Một thẻ tiêu đề được tạo với tiêu đề chính ‘Cùng giá, cách nhau một thế hệ’, tiêu đề phụ ‘Liquid AI d1.2 đối đầu Liquid AI D1’. Một thanh ngang dài duy nhất đi lên từ trái sang phải, được gắn nhãn ‘D1 61’ ở đầu bên trái và ‘d1.2 69’ ở đầu bên phải. Ba chip có viền ghi ‘cùng mức $0.02 cho 1 triệu token đầu vào’, ‘cùng endpoint systemone’ và ‘cả sáu thành phần đều được cải thiện’, và một dòng chú thích ghi ‘hai hàng độ chính xác vẫn thuộc về mô hình cũ hơn’. Dấu OrcaRouter được ghép ở góc dưới bên phải.
Guides & Insights

d1.2 so với Liquid AI D1: Cùng mức $0.02, thắng sáu thành phần và hai dòng độ chính xác bị thụt lùi

Tác giả

jinhao.song

Ngày đăng

Mô hình mới nhất · 20Xem tất cả mô hình →
Benchmark: Artificial Analysis · cập nhật hằng ngày
Quay lại tất cả bài viết

Liquid AI d1.2 và Liquid AI D1 có cùng giá niêm yết — 0,02 USD mỗi triệu token đầu vào, chỉ tính tiền đầu vào, không tính token đầu ra — trên cùng một endpoint, trả lời cùng ba loại câu hỏi. Chúng cách nhau hai thế hệ: D1 là mô hình quyết định đầu tiên của dòng này, được Artificial Analysis ghi nhận là phát hành vào tháng 9 năm 2026, và d1.2 ra mắt vào ngày 16 tháng 11 năm 2026, với d1.1 ở giữa. Mọi thứ mà một phép so sánh thường dựa vào — giá, hợp đồng, mã máy khách, hình thức triển khai — đều giống hệt nhau. Phần còn lại là mô hình, và ở phần mô hình, kết quả tuy lệch hẳn về một phía nhưng không hoàn toàn rõ ràng: d1.2 thắng cả sáu đánh giá của Decision Index v2.1 và dẫn trước 7,9 điểm tổng thể, trong khi D1 vẫn thắng hai trong số các hàng độ chính xác thô bên dưới.

Hai hàng đó là lý do khiến thứ này đáng đọc kỹ thay vì chỉ đọc lướt. Cả hai đều nằm trên trục kiến thức, và cả hai đều là cái giá trực tiếp của thay đổi khiến d1.2 tốt hơn ở mọi chỗ khác — nó từ chối thường xuyên hơn nhiều. Phép so sánh này là một mẫu hình cho việc một nâng cấp “tốt hơn một cách nghiêm ngặt” trông như thế nào khi bạn xét các hàng con: một lợi ích tổng hợp lớn, một cải thiện hành vi thực sự, và một chỗ nhỏ, có thể dự đoán được, nơi mô hình mới phải đánh đổi điều gì đó.

Hai hàng, cạnh nhau

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.

Cả hai mô hình đều được Artificial Analysis chấm điểm trên cùng một phiên bản của cùng một bảng xếp hạng, điều này loại bỏ rủi ro thường gặp khi so sánh con số của nhà cung cấp với một con số độc lập. Không có con số nào ở đây đến từ Liquid.

• Decision Index v2.1 — 68.69 cho d1.2 (#9/25) so với 60.78 cho D1 (#21/25). Hiện có mười một mô hình xếp giữa chúng, và khoảng cách đủ lớn đến mức không một lần chạy lại hợp lý nào có thể thu hẹp được.

• Giá mỗi triệu token đầu vào — $0.02 cho cả hai. Không đổi qua hai thế hệ.

• Chi phí mô hình hóa trên mỗi triệu tác vụ — 63 USD cho cả hai, đúng như kỳ vọng với mức giá token giống hệt nhau và số lượng token tương tự cho mỗi tác vụ. Không bên nào rẻ hơn; bảng xếp hạng đều xếp cả hai ở vị trí thứ ba.

• Thời gian mỗi tác vụ — 150 ms so với 151 ms. Thực tế là giống hệt nhau và cả hai đều nhanh hơn mức trung vị 206 ms của lớp.

• Cửa sổ ngữ cảnh — 66k token cho cả hai, như được bảng liệt kê. Các bài đăng của chính Liquid không nêu cửa sổ nào cho cả hai, vì vậy đây là cách đọc từ bên thứ ba chứ không phải thông số kỹ thuật của nhà cung cấp.

• Điểm Brier, càng thấp càng tốt — 0,164 so với 0,196. Cải thiện 0,032 về xác suất gắn với câu trả lời được chọn, mà không phải đánh đổi gì.

Hàng cuối cùng là hàng đáng để ngẫm kỹ. d1.2 không chỉ đúng thường xuyên hơn; độ tin cậy mà nó gắn cho câu trả lời của mình còn sát với sự thật hơn, và đây chính là thuộc tính khiến một threshold pipeline có thể hoạt động được. Và điều đó đến miễn phí.

Sáu thành phần, và kích thước của từng khoảng cách

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.

Con số tổng hợp che giấu một loạt thay đổi rất không đồng đều, và hai trong số đó thực sự không liên quan đến độ chính xác.

• AA-Paperclip, các quyết định về tài liệu — 62,60 cho d1.2 so với 54,92, với 44,3% tài liệu hoàn toàn đúng so với 25,7%. Hàng đạt tất cả đó là cải thiện đơn lẻ lớn nhất trong bản phát hành đối với cặp này: một hóa đơn mười lăm trường với mười bốn trường đúng vẫn bị tính là trượt dưới cả hai mô hình, và d1.2 đưa một phần tư số tài liệu lên gần một nửa.

• When2Call, các quyết định về công cụ — 96,09 so với 81,59, với độ chính xác 95,5% so với 77,9%. Đây chính là điều thay đổi những gì mô hình có thể được dùng để làm. D1 ở 77,9% là một bộ phân loại mà bạn sẽ cần có con người đứng sau; d1.2 ở 95,5% là bộ phân loại mà bạn có thể để nó tự định tuyến.

• AA-Symmetry, invariance — 76.52 so với 58.67, với 50.0% tất cả đều đạt so với 32.5%. Diễn đạt lại câu hỏi, sắp xếp lại các lựa chọn, phủ định một câu hỏi có/không: câu trả lời của mô hình cũ thay đổi, còn của mô hình mới phần lớn thì không.

• EvalSafe-O*NET-AA, đánh giá nơi làm việc — 86,55 so với 84,21, và độ chính xác 79,7% so với 76,3%. Khoảng cách nhỏ nhất trên bảng, và tự nó không phải là lý do để chuyển đổi.

• AA-Omniscience-Decision v1.1, kiến thức — 60,94 so với 58,31. Gần ba điểm, và các hàng con bên dưới mới là phần thú vị.

• HLE-MultiChoice v1.1, các câu hỏi khó — 44.69 so với 39.80, với độ chính xác 5.30% so với 11.79%. Mô hình mới trả lời đúng ít câu hỏi khó hơn mà vẫn đạt điểm cao hơn năm điểm, vì chỉ số này đánh giá xác suất thay vì chỉ đánh giá phương án được chọn.

Câu chuyện về sự kiềm chế mới là nâng cấp thực sự.

Hãy xem các hàng {{1}}không ảo giác{{/1}} cùng nhau, vì chúng mô tả một mô hình đã thay đổi {{2}}tính cách{{/2}} của nó chứ không phải {{3}}độ chính xác{{/3}} của nó.

• AA-Omniscience-Decision không ảo giác — d1.2 66,6%, D1 3,3%. D1 trả lời đúng 39,8% số câu hỏi này và gần như không bao giờ từ chối; d1.2 trả lời đúng 30,0% và từ chối nhiều hơn đáng kể.

• HLE-MultiChoice không ảo giác — 53,9% so với 5,6%, trên một benchmark mà độ chính xác thô của D1 cao gấp đôi.

• AA-Symmetry all-pass — 50,0% so với 32,5%, đây chính là mức dịch chuyển tương tự được nhìn thấy qua tính nhất quán thay vì qua việc từ chối.

D1 là mô hình đầu tiên của dòng này và nó hành xử đúng như vậy: khi được hỏi một câu mà nó không thể trả lời, nó vẫn tạo ra một câu trả lời. Tỷ lệ không ảo giác 3,3% nghĩa là cứ khoảng 97 trong mỗi 100 câu hỏi kiến thức mà phản hồi đúng là phải từ chối trả lời, nó đã không làm vậy. Nếu pipeline của bạn gửi các trường hợp độ tin cậy thấp đến người đánh giá con người, thì đó chính là thuộc tính quyết định liệu cổng lọc có hoạt động hay không; một mô hình không bao giờ nói "Tôi không biết" thì không cho bạn thứ gì để đặt ngưỡng, và các xác suất 0,9 của nó mang ít ý nghĩa hơn các xác suất 0,9 của d1.2.

Lưu ý này mang tính đối xứng và đáng được nêu rõ: d1.2 trả lời đúng ít câu hỏi khó hơn. Nếu tác vụ của bạn là một câu hỏi kiến thức có đáp án xác định và không có cơ chế từ chối trả lời — liệu tuyên bố này có nhất quán với chính sách không, đoạn mã này có khớp với đặc tả không — thì bạn đang đánh đổi độ chính xác để lấy sự trung thực, và sự đánh đổi đó có thể không miễn phí.

Mô hình mới có thể trả lời những gì mà mô hình cũ không thể

d1.2 bổ sung năm loại câu trả lời và đầu vào âm thanh. D1 không có bất kỳ loại nào trong số đó, và dù có nhắc nhở bao nhiêu đi nữa cũng không lấp được khoảng cách đó, bởi vì hợp đồng phản hồi không có trường nào cho vị trí span hay hộp giới hạn.

• Một giá trị cùng các ký tự mà nó được đọc ra, hoặc "không tìm thấy" — primitive trích xuất giúp loại bỏ một lượt sinh thứ hai cho mỗi trường.

Mọi span thuộc cùng một loại kèm vị trí — tên, số điện thoại, địa chỉ email — như một primitive biên tập che thông tin thay vì một prompt tóm tắt.

• Một khung bao quanh một đối tượng hoặc bao quanh mọi lần xuất hiện kèm theo số đếm.

• Một ước tính kèm theo một khoảng giá trị.

• Mỗi tùy chọn phù hợp đều có xác suất riêng, thay vì chỉ một lựa chọn thắng duy nhất.

Âm thanh hoạt động theo cả hai chiều: bản ghi có thể là chủ thể, hoặc có thể là câu hỏi. Các con số độ chính xác cho tất cả những điều này là của Liquid, trên các bộ kiểm thử nội bộ được xây dựng từ các phần tách giữ lại của các bộ dữ liệu công khai, vì không có benchmark công khai nào bao phủ các tác vụ mới — 98% và 96% khi đọc một giá trị từ hóa đơn đối với d1.2-ultra và d1.2, 94%/93% so với 92%/88% trên các đoạn dữ liệu cá nhân, 94% cho cả hai ở việc định vị đối tượng. Hãy coi chúng như việc nhà cung cấp tự đánh giá chính mình; bảng không có dòng nào cho bất kỳ điều nào trong số đó.

Có một chi tiết về cách tính phí đi kèm. Theo D1, mỗi câu hỏi được tính như một prompt riêng, bao gồm mọi hình ảnh đính kèm; theo d1.2, một yêu cầu chỉ tính văn bản và hình ảnh của nó một lần, và mỗi câu hỏi thêm chỉ cộng thêm phần văn bản của chính câu đó. Đặt mười câu hỏi về một bức ảnh 1024×1024 — 1.536 token hình ảnh — thì quy tắc cũ tính khoảng 15.360 token hình ảnh; quy tắc mới tính 1.536. Với mức $0.02 như nhau, kiểu đặt nhiều câu hỏi rẻ hơn vài lần trên d1.2, và khoản tiết kiệm nằm ở quy tắc tính phí chứ không phải ở đơn giá.

Điều gì sẽ hỏng khi bạn thay đổi chuỗi?

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.

Ít hơn bạn tưởng, và những ngoại lệ đáng để kiểm thử hơn là lo lắng. Điểm cuối vẫn là api.liquid.ai/decisions/v1/systemone, chuỗi mô hình trở thành d1.2, và ba loại câu hỏi ban đầu vẫn giữ nguyên cấu trúc yêu cầu và phản hồi. Một ứng dụng khách gửi một giá trị, một lựa chọn và một điểm số sẽ nhận lại đúng JSON như vậy.

Ba điều cần đối chiếu với mẫu của chính bạn trước khi chuyển sang một đường dẫn sản xuất:

• Phân tích cú pháp "not found". Các kiểu câu trả lời mới có thể trả về sự vắng mặt rõ ràng, và một bộ phân tích cú pháp giả định giá trị khác null sẽ bị lỗi với nó. Đây là một tính năng, nhưng nó là một thay đổi gây phá vỡ tương thích trong một lược đồ nghiêm ngặt.

• Vị trí đặt ngưỡng. Xác suất giờ mang ý nghĩa khác. Một 0.8 trên d1.2 là một 0.8 đáng tin cậy hơn 0.8 trên D1, nên một ngưỡng được tinh chỉnh dựa trên sự quá tự tin của mô hình cũ sẽ kích hoạt ít thường xuyên hơn sau khi hoán đổi. Hãy tinh chỉnh lại nó thay vì giữ nguyên.

• Lát cắt tri thức. Nếu một phần khối lượng công việc của bạn là phán đoán sự kiện thay vì đọc tài liệu, hãy đo riêng lát cắt đó. Đây là nơi duy nhất mà việc mô hình mới từ chối trả lời nhiều hơn có thể khiến bạn mất độ bao phủ, và các dòng độ chính xác trên bảng điểm nói rõ điều đó.

Ai nên di chuyển, và ai nên đo lường trước

Di chuyển không cần rườm rà nếu khối lượng công việc là trích xuất, định tuyến, chọn công cụ hoặc phân loại nhạy cảm với tính nhất quán. Mọi hàng được công bố đều nghiêng về d1.2, giá không thay đổi, và khoảng cách về tính bất biến và gọi công cụ đủ lớn đến mức việc chạy lại khó có thể đảo ngược chúng.

Trước hết, hãy đo xem khối lượng công việc có phải là việc phán đoán tri thức ở quy mô lớn hay không, hoặc xem pipeline có ngưỡng xác suất được tinh chỉnh thủ công hay không. Không điều nào trong số đó là lý do để tiếp tục ở lại D1 — nhưng cả hai đều là lý do để đưa vài nghìn trạng thái thực tế qua cả hai mô hình và so sánh xác suất thay vì nhãn.

Về quyền truy cập trước đã, vì câu hỏi di trú thường biến thành câu hỏi mua sắm. D1 và d1.2 đều nằm trên API của Liquid; cả hai đều không có trong danh mục của chúng tôi, và không có gì ở đây là tuyên bố về tính sẵn có. Mô hình trong danh mục của chúng tôi thuộc bài kiểm tra này là Jev 1.14, mô hình này đưa EvalSafe-O*NET-AA lên 91.14 trong khi d1.2 dừng ở 86.55, có cùng dạng systemone, và tính phí $0.042 mỗi triệu token đầu vào. Đặt cả ba trên cùng các trạng thái và routing DSL ghi cách phân tách một lần — theo loại câu hỏi, không theo dịch vụ — với giá niêm yết của nhà cung cấp được chuyển nguyên ở mức 0% markup để $0.02 bạn thấy được báo giá chính là $0.02 bạn trả. Chuyển đổi dự phòng tự động là thứ cho phép một mô hình ra mắt hai ngày trước giữ một làn của khối lượng công việc đang chạy thay vì tất cả.

Đó là toàn bộ phép so sánh. Cùng giá, cùng hợp đồng, cùng endpoint, cách nhau một thế hệ công việc, và sáu chiến thắng tổng hợp so với hai dòng độ chính xác mà mô hình cũ vẫn giữ — cả hai đều nằm trên trục kiến thức, nơi việc từ chối trả lời của d1.2 chính là thứ khiến nó phải trả giá. Nếu khối lượng công việc của bạn là trích xuất, định tuyến hoặc phân loại, mọi dòng bạn quan tâm đều đã đi đúng hướng. Nếu đó là đánh giá sự thật mà không có người đánh giá đứng sau, hãy chạy so sánh shadow trước và để các con số trên trạng thái của chính bạn quyết định.