Decision Index จนกว่า Artificial Analysis จะรัน d1-ultra ผ่านไปป์ไลน์ของตัวเอง ส่วนต่างแปดจุดเหนือ Jev 1.13 ก็เป็นตัวเลขที่ผู้ขายอ้าง และการปรับปรุงด้านการคาลิเบรชันเมื่อเทียบกับ Jev 1.14 ก็เป็นตัวเลขที่ผู้ขายอ้างโดยไม่มีข้อมูลสาธารณะเทียบเคียงใด ๆ เลย บอร์ดนี้ได้รับการอัปเดตเป็นประจำ และโมเดลสำหรับการตัดสินใจที่ทำคะแนนเกิน 66 ได้จริง ๆ จะเป็นผลลัพธ์ที่น่าสนใจที่สุดในหมวดนี้ของปีนี้ เพราะมันจะทำให้โมเดลที่ไม่ใช่เจเนอเรทีฟอยู่เหนือโมเดลภาษาทุกตัวบนดัชนีเดียวกัน
อย่างที่สองคือสเปกชีตที่หายไป หน้าต่างบริบท ความหน่วง ณ ขนาดแบตช์ที่ระบุ และคำถามสามารถใช้ภาพร่วมกันได้หรือไม่โดยไม่ถูกคิดค่าใช้จ่ายซ้ำ — ตัวเลขสามตัวนี้ตัดสินว่าภาระงานหนึ่งจะเป็นไปได้หรือไม่ นานก่อนที่คะแนน benchmark จะเป็นตัวตัดสิน เจเนอเรชันก่อนหน้าของ Liquid ประมวลผลการตัดสินใจด้านข้อความใน 200 ถึง 300 มิลลิวินาที ซึ่งเป็นจุดอ้างอิงที่มีประโยชน์ แต่ไม่ใช่การวัดของโมเดลนี้
ประการที่สามคือการสอบเทียบนอกห้องแล็บ การประเมิน 112 รายการของ Liquid เป็นชุดงานที่ผู้ขายเลือกเอง ความมั่นใจเกินเหตุเป็นคุณสมบัติที่ปรากฏในหาง — คำถามยากที่พบได้ไม่บ่อย สถานะที่กำกวม อินพุตจากการแจกแจงที่โมเดลไม่เคยเห็น นั่นคือจุดที่ d1 ได้คะแนน 2 และเป็นที่เดียวที่การปรับปรุงจริงจะมองเห็นได้
จนถึงตอนนั้น จุดยืนที่ซื่อตรงก็คือจุดยืนที่น่าเบื่อ: ราคานั้นเป็นของจริงและเปิดเผยต่อสาธารณะ เอนด์พอยต์ใช้งานได้ ข้อบกพร่องที่แย่ที่สุดของหมวดหมู่นี้ถูกระบุอย่างถูกต้อง และการแก้ไขนั้นเป็นเพียงคำกล่าวอ้างมากกว่าที่จะแสดงให้เห็น หากคุณทำงานเกี่ยวกับการตัดสินใจแบบมีโครงสร้าง มันคุ้มค่าที่จะลองสักบ่าย แต่ไม่คุ้มค่าถึงขั้นต้องย้ายระบบ
