Liquid AI d1-ultra กับ Liquid AI d1-3B: เอนด์พอยต์แบบเช่าในราคา $0.042 ต่อล้าน หรือเช็กพอยต์ขนาด 2.87 GB ที่คุณเป็นเจ้าของ

Liquid AI d1-ultraคิดค่าบริการ 0.042 ดอลลาร์ต่ออินพุต 1 ล้านโทเคน และทำงานบนอุปกรณ์เร่งความเร็วของคนอื่นในศูนย์ข้อมูลของคนอื่น Liquid AI d1-3Bไม่มีค่าบริการต่อการเรียกใช้ และทำงานบน Jetson Orin Nano บนโต๊ะทำงาน สองประโยคนี้อธิบายโมเดลที่ Liquid AI เปิดตัวห่างกันแปดวัน — d1-3B เป็นเช็กพอยต์แบบเปิดน้ำหนักที่ประกาศเมื่อวันที่ 7 ตุลาคม 2026 ส่วน d1-ultra เป็นโมเดลที่ให้บริการผ่าน API เท่านั้นเมื่อวันที่ 15 ตุลาคม — และทั้งสองอธิบายงานแบบเดียวกัน: ป้อนสถานะที่ประกอบด้วยข้อความ รูปภาพ หรือทั้งสองอย่างให้โมเดล ป้อนชุดคำถามที่มีการระบุประเภทให้มัน แล้วได้คำตอบที่ผ่านการคาลิเบรตกลับมาจากฟอร์เวิร์ดพาสครั้งเดียว โดยไม่มีการสร้างโทเคนเอาต์พุตแม้แต่ตัวเดียว ทั้งคู่ไม่เขียนร้อยแก้ว ทั้งคู่ไม่สตรีม ความแตกต่างระหว่างทั้งสองไม่ใช่ "ตัวไหนฉลาดกว่า" ในเชิงนามธรรม เพราะคำตอบที่ตรงไปตรงมานั้นขึ้นอยู่กับว่าคุณถามวันละกี่ครั้งเท่านั้นสำหรับโมเดลที่รูปแบบความล้มเหลวยังไม่ได้รับการบันทึก สิ่งที่เทียบเคียงได้ซึ่งมีประโยชน์คือบันทึกของสิ่งที่เคยผิดพลาดไปแล้วที่อื่น: เหตุการณ์ AI และความล้มเหลวของเอเจนต์ที่ได้รับการบันทึกไว้ซึ่งเกี่ยวข้องกับโมเดลในคลาสนี้ ถูกรวบรวมไว้ใน OrcaRouter AI Incident Archive โดยแต่ละรายการมีแหล่งอ้างอิง ระดับความรุนแรง เกรดความเชื่อมั่น และแฟล็กข้อโต้แย้งเป็นของตัวเอง

การมองแบบนั้นคือเหตุผลที่การเปรียบเทียบนี้มีค่ามากกว่าสเปกชีต d1-3B และ d1-ultra อยู่คนละสุดของทางเลือกที่ Liquid AI ระบุชัดเจนแล้วในเอกสารของบริษัทเอง: คุณสามารถเช่าโมเดลที่เก่งที่สุดในตระกูลนี้แบบคิดตามโทเคน หรือจะเป็นเจ้าของโมเดลขนาด 3.12 พันล้านพารามิเตอร์ แล้วจ่ายด้วยซิลิคอน ไฟฟ้า และชั่วโมงวิศวกรรมแทนก็ได้ ทั้งสองเป็นผลิตภัณฑ์ปัจจุบัน d1-ultra เป็นสิ่งที่ใหม่ที่สุดที่บริษัทเปิดตัวออกมา และ d1-3B คือสิ่งที่ผู้อ่านส่วนใหญ่น่าจะเริ่มต้นด้วย ตัวไหนเหมาะกับไปป์ไลน์หนึ่งๆ เป็นคำถามเชิงเลขคณิตที่มีจุดตัดจริง และตอบได้ด้วยตัวเลขที่เผยแพร่แล้ว — ซึ่งเป็นสิ่งที่ตามมา

หมายเหตุเรื่องแหล่งที่มาหนึ่งข้อก่อนถึงตัวเลข เพราะเรื่องนี้สำคัญกว่าการจัดรูปแบบของมัน เกือบทุกอย่างด้านล่างนี้เป็นรายงานของ Liquid AI เอง: การ์ดโมเดล, โพสต์ open-weight วันที่ 7 ตุลาคม และโพสต์ d1-ultra วันที่ 15 ตุลาคม สำหรับบทความนี้ เราไม่ได้ทำซ้ำเบนช์มาร์กของโมเดลตัดสินใจใด ๆ ด้วยตัวเอง และเท่าที่เราดูออก ก็ไม่มีใครอื่นทำเช่นนั้นเลย ตรงไหนที่ตัวเลขเป็นผลคำนวณของเราจากตัวเลขที่เผยแพร่ ไม่ใช่ผลการวัดของใครก็ตาม ประโยคที่มีตัวเลขนั้นจะระบุไว้

โมเดลแต่ละตัวแท้จริงแล้วคืออะไร ณ กลางเดือนตุลาคม 2026

Liquid AI d1-3B เป็นโมเดลตัดสินใจแบบน้ำหนักเปิด ขนาด 3.12 พันล้านพารามิเตอร์ ที่ฝึกมาจาก LFM2.5-VL-3B ซึ่งเป็นโมเดลภาพ-ภาษาแบบ decoder-only โดยมีตัวเข้ารหัสภาพ SigLIP2 NaFlex 400M หน้าต่างบริบท 32,768 โทเคน และคลังคำศัพท์ 128,000 โทเคน รับข้อความ JSON รูปภาพ หรือส่วนผสมเป็นสถานะ และตอบคำถามหนึ่งข้อหรือมากกว่า — Choice, Score หรือ noul ซึ่งเป็นพื้นฐานใช่/ไม่ใช่ที่คืนค่าความน่าจะเป็นระหว่าง 0 ถึง 1 — ในการส่งผ่านไปข้างหน้าหนึ่งครั้ง น้ำหนักโมเดลอยู่บน Hugging Face ภายใต้ LFM Open License ซึ่งผู้จำหน่ายอธิบายว่าใช้งานได้ฟรี รวมถึงเชิงพาณิชย์เมื่อมีรายได้ต่อปีต่ำกว่า 10 ล้านดอลลาร์ มีการระบุว่ารองรับ llama.cpp ตั้งแต่วันแรก โดยมีบิลด์ NVFP4 บน Apple, AMD, Qualcomm และ NVIDIA

Liquid AI d1-ultra is the same shape of product pointed at a harder problem. It is API-only — there are no weights, no GGUF, no MLX or ONNX export, and the vendor's documentation index lists it in a row whose only downloadable artifact is the word "API". It was built, per the announcement, on "a larger open-weight model with a series of Liquid-specific heavy customizations," which is the entire architectural disclosure: no parameter count, no context window and no latency figure appear on the vendor's pages. Third-party gateway listings put the context window at 32,768 tokens and one listing has described it as roughly 8.3B total parameters with about 1.5B active per token, but those are catalogue entries, not vendor statements, and we treat them as unconfirmed. The model string is d1-ultra, on the same endpoint as d1: https://api.liquid.ai/decisions/v1/systemone.

เหตุผลที่ย่อหน้าเหล่านั้นดูไม่สมดุลขนาดนี้ไม่ใช่เรื่องการเรียบเรียง แต่เป็นเพราะการเปรียบเทียบทั้งหมดต่างหาก d1-3B มีเอกสารประกอบละเอียดถึงระดับที่ช่วยให้คุณประเมินสเปกฮาร์ดแวร์ได้ก่อนจะดาวน์โหลดอะไรเลย ส่วน d1-ultra มีเอกสารประกอบละเอียดแค่ระดับที่ทำให้คุณเรียกใช้งานมันได้เท่านั้น และไม่มากไปกว่านั้น

ตัวเลขดัชนีทั้งสองไม่ได้อยู่บนไม้บรรทัดเดียวกัน

บทความทุติยภูมิทุกชิ้นเกี่ยวกับคู่นี้จะวาง 65 ไว้เคียงกับ 48.57 แล้วปล่อยให้คุณได้ข้อสรุปที่ชัดเจนเอง อ่านป้ายกำกับก่อน เพราะตัวเลขสองตัวนี้ถูกเผยแพร่ภายใต้เครื่องมือวัดที่ต่างกัน

• ตัวเลขของ d1-3B — 48.57 บนสปลิตสาธารณะของ Decision Index v0.2.1 ในโพสต์เปิดตัววันที่ 7 ตุลาคม ผู้ขายยังระบุเพิ่มเติมว่าโมเดลนี้อยู่เหนือกว่าทุกอย่างที่ต่ำกว่า 10B และทัดเทียมกับ Decider 35B-A3B ซึ่งเป็นโมเดลที่มีขนาดใหญ่กว่า 12 เท่า

• ตัวเลขของ d1-ultra — 65 ซึ่งระบุไว้ในโพสต์วันที่ 15 ตุลาคมว่านำอยู่บน Artificial Analysis Decision Index อย่างน้อยแปดคะแนน พร้อมข้ออ้างว่า d1-ultra เอาชนะ Jev 1.14 ได้ในทุกงาน การรายงานข่าวของการประกาศดังกล่าวรายงานว่า Jev 1.14 อยู่ที่ 57 ซึ่งสอดคล้องกับคะแนนนำแปดคะแนน

มีสองเรื่องที่เป็นจริงและควรพูดให้ตรงไปตรงมา เรื่องแรก ดัชนีที่อยู่เบื้องหลังคะแนน 65 ของ d1-ultra เป็นของบุคคลที่สาม แต่ตัวเลขนี้มาถึงเราผ่านประกาศของ Liquid AI เองและผ่านบทความข่าวที่เขียนถึงประกาศนั้น — เราไม่สามารถโหลดตารางสาธารณะที่แสดงคะแนน 65 ได้เอง — ดังนั้นในบทความนี้จึงถือเป็นตัวเลขที่ผู้ขายรายงานเอง เรื่องที่สอง คะแนน public-split เวอร์ชัน 0.2.1 กับคะแนนดัชนีที่ไม่ระบุเวอร์ชัน ไม่ได้รับประกันว่าจะอยู่ในสเกลเดียวกัน และดัชนี v0.3 มี private vision split ที่การเปิดตัวแบบเปิดไม่ได้รายงานผลเทียบกับมันอย่างชัดเจน ให้มองช่องว่างนี้ในเชิงทิศทาง — โมเดลแบบจ่ายเงินดีกว่าอย่างมีนัยสำคัญ — ไม่ใช่ในฐานะการวัดความต่าง 16.4 จุด ยังไม่มีใคร รวมถึงเรา ที่นำสองโมเดลนี้ไปทดสอบผ่านฮาร์เนสเดียวกัน

ความหน่วง: ตัวเลขหนึ่งถูกเผยแพร่ ส่วนอีกตัวเลขหนึ่งไม่ถูกเผยแพร่

ความเร็วของโมเดลเปิดนั้นได้รับการบันทึกไว้อย่างละเอียดผิดปกติ ซึ่งยิ่งทำให้การละเว้นข้อมูลในโมเดลแบบเสียค่าใช้จ่ายเด่นชัดขึ้น การ์ดของ d1-3B รายงานว่าคำถามหนึ่งข้อใช้เวลา 8 มิลลิวินาทีบน RTX 4090, 9 มิลลิวินาทีบน AMD MI325X, 16 มิลลิวินาทีบน Jetson AGX Thor, 26 มิลลิวินาทีบน Jetson AGX Orin 64 GB, 30 มิลลิวินาทีบน Apple M5 Pro และ 50 มิลลิวินาทีบน Jetson Orin Nano โดยมีอัตราการประมวลผลแบบแพ็กสูงถึง 1,106 การตัดสินใจต่อวินาทีบน MI325X

นั่นคือการจับเวลา forward pass บนฮาร์ดแวร์ที่ระบุชื่อ ไม่ใช่เวลาคำขอแบบ end-to-end และความแตกต่างนี้ไม่ใช่เรื่องจุกจิก ครั้งสุดท้ายที่ Liquid AI เผยแพร่ความหน่วงแบบโฮสต์สำหรับโมเดลตัดสินใจ — โพสต์วันที่ 5 ตุลาคมที่เปิดตัว d1 — มันอยู่ที่ 200 ถึง 300 ms สำหรับการตัดสินใจจากข้อความ ซึ่งเป็นการไปกลับของ API ที่รวมการเข้าคิวและเครือข่าย และเทียบไม่ได้กับการทำ forward pass 8 ms บนการ์ดในเครื่อง สำหรับ d1-ultra ผู้ขายไม่ได้เผยแพร่ตัวเลขความหน่วงใด ๆ เลย ไม่ว่าจะในรูปแบบใด หากไปป์ไลน์ของคุณถูกจำกัดด้วยความหน่วงมากกว่าความแม่นยำ การไม่มีข้อมูลนั้นคือสิ่งสำคัญที่สุดเพียงหนึ่งเดียวบนหน้านี้ ตอนนี้คุณไม่อาจบอกได้ว่าโมเดลราคาแพงนั้นเร็วหรือไม่ และวิธีเดียวที่จะรู้คือวัดด้วยตัวคุณเอง

การคำนวณที่หน้าเพจการตลาดไม่ได้ทำ

นี่คือจุดที่ผลิตภัณฑ์ทั้งสองแตกต่างกันอย่างแท้จริง และมันเป็นการคำนวณที่คุณทำบนกระดาษเช็ดปากก็ได้ ลองพิจารณาด่านคัดแยกงานสนับสนุนที่ถามคำถาม noul หนึ่งข้อต่อตั๋วหนึ่งใบ 200,000 ตั๋วต่อเดือน โดยมีโทเคนอินพุตประมาณ 1,200 โทเคนต่อคำถาม รวมภาพหน้าจอขนาดเล็กหนึ่งภาพ นั่นคือโทเคนอินพุต 240 ล้านโทเคนต่อเดือน ซึ่งเป็นปริมาณที่ทำให้อัตราต่อล้านโทเคนอ่านออกเป็นตัวเลขชัดเจน

สำหรับ d1-ultra ที่ราคา $0.042 ต่อโทเคนอินพุตหนึ่งล้านโทเคน นั่นคือประมาณ $10.08 ต่อเดือน สำหรับ d1-3B ที่ราคา 0 ต่อการเรียก จะเป็น $0.00 ต่อเดือน บวกกับค่าใช้จ่ายของฮาร์ดแวร์ไม่ว่าจะเท่าใด

• บิลด์ Q8_0 ขนาด 2.87 GB ทำงานได้อย่างสบายบน Jetson Orin Nano หากคุณซื้อเครื่องนั้นมาเพื่อเวิร์กโหลดนี้โดยเฉพาะ ระยะเวลาคืนทุนเมื่อเทียบกับเอนด์พอยต์แบบโฮสต์จะวัดกันเป็นปี ไม่ใช่สัปดาห์ — ซึ่งเป็นข้อสรุปที่ซื่อสัตย์ และไม่ใช่ข้อสรุปที่ผู้จำหน่ายฮาร์ดแวร์จะพิมพ์ออกมา

• ลองมองปริมาณในมุมกลับกัน ที่ 200 ล้านคำถามต่อเดือน — 240 พันล้านโทเคนอินพุต — บิลของ d1-ultra อยู่ที่ประมาณ $10,080 ต่อเดือน และบิลด์ที่รันในเครื่องก็ยังกินไฟเท่าเดิม นั่นคือจุดที่การเป็นเจ้าของ checkpoint ไม่ใช่แค่ความชอบเชิงปรัชญาอีกต่อไป แต่กลายเป็นรายการค่าใช้จ่าย

ข้อควรระวังสามประการ ซึ่งทั้งหมดล้วนชี้ไปในทิศทางเดียวกัน จำนวนโทเคนทุกตัวข้างต้นเป็นค่าที่เราเลือกไว้ ความยาว state และจำนวนภาพของคุณจะแตกต่างออกไป และภาพจะถูกคิดค่าเป็นข้อความในอัตรา 1.5 โทเคนต่อแพตช์ขนาด 32×32 พิกเซล ดังนั้นภาพขนาด 1024×1024 เพียงภาพเดียวจึงเท่ากับ 1,536 โทเคนอินพุต ทุกคำถามจะถูกคิดค่าเป็นพรอมป์ของตัวเอง ซึ่งรวมข้อความและภาพทั้งหมดของคำถามนั้น ดังนั้นการถามสามคำถามจากภาพหน้าจอเดียวกันจึงต้องจ่ายค่าภาพหน้าจอนั้นถึงสามครั้ง และทั้งหมดนี้ยังไม่ได้คิดรวมต้นทุนทางวิศวกรรม: เส้นทางแบบโลคอลแลกมาด้วยตัวเลือกการควอนไทซ์ รันไทม์ที่ต้องคอยอัปเดตให้เป็นปัจจุบัน และวิชันเอนโคเดอร์ที่กินหน่วยความจำก่อนที่เวต 3.12B จะกิน หากคุณเรียกใช้โมเดลเพียงไม่กี่พันครั้งต่อเดือน เอนด์พอยต์แบบโฮสต์จะถูกกว่าการประชุมที่คุณตัดสินใจจะโฮสต์เอง

จุดที่แต่ละอย่างไม่ใช่คำตอบที่ถูกต้องอีกต่อไป

Liquid AI d1-3B เป็นค่าเริ่มต้นที่เหมาะสม เมื่อมีข้อจำกัดใดข้อจำกัดหนึ่งต่อไปนี้เป็นตัวกำหนด เช่น ข้อมูลไม่สามารถออกจากสถานที่หรือออกจากอุปกรณ์ได้ การเดินทางผ่านเครือข่ายเป็นสิ่งที่ยอมรับไม่ได้ ปริมาณการใช้งานสูงพอจนราคาต่อการเรียกใช้งานกลายเป็นต้นทุนหลัก หรือสถานะนั้นเป็นภาพจากกล้องแบบเรียลไทม์หรือภาพหน้าจอที่คุณไม่อยากส่งให้บุคคลที่สาม กรอบแนวคิดของเจ้าของผลิตภัณฑ์เองก็สนับสนุนข้อแรกในนั้น กล่าวคือ การเปิดตัวแบบโอเพนซอร์สนี้มุ่งเป้าไปที่การติดตั้งใช้งานบนอุปกรณ์ปลายทางและบนตัวอุปกรณ์โดยตรงครอบคลุมฮาร์ดแวร์ NVIDIA DGX, RTX และ Jetson และจำนวนดาวน์โหลด 17,820 ครั้งที่เช็กพอยต์นี้บันทึกไว้ในเดือนแรกชี้ว่าผู้คนจำนวนมากได้ข้อสรุปเดียวกันอย่างรวดเร็ว

Liquid AI d1-ultra คือคำตอบที่ถูกต้องเมื่อตัวการตัดสินใจเองเป็นส่วนที่ยาก คำถามที่ต้องพึ่งพาความรู้อย่างหนัก ข้อกล่าวอ้างเชิงภาพที่ต้องนำไปเทียบกับบริบทในโลกจริง — ตัวอย่างของผู้ขายเองก็คือข้อบกพร่องบนแผงวงจร และการจับคู่ข้อเรียกร้องค่าเสียหายกับภาพถ่ายของลูกค้า — รวมถึงเคสหางยาวที่ความเชื่อมั่นของโมเดล 3B ไม่น่าไว้วางใจพอที่จะเชื่อถือ ข้ออ้างเฉพาะที่ Liquid AI ยกให้กับโมเดลนี้ไม่ใช่แค่ความแม่นยำ แต่คือการสอบเทียบ (calibration): โพสต์ดังกล่าวให้เหตุผลว่าโมเดลที่ใช้ตัดสินใจส่วนใหญ่มีความเชื่อมั่นเกินจริง และ d1-ultra ถูกฝึกมาเพื่อให้ค่าความน่าจะเป็นของมันมีความหมายจริง ถ้าคุณใช้ค่าความน่าจะเป็นเป็นเกณฑ์ตัดสินแทนการเลือกค่า argmax — เช่นส่งเรื่องที่สูงกว่า 0.8 ไปจัดการอัตโนมัติ และที่เหลือส่งให้มนุษย์ — การสอบเทียบคือหัวใจทั้งหมด และนั่นก็เป็นข้ออ้างในรีลีสนี้ที่คนนอกตรวจสอบได้ยากที่สุด

กรณีที่ทั้งสองแบบไม่ใช่คำตอบที่ถูกก็ควรค่าแก่การระบุชื่อเช่นกัน หากคำตอบของคุณเป็นข้อความรูปแบบอิสระ ร่องรอยหลายขั้นตอน หรือบทสรุป โมเดลการตัดสินใจก็เป็นเครื่องมือที่ผิด และผู้ขายก็ระบุเช่นนั้นในเอกสารของตนเอง หากคุณต้องการเสียงใน state ไม่ใช่แค่ข้อความและรูปภาพ สมาชิกคนที่สามของตระกูลอย่าง d1-omni-600M คือตัวที่รองรับมัน — การใช้ d1-ultra สำหรับงานนั้นไม่ใช่การอัปเกรด แต่เป็นความผิดพลาดเชิงหมวดหมู่

การนำสิ่งนี้ไปใช้กับสแต็กที่คุณใช้งานอยู่แล้ว

โมเดลสำหรับตัดสินใจแทบไม่เคยเป็นไปป์ไลน์ทั้งหมด มันคือด่าน: สิ่งที่ตัดสินว่าทิกเก็ตหนึ่งใบนั้นเร่งด่วนหรือไม่ รูปภาพหนึ่งรูปเป็นตำหนิหรือไม่ การเรียกเครื่องมือหนึ่งครั้งจะได้รับอนุมัติหรือไม่ ยังต้องมีอะไรสักอย่างที่เขียนคำตอบ และบนเส้นทางแบบโลคอล อะไรสักอย่างนั้นคือโมเดลตัวที่สองที่คุณต้องโฮสต์เอง — ซึ่งนั่นคือต้นทุนจริงของการไป self-hosted และเป็นต้นทุนที่ไม่เคยโผล่ในการเปรียบเทียบราคาต่อโทเคน รูปแบบที่ได้ผลจริงในปริมาณระดับเล็กและกลางคือ d1-3B ที่รันในเครื่องสำหรับด่านที่มีความถี่สูง และ endpoint แบบเช่าสำหรับเคสยากที่พบไม่บ่อย โดยมีคีย์ OrcaRouter ที่พาโมเดลเชิงสร้างซึ่งการตัดสินใจเหล่านั้นกระจายต่อไปให้: API เดียวครอบคลุมโมเดลกว่า 200+ ตัว, ราคาตามรายการของผู้ให้บริการส่งผ่านโดยบวกเพิ่ม 0% และการ failover อัตโนมัติข้ามผู้ให้บริการ เพื่อไม่ให้ช่วงบ่ายที่ upstream มีปัญหาครั้งเดียวเปลี่ยนคิว triage ของคุณให้กลายเป็นงานค้าง ควรพูดให้ชัดว่าสิ่งนั้นครอบคลุมและไม่ครอบคลุมอะไรบ้าง — เราไม่ได้โฮสต์โมเดลใด ๆ ของ Liquid AI ดังนั้นการเรียกเพื่อตัดสินใจเองจึงไปที่ API ของ Liquid AI หรือไปที่ checkpoint ในเครื่อง และ OrcaRouter คือสิ่งที่อยู่เบื้องหลัง

เมื่อคุณเลิกมองว่าโมเดลการตัดสินใจเป็นสิ่งที่ตายตัว การเปรียบเทียบก็จะไม่ใช่แบบสองทางอีกต่อไป routing DSL ช่วยให้คุณประกอบเกตแบบประหยัดและตัวเขียนแบบแพงเข้าเป็นการเรียกครั้งเดียว และfusion ช่วยให้คณะของโมเดลตอบร่วมกัน เมื่อโมเดลเดียวไม่น่าเชื่อถือพอ ทั้งสองอย่างนี้ไม่ใช่เหตุผลที่จะเลือก d1-ultra แทน d1-3B ทั้งคู่เป็นเหตุผลที่ทางเลือกนี้ควรค่าแก่การกลับมาพิจารณาใหม่ที่ปริมาณซึ่งการคำนวณเปลี่ยนผลจริง

อะไรจะทำให้คำตอบนี้เปลี่ยนไป

สามสิ่ง เรียงตามความเป็นไปได้ อันดับแรกคือการทดสอบมาตรฐานที่เป็นอิสระ ซึ่งนำ d1-3B และ d1-ultra มาผ่านชุดทดสอบเดียวกันบนงานเดียวกัน ณ จุดนั้นช่องว่างระหว่าง 48.57 กับ 65 จะกลายเป็นการวัดจริงแทนที่จะเป็นการคาดเดาเชิงทิศทาง อันดับที่สองคือค่า latency ที่เผยแพร่ของ d1-ultra ซึ่งหากไม่มี pipeline ใดที่อ่อนไหวต่อ latency ก็ควรถือว่าโมเดลแบบโฮสต์เป็นสิ่งที่ไม่รู้ และวัดมันในเส้นทาง canary ก่อน อันดับที่สามคือการเปิดเผยน้ำหนักโมเดลแบบโอเพนเวตในที่สุด ซึ่งสร้างบนแกนหลักที่ใหญ่กว่า และประวัติของตระกูลโมเดลนี้ทำให้สิ่งนี้ดูไม่ไกลเกินจริงอย่างที่ฟังดู เพราะโมเดล d1 อื่นทุกตัวที่เริ่มจากแบบโฮสต์ กลายเป็นดาวน์โหลดได้ภายในสองวัน

จนถึงตอนนั้น หลักง่าย ๆ นี้ยังใช้ได้ เริ่มจาก d1-3B เพราะลองได้ฟรี เร็วบนฮาร์ดแวร์ที่คุณอาจมีอยู่แล้ว และมีเอกสารครบพอที่จะประเมินขนาดได้อย่างเหมาะสมก่อนตัดสินใจจริงจัง ย้ายการตัดสินใจเฉพาะเรื่องที่ให้ผลลัพธ์กลับมาไม่น่าเชื่อถือไปที่ d1-ultra ช่องว่างระหว่างสองรุ่นนี้มีอยู่จริง เพียงแต่แคบกว่าที่ส่วนต่างราคาบ่งชี้ และแคบกว่าที่ตัวเลขดัชนีสื่อเป็นนัยเมื่อพิมพ์เรียงข้างกันโดยไม่มีป้ายกำกับเวอร์ชัน