
Liquid AI d1.2-ultra đứng đầu Chỉ số Quyết định với 75 điểm — và xếp cuối ở một trong sáu bài kiểm tra của mình
- GoogleMỚIGoogle: Gemini 4 Carbon2026-11-10$2.00 / $10.00 trên 1 triệu token · 90 tok/s
- AnthropicMỚIAnthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 trên 1 triệu token · 97 tok/s
- orcaMỚIOrca: OrcaC2 1.02026-11-0717 tok/s
- OrcaMỚIOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 trên 1 triệu token · 87 tok/s
- OrcaMỚIOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 trên 1 triệu token · 133 tok/s
- OrcaMỚIOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$4.00 / $20.00 trên 1 triệu token · 72 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 trên 1 triệu token · 126 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 trên 1 triệu token · 65 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 trên 1 triệu token · 92 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 trên 1 triệu token · 44 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447Trí tuệ
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 trên 1 triệu token · 193 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929Trí tuệ
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 trên 1 triệu token · 147 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733Trí tuệ
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740Trí tuệ
- OrcaOrca: OrcaCyber Zero 1.52026-10-10$3.00 / $7.50 trên 1 triệu token · 123 tok/s
- openaiOpenAI: GPT-6.1 Sol2026-09-2955Trí tuệ
- anthropicAnthropic: Claude Sonnet 5.52026-09-2855Trí tuệ
- typesafeTypeSafe: Jev 1.132026-09-24$0.04 / $0.00 trên 1 triệu token · 219 tok/s
Liquid AI d1.2-ultra là mô hình đầu tiên trong hạng mục này được một bên khác ngoài công ty đã tạo ra nó trao vị trí đầu tiên. Artificial Analysis cho nó 75 điểm trên Decision Index v2.1, in con số đó trên chính trang bảng của mô hình và xếp nó thứ nhất trong 24 mô hình ra quyết định — hơn Nace.AI's Drex Max v1.1 ở mức 73 tới 2,2 điểm. Liquid AI d1.2, nửa nhỏ hơn của cùng bản phát hành, đứng thứ chín với 69 điểm. Cả hai đều ra mắt vào ngày 16 tháng 11 năm 2026, khiến đây trở thành lần ra mắt Liquid AI đầu tiên mà tuyên bố về bảng xếp hạng đi kèm với một bảng độc lập đã có sẵn mô hình, thay vì một con số của nhà cung cấp trỏ tới một bảng có từ trước nó.
Cùng một bảng xếp hạng cũng xếp d1.2-ultra cuối cùng trong số 24 mô hình đó trên HLE-MultiChoice, với độ chính xác thô là 2,36%. Cả hai phát biểu đều đúng đồng thời, chúng được cùng một tổ chức đo bằng cùng một công cụ vào cùng một ngày, và khoảng cách giữa chúng là điều hữu ích nhất trong bản phát hành.
Vì sao tuyên bố trên bảng xếp hạng này lại là một kiểu tuyên bố khác biệt
Vào tháng 10, Liquid AI công bố d1-ultra với tuyên bố đứng đầu được đo dựa trên Decision Index v1.0, một bảng xếp hạng được công bố hai ngày trước khi mô hình đó tồn tại. Không ai có thể kiểm chứng điều đó, vì mô hình không có trên bảng xếp hạng. Ở đây thì không phải vậy. Artificial Analysis tự chạy d1.2-ultra, trên phần cứng của chính họ, thông qua bộ công cụ đánh giá của chính họ, và kết quả là một dòng được xếp hạng với sáu điểm thành phần cùng một đường cong hiệu chuẩn đi kèm. Khi Liquid nói "cao nhất trên chỉ số và dẫn trước mô hình ra quyết định tốt nhất trước đó hai điểm", thì cả chỉ số lẫn mô hình tốt nhất trước đó đều công khai và đều nhất quán.
Phiên bản 2.1 là trung bình có trọng số của sáu bài đánh giá, và các trọng số không được phân bổ đều. AA-Paperclip chiếm 30%: 1.500 tài liệu riêng tư — sơ yếu lý lịch, biên lai, hóa đơn, bài báo nghiên cứu — mỗi tài liệu chứa năm quyết định và mười dữ kiện, được chấm như một tài liệu chỉ được tính nếu cả mười lăm câu trả lời đều đúng. EvalSafe-O*NET-AA, AA-Omniscience-Decision v1.1, HLE-MultiChoice v1.1 và AA-Symmetry v1.1 mỗi bài chiếm 15%. When2Call, bộ gọi công cụ của NVIDIA, chiếm 10%. Mỗi câu hỏi được chấm theo công thức 50 × (1 + c − (p − c)²), trong đó c cho biết lựa chọn có đúng hay không và p là xác suất mà mô hình đã gán cho lựa chọn đó; điểm này tổng hợp thành 50 × (1 + độ chính xác − điểm Brier). Một lỗi tự tin gây tốn kém hơn một lỗi do dự, và một mô hình đưa ra 0,6 mà đúng sẽ đạt điểm tốt hơn một mô hình đưa ra 0,99 mà đúng.
Số 75 đến từ đâu?

Khi tách riêng ra, vị trí đầu tiên được hai đánh giá đỡ lấy và được đánh giá thứ ba bảo vệ. Phần còn lại không có gì nổi bật hoặc tệ hơn, điều này đáng để biết trước khi bất kỳ ai coi điểm tổng hợp là một mô tả về mô hình.
{{1}}AA-Paperclip, 30% của chỉ mục{{/1}} — {{2}}d1.2-ultra đạt 75.81 trên điểm quyết định với 67.7% tài liệu hoàn toàn chính xác, cả hai đều đứng đầu trong 24{{/2}}. {{3}}Drex Max v1.1 đứng thứ hai với 72.82 và 63.0%, SubQ Snap 1.2 đứng thứ ba với 71.58{{/3}}. {{4}}Mô hình mà nó thay thế, Liquid AI d1-ultra, ở mức 64.69 và 51.3%{{/4}}.
• When2Call, 10% — d1.2-ultra đứng đầu với 96,49, xếp trên SubQ Snap 1.2 ở 96,10 và d1.2 ở 96,09. Gọi công cụ vốn đã là điểm mạnh nhất của lĩnh vực này; mức chênh lệch trong top 10 là 1,5 điểm.
• AA-Symmetry, 15% — đứng thứ hai với 86.34, sau Mammoth 27B với 88.25. Ở thước đo all-pass nghiêm ngặt hơn, bức tranh thay đổi: Mammoth giữ nguyên câu trả lời qua các cách diễn đạt lại ở 68.3% số câu hỏi, Elephant 9B ở 65.8%, và d1.2-ultra ở 56.7%. Vị trí thứ hai về điểm số không phải là vị trí thứ hai về tính nhất quán.
• EvalSafe-O*NET-AA, 15% — đứng thứ ba với 89.53, sau Jev 1.14 với 91.14. Đây là thành phần duy nhất mà mô hình của đối thủ vẫn dẫn đầu, và khoảng cách không đủ gần để coi là nhiễu.
• AA-Omniscience-Decision v1.1, 15% — 60,80, mức giữa bảng và thấp hơn 64,39 mà d1-ultra đạt được.
• HLE-MultiChoice v1.1, 15% — 46,36 trên điểm quyết định, nhưng độ chính xác thô chỉ 2,36%, thấp nhất trong cả 24. Khoảng cách đó không phải là mâu thuẫn; đó chính là dáng vẻ của một mô hình được hiệu chỉnh tốt khi nó từ chối gần như mọi thứ. Tỷ lệ không ảo giác của nó trên cùng bộ dữ liệu là 76,1%, nghĩa là cứ bốn lần thì ba lần nó nói đúng rằng mình không biết thay vì đoán.
Chỉ số nổi bật nằm bên dưới cả sáu, điểm chỉ số độ chính xác riêng của AA, đưa d1.2-ultra lên vị trí đầu với 61.6, trên GLiDE v1.2 ở 59.4 và Drex Max v1.1 ở 58.2. Điểm Brier 0.150 của nó là tốt nhất trong số 24. Mô hình không thắng chỉ vì được hiệu chuẩn và không có gì khác; nó thắng nhờ tài liệu và hiệu chuẩn cùng nhau, đúng sự kết hợp mà chỉ số được xây dựng để thưởng.
Điểm số đi theo hướng ngược lại
Có một cách đọc bản phát hành này như một cú thắng trọn, và dòng HLE-MultiChoice chính là thứ bác bỏ cách đọc đó. Độ chính xác thô hai và một phần ba phần trăm trên phần trắc nghiệm của Humanity's Last Exam không phải là lỗi làm tròn, và nó không thể bị gạt đi bằng tùy chọn từ chối trả lời: mô hình có tùy chọn không trả lời, và nó chọn tùy chọn đó, và việc không trả lời được tính là sự trung thực thay vì kiến thức. Decider v1.3 trả lời đúng 15.32% trong số cùng các câu hỏi đó. Drex Max v1.1 trả lời đúng 8.25%. Liquid AI d1.2, mô hình giá rẻ trong cùng bản phát hành, trả lời đúng 5.30%.
Phép so sánh cuối cùng đó mới là điều kỳ lạ. Trong các đánh giá nặng về kiến thức, mô hình nhỏ hơn, rẻ hơn không phải là mô hình yếu hơn. d1.2 trả lời đúng 30.0% câu hỏi AA-Omniscience-Decision so với 23.6% của d1.2-ultra, và đạt 5.30% trên HLE so với 2.36%. Thứ mà d1.2-ultra mua được bằng hai xu thêm mỗi triệu token không phải là kiến thức; đó là khả năng xử lý tài liệu, tính đối xứng và hiệu chuẩn — nửa vận hành của công việc. Nếu khối lượng công việc của bạn là trích xuất từ một hóa đơn quét, sự đánh đổi đó rõ ràng là đúng. Nếu đó là trả lời những câu hỏi khó về thế giới, mô hình rẻ hơn trong cùng dòng sản phẩm là lựa chọn tốt hơn một cách có thể đo lường được, và không có gì trong bài đăng ra mắt nói lên điều đó.
Thay đổi về hóa đơn không nằm trong tiêu đề
Câu có hệ quả lớn nhất trong bài đăng của Liquid là một quy tắc tính phí, không phải một benchmark. Dưới d1-ultra, mỗi câu hỏi đều được tính phí như một prompt riêng, bao gồm tất cả hình ảnh đính kèm, vì vậy hỏi mười câu về một bức ảnh đồng nghĩa phải trả tiền cho bức ảnh đó mười lần. Dưới d1.2 và d1.2-ultra, yêu cầu chỉ tính phí văn bản và hình ảnh của nó một lần, và mỗi câu hỏi bổ sung chỉ cộng thêm phần văn bản của chính nó.
Lấy một tài liệu 2.000 token với một hình ảnh 1024×1024, tốn 1.536 token theo mức đã nêu là 1,5 token cho mỗi mảng 32×32 pixel, và mười câu hỏi ngắn, mỗi câu khoảng 30 token. Theo quy tắc cũ, yêu cầu đó mang khoảng 35.700 token. Theo quy tắc mới, nó mang khoảng 3.840. Với $0,042 mỗi triệu token đầu vào, tức khoảng $0,0015 mỗi yêu cầu so với $0,00016 — rẻ hơn chỉ hơn chín lần một chút cho cùng công việc ở cùng mức giá niêm yết. Với 100.000 yêu cầu mỗi tháng, chênh lệch là khoảng $150 so với $16. Cả hai con số đều là phép tính dựa trên mô tả tính phí của chính nhà cung cấp, không phải số đo thực tế.
Thông số thứ hai thay đổi là cửa sổ ngữ cảnh. Artificial Analysis liệt kê 66k token cho cả hai mô hình d1.2, so với 33k ở d1-ultra. Bài đăng của Liquid hoàn toàn không nêu cửa sổ ngữ cảnh, nên con số 66k là cách bảng xếp hạng diễn giải chứ không phải thông số từ nhà cung cấp, và nó vẫn gấp đôi thế hệ trước. Đối với một mô hình mà toàn bộ nhiệm vụ là được truyền trạng thái, đó là một thay đổi thực tế lớn hơn bốn điểm chỉ số.
Năm loại câu trả lời mới và âm thanh
Các bổ sung năng lực mang tính cộng thêm chứ không phải làm lại: vẫn cùng endpoint, cùng dạng request, năm kiểu câu trả lời mới và một phương thức đầu vào mới. Một câu hỏi giờ có thể yêu cầu một giá trị được đọc ra từ trang — một số, một ngày, một tên — được trả về cùng các ký tự mà nó được đọc từ đó, hoặc "không tìm thấy" nếu không có. Nó có thể yêu cầu mọi span thuộc một loại nhất định kèm vị trí, tức là trường hợp PII. Nó có thể yêu cầu một hộp bao quanh một đối tượng hoặc một hộp bao quanh mọi instance kèm số lượng. Nó có thể yêu cầu một ước lượng kèm một khoảng. Và nó có thể yêu cầu mọi tùy chọn áp dụng được, mỗi tùy chọn có xác suất riêng.
Âm thanh là phần bổ sung còn lại, hoạt động theo cả hai chiều: bản ghi có thể là đối tượng mà câu hỏi đề cập, hoặc chính nó có thể là câu hỏi. Liquid báo cáo rằng trên các bản ghi held-out, cả hai mô hình trả lời đúng 95% đến 97% các câu hỏi về âm thanh nào chúng nghe thấy, từ ESC-50, hoặc ngôn ngữ nào đang được nói, từ FLEURS trên 43 ngôn ngữ, với ba đến sáu lựa chọn mỗi câu và có cả những nhầm lẫn gần nhau như tiếng Tây Ban Nha và tiếng Bồ Đào Nha xen lẫn trong đó.
Các con số độ chính xác cho năm tác vụ mới đến từ các bộ kiểm thử nội bộ được xây dựng từ các phần tách giữ lại của các bộ dữ liệu công khai, và nhà cung cấp nói rõ điều đó, vì chưa có benchmark công khai nào bao phủ những tác vụ này. Hãy đọc chúng như đánh giá của chính nhà cung cấp: 98% và 96% cho việc đọc một giá trị từ biên lai trên CORD và SROIE, độ chính xác/độ thu hồi 94%/93% so với 92%/88% đối với các đoạn PII trên Nemotron PII, 94% cho cả hai trên định vị đối tượng trong họ RefCOCO, 93% và 92% trên việc đếm trong phạm vi sai lệch một trên COCO, và 87% so với 90% trên việc chọn ra mọi đối tượng có mặt — hàng duy nhất mà mô hình rẻ hơn thắng.
Đang kiểm tra yêu cầu đòi tiền

Câu về giá của Liquid có thể kiểm chứng một cách hiếm thấy: “không có mô hình nào đạt điểm cao hơn d1.2 với chi phí thấp hơn, và không có mô hình nào đạt điểm cao hơn d1.2-ultra ở bất kỳ mức giá nào.” Cả hai vế đều đứng vững khi đối chiếu với bảng xếp hạng. Không mô hình nào trên chỉ số 24 mô hình đạt điểm cao hơn 74.85, nên vế thứ hai đương nhiên đúng. Với vế đầu, d1.2 ở mức 68.69 và 63 đô la cho mỗi triệu tác vụ; mọi mô hình đạt điểm cao hơn nó đều tốn kém hơn, với đối thủ rẻ gần nhất là Decider v1.3 ở mức 70.41 và 68 đô la. Tuyên bố này đúng, và nó đúng dựa trên số liệu của người khác chứ không phải của Liquid, một điều hiếm hơn mức lẽ ra phải thế.
Bản thân các con số chi phí đến từ Artificial Analysis, đơn vị chạy từng bài đánh giá theo giá niêm yết hiện hành và lấy trung bình: 133 USD cho mỗi triệu tác vụ đối với d1.2-ultra, đứng thứ 11 trong 24 so với trung vị của nhóm là 135 USD, và 63 USD đối với d1.2, rẻ thứ ba. Thời gian mỗi tác vụ là 218 ms đối với mô hình lớn và 150 ms đối với mô hình nhỏ, so với trung vị của nhóm là 209 ms — mô hình hàng đầu chậm hơn mức trung bình một chút, mô hình rẻ nhanh hơn rõ rệt, và cả hai đều nhanh hơn một bậc so với các mô hình tạo sinh xuất hiện trên cùng bảng ở mức 11 và 32 giây mỗi tác vụ.
Nơi bạn có thể gọi nó và chạy nó với đối tượng nào
Cả hai mô hình hiện đã hoạt động trên API riêng của Liquid tại api.liquid.ai/decisions/v1/systemone, được gọi là d1.2-ultra và d1.2, với khóa từ bảng điều khiển Liquid, và cả hai đều có trên Liquid playground. Bài đăng của Liquid cho biết sẽ có thêm các nền tảng bên thứ ba; tính đến thời điểm viết bài này, API riêng của nhà cung cấp là phương thức hiện có. Cả hai mô hình đều không nằm trong danh mục của chúng tôi, và bài viết này không phải là tuyên bố về tính sẵn có đối với một trong hai mô hình.
Thứ có trong danh mục của chúng tôi là Jev 1.14, mô hình dẫn đầu ở thành phần duy nhất mà d1.2-ultra không dẫn đầu — EvalSafe-O*NET-AA, với 91.14 so với 89.53 — được phục vụ qua cùng systemone dạng endpoint, đầu vào là văn bản và đầu ra là JSON có cấu trúc, với giá $0.042 mỗi triệu token đầu vào. Sự trùng hợp đó hữu ích: một nhóm đánh giá bản phát hành này có thể đưa mô hình mới và mô hình đương nhiệm lên cùng các trạng thái mà không cần hợp đồng thứ hai hay thư viện client thứ hai, bởi vì một API cho hơn 200 mô hình đã hỗ trợ cả hai dạng. Giá niêm yết được chuyển nguyên với mức markup 0%, vì vậy nếu Liquid thay đổi $0.042 thì con số ở đây sẽ thay đổi cùng lúc chứ không phải sau đó, và chuyển đổi dự phòng tự động có nghĩa là một mô hình mới một ngày tuổi có thể đảm nhận một phần khối lượng công việc thực tế mà không cần được tin tưởng giao toàn bộ.

Khuyến nghị rút ra từ dữ liệu chứ không phải từ trang định giá: hãy chạy thử nó ở chế độ bóng. d1.2-ultra đứng đầu về tài liệu và đứng đầu về hiệu chuẩn, một cặp thực sự mạnh cho các pipeline trích xuất, đồng thời đứng cuối về các câu hỏi kiến thức khó, một hạn chế thực sự chứ không phải chú thích nhỏ. Hãy gửi cho nó những trạng thái mà pipeline của bạn thực sự gặp, so sánh xác suất thay vì các lựa chọn top-1, và để ý những trường hợp nó trả lời 0,8 và sai, vì phần đuôi đó chính là nơi mô hình tiền nhiệm tháng Mười đạt điểm kém và cũng là nơi sự cải thiện hoặc thể hiện rõ hoặc không.
Câu hỏi còn bỏ ngỏ không phải là liệu 75 có thật hay không — Artificial Analysis đã đo được nó và công bố các thành phần. Mà là liệu một đánh giá tài liệu có trọng số 30%, trên 1.500 tài liệu riêng tư, có tổng quát hóa được cho tài liệu của bạn hay không. Đó là câu hỏi mà chỉ mẫu đã gán nhãn của chính bạn mới trả lời được, và đáng để trả lời trước khi thay đổi cách tính phí khiến bạn bị cám dỗ đặt mười câu hỏi cho mỗi tài liệu thay vì một câu.
