Liquid AI d1-ultra: Nhà lãnh đạo Chỉ số Quyết định Mới, được huấn luyện để nghi ngờ chính mình

Liquid AI d1-ultra ra mắt ngày 15 tháng 10 năm 2026, và điều thú vị nhất về nó là một con số mà không ai đang nhắc tới: trên Chỉ số Quyết định của Artificial Analysis, mô hình mà nó thay thế đạt 2 về khả năng không tạo ảo giác. Liquid AI d1, trên cùng bảng xếp hạng đó, là mô hình quyết định chính xác nhất trong việc trả lời các câu hỏi kiến thức — và cũng là mô hình tệ nhất trong nhóm của nó ở việc nhận ra những câu hỏi mà nó không thể trả lời. Liquid AI d1-ultra là câu trả lời của nhà cung cấp cho vấn đề đó, và nó được công bố kèm theo một tuyên bố giành vị trí số một: rằng nó đứng đầu Chỉ số Quyết định với cách biệt ít nhất tám điểm so với mọi mô hình quyết định khác, kể cả mô hình hiện đang đứng đầu bảng đó, Jev 1.13. Tuyên bố đó là của Liquid, không phải của Artificial Analysis, và bảng xếp hạng mà nó nhắc tới đã được công bố trước khi mô hình này tồn tại. Cả hai sự thật này đều mang sức nặng, và bài viết này giữ chúng gắn liền với những con số mà chúng thuộc về.Mọi sự cố ngừng hoạt động và quay lui của nhà cung cấp mà chúng tôi theo dõi đều được ghi lại trong Orca AI Incident Archive, nơi lưu giữ trọn bộ hồ sơ cùng với các mục lân cận của sự cố này.

Về mặt cơ chế, mô hình chính là cùng một canh bạc mà Liquid đã đặt suốt cả năm nay. Bạn đưa cho nó một trạng thái — một payload JSON, một phiếu hỗ trợ, một ảnh chụp bảng điều khiển — và một tập câu hỏi được đặt tên, rồi nó đọc câu trả lời từ phân phối của chính nó trong một lượt truyền xuôi duy nhất. Không lấy mẫu, không phân tích cú pháp, không sinh mất kiểm soát. Bộ đếm sử dụng của nhà cung cấp báo cáo output_tokens: 0, đúng như nó vẫn làm với phần còn lại của dòng d1.

Những gì Liquid nói nó đã xây dựng và những gì nó đã kiểm thử nó dựa trên

Mọi con số trong phần này đều là của riêng Liquid, được báo cáo trong bài đăng ra mắt, và tính đến thời điểm viết bài này chưa ai khác tái tạo được. Mô hình được mô tả là một mô hình quyết định đa phương thức, xây dựng trên một nền tảng trọng số mở lớn hơn, với cái mà bài đăng gọi là mức tùy chỉnh chuyên biệt cho Liquid, được tinh chỉnh riêng hướng tới các quyết định nặng về kiến thức — một cụm từ đọc như thể tham chiếu trực tiếp đến vấn đề hiệu chỉnh ở bên dưới. Nó mang cùng ba loại câu hỏi như phần còn lại của họ. noul là nhị phân: đưa cho nó một phát biểu và nó trả về P(yes) từ 0 đến 1. Choice chọn một nhãn và trả về một phân phối cùng một độ tin cậy. Score đặt trạng thái lên một thang có thứ tự với xác suất theo từng mức. Cả ba đều trả về dưới dạng có cấu trúc, và không cái nào tiêu tốn token đầu ra.

Bằng chứng của Liquid là một loạt 112 đánh giá duy nhất so với d1 trước đó của chính họ và so với Jev 1.14, bản phát hành Jev mới hơn. Công ty nói rằng d1-ultra vượt trội hơn Jev 1.14 trên mọi tác vụ và được hiệu chỉnh tốt hơn ở cùng mức giá. Đó là một tuyên bố mạnh hơn và cụ thể hơn so với "dẫn đầu bảng xếp hạng", và cũng là tuyên bố khó kiểm chứng hơn, bởi vì hiệu chỉnh là thuộc tính mà bạn không thể đọc ra chỉ từ một điểm số. Cũng lưu ý rằng Jev 1.14 là một đối thủ so sánh do nhà cung cấp đặt tên: nó không xuất hiện ở đâu trong danh mục của chúng tôi, và chúng tôi không thể tìm thấy một dòng Decision Index công khai nào cho nó.

Bề mặt API chỉ là một lệnh gọi không truyền phát duy nhất tới POST https://api.liquid.ai/decisions/v1/systemone với "model": "d1-ultra". Không có cửa sổ ngữ cảnh nào được công bố ở bất kỳ đâu trong tài liệu ra mắt, và đây là một lỗ hổng thực sự chứ không phải là sai số làm tròn: với một mô hình mà toàn bộ công việc là được trao cho trạng thái, thì kích thước trạng thái mà bạn được phép trao cho nó gần như là thông số kỹ thuật chính. Vì nó không bao giờ sinh token, chi phí đầu ra về mặt cấu trúc là bằng không và truyền phát không được áp dụng.

Chỉ mục được đề cập có trước mô hình.

Artificial Analysis đã công bố Decision Index v1.0 vào ngày 13 tháng 10 năm 2026 — hai ngày trước khi d1-ultra tồn tại. Bảng xếp hạng được xây dựng từ bốn bài đánh giá với trọng số 25% mỗi bài: AA-Omniscience-Decision, một bộ 500 câu hỏi riêng tư được chấm điểm một nửa dựa trên độ chính xác và một nửa dựa trên khả năng không tạo thông tin sai lệch; HLE-MultiChoice, 513 câu hỏi trắc nghiệm văn bản lấy từ Humanity's Last Exam; When2Call, một bài đánh giá về khả năng gọi công cụ của NVIDIA; và WildGuardTest, bộ phân loại an toàn của Ai2.

Bài viết giới thiệu nó không hề nhắc đến d1-ultra ở bất kỳ đâu, điều này cũng không có gì đáng ngạc nhiên, và đó là lý do vì sao con số "tám điểm dẫn trước" nên được đọc như một tuyên bố của nhà cung cấp chứ không phải một thứ hạng. Trên bảng công bố, Jev 1.13 dẫn đầu lĩnh vực mô hình ra quyết định với 58, còn GLiDE và M​icrosoft-Decision-1 đồng hạng ở mức 54. Hai mô hình ngôn ngữ được xếp trên tất cả số đó: C​laude H​aiku 5.5 (Low) ở mức 61 và GPT-6 Luna (Low) ở mức 55. Thử làm phép tính với tuyên bố của Liquid thì kết quả rơi vào 66 hoặc cao hơn — cao hơn cả mô hình ngôn ngữ tốt nhất trên bảng. Rất có thể đó chính là những gì mô hình này làm được. Nhưng đây cũng đúng là kiểu tuyên bố cần một bên thứ ba tái lập trước khi bất kỳ ai lên kế hoạch dựa trên nó.

Tại sao chính việc hiệu chỉnh lại là toàn bộ câu chuyện

Thất bại mà d1-ultra nhắm tới chính là thất bại mà Artificial Analysis đã nêu tên trong cùng bài viết đó. Các mô hình quyết định, xét như một nhóm, được phát hiện là nhìn chung quá tự tin: xác suất mà một mô hình đưa ra cho một câu trả lời thường vượt quá tần suất câu trả lời đó hóa ra là đúng. Điều này ở đây quan trọng hơn so với một chatbot, bởi vì toàn bộ đầu ra của một mô hình quyết định là một xác suất. Một mô hình ngôn ngữ sai lầm nhưng đầy tự tin sẽ tạo ra một đoạn văn mà bạn có thể soi xét kỹ. Một mô hình quyết định sai lầm nhưng đầy tự tin sẽ tạo ra một con số mà một pipeline được thiết kế để hành động dựa theo.

Độ phân tán trong lớp rất rộng, và d1 nằm ở đầu tệ nhất của nó:

• Độ chính xác quyết định AA-Omniscience — Liquid AI d1 là mô hình quyết định hàng đầu ở mức 41, với Jev 1.13 ở mức 35. Các mô hình ngôn ngữ trong cùng bài đánh giá đạt 52 và 66.

• Tỷ lệ không ảo giác — Liquid AI d1 đạt 2. Jev 1.13 đạt 35, Mercury Decide 32, và M​icrosoft-Decision-1 dẫn đầu với 40. Không có mô hình quyết định nào khác trên bảng không đạt tới 17.

• Khoảng cách giữa hai hàng đó chính là toàn bộ bài thuyết trình. d1 biết nhiều nhất và thừa nhận ít nhất. Một mô hình được huấn luyện để thu hẹp khoảng cách đó — chiều duy nhất mà bài dự thi trước đây của Liquid đứng cuối thay vì đứng đầu — sẽ đưa cả lớp tiến lên ngay cả khi không cần đụng đến độ chính xác thô.

• HLE-MultiChoice — Jev 1.13 dẫn đầu với 21, mọi mô hình ra quyết định khác đều ở mức 15 hoặc thấp hơn. Đây là bài đánh giá có nhiều dư địa nhất cho các mô hình, và cũng là bài mà lần chạy 112 bài đánh giá của Liquid không báo cáo.

• Về gọi công cụ, When2Call và WildGuardTest — Celeris-1 Decision và GLiDE đồng hạng ở mức 84, với Jev 1.13 đứng thứ tư ở mức 81; GLiDE dẫn đầu về an toàn với 95, cùng với Decider v1.1 27B và Jev 1.13 đều đạt 94.

Một triệu quyết định thực sự tốn bao nhiêu

Giá cả là phần của đợt ra mắt không cần lưu ý gì thêm. Liquid AI d1-ultra được tính phí ở mức 0,042 USD cho mỗi triệu token đầu vào và không mất gì cả cho đầu ra, vì không có đầu ra. Mức giá đó giống hệt với giá của d1 và giống hệt với mức chúng tôi tính cho Jev 1.13, khiến hai mô hình có thể so sánh trực tiếp về chi phí và không gì khác.

Phép tính này đơn giản đến mức có thể làm ngay trên một tờ giấy ăn. Một trạng thái khoảng một nghìn token — một payload JSON chi tiết vừa phải, hay một trang văn bản — tốn $0,042 để chạy một triệu lần. Các con số chi phí trên một triệu tác vụ của chính Artificial Analysis cho nhóm này nằm trong khoảng từ $17 đến $199, với Jev 1.13 ở mức $42, Microsoft-Decision-1 ở mức $31 và Decider v1.1 27B ở mức $17; thời gian trung vị mỗi tác vụ trong toàn nhóm dao động từ 0,06 giây đến nửa giây. Một quyết định với một nghìn token ở mức $42 cho mỗi triệu tác vụ nằm ở giữa khoảng đó, và đây mới là điều hữu ích cần biết: mức giá này không có gì đáng chú ý đối với nhóm này, và câu hỏi thú vị không phải là chi phí trên mỗi token mà là chi phí trên mỗi quyết định đúng.

Có một chi tiết thanh toán sẽ khiến nhiều người bị “dính”, và đáng để đọc lại hai lần. Hình ảnh được tính phí như văn bản đầu vào ở mức 1,5 token cho mỗi mảnh 32×32 pixel, khiến một hình ảnh 1024×1024 trở thành 1.536 token — và mỗi câu hỏi được tính phí như một prompt riêng, bao gồm tất cả hình ảnh đính kèm. Hãy hỏi mười câu hỏi riêng biệt về cùng một bức ảnh thì hình ảnh đó bị tính phí mười lần, vì vậy mười câu hỏi đó mang 15.360 token hình ảnh trước cả một từ văn bản. Gộp các câu hỏi của bạn vào một lệnh gọi không giúp giảm bớt khoản đó. Nếu khối lượng công việc của bạn mang tính hình ảnh, con số chi phối hóa đơn của bạn là số câu hỏi nhân với token hình ảnh, chứ không phải số tài liệu nhân với token hình ảnh.

Nơi bạn có thể gọi nó

Liquid AI d1-ultra hiện đã hoạt động trên API riêng của Liquid, thông qua Liquid console, và trong d1 Playground dành cho bất kỳ ai muốn thử nó mà không cần viết client. Nhà cung cấp cho biết sẽ có thêm nhiều nền tảng khác; tóm tắt trung thực ở thời điểm hiện tại là API của chính nhà cung cấp, cùng một số nền tảng bên thứ ba sẽ theo sau. Có một mẫu mã trong bài đăng ra mắt sẽ chạy được ngay mà không cần chỉnh sửa.

Một ghi chú định tuyến, và đây không phải là một lời chào hàng: Liquid AI d1-ultra không có trong danh mục của chúng tôi, và bài viết này không phải là tuyên bố về tính khả dụng của nó. Thứ có trong danh mục của chúng tôi là Jev 1.13 — mô hình hiện đang dẫn đầu Chỉ số Quyết định — với cùng mức $0,042 cho mỗi triệu token đầu vào và cùng chi phí hoàn thành bằng không, với cửa sổ ngữ cảnh 64K, được phục vụ qua cùng một systemone dạng endpoint: văn bản vào, JSON có cấu trúc ra, không truyền phát. Đó là một sự trùng hợp hữu ích cho bất kỳ ai đang đánh giá bản ra mắt này, vì nó có nghĩa là mô hình thách thức và mô hình đương nhiệm có thể được chạy song song mà không cần hợp đồng thứ hai. d1-ultra đi trực tiếp đến Liquid; còn mô hình đương nhiệm đã có trong danh mục của chúng tôi. Cả hai đều nằm sau một API cho hơn 200 mô hình, nơi giá niêm yết được chuyển tiếp với mức chênh lệch 0% và nơi chuyển đổi dự phòng tự động có nghĩa là một mô hình mới có thể đảm nhận một phần của khối lượng công việc thực tế mà không cần được tin tưởng giao phó toàn bộ.

Phần cuối cùng đó là khuyến nghị thực tế chứ không phải cài cắm sản phẩm. Một mô hình mới ra đời được một ngày, có benchmark chủ đạo chưa được tái lập độc lập và cửa sổ ngữ cảnh chưa được công bố thì không phải là thứ để định tuyến lưu lượng production tới ngay ngày đầu. Nó là thứ để chạy shadow đối chiếu với mô hình đã nằm trong vị trí đó. Hãy chạy cùng các trạng thái qua cả hai, so sánh phân phối thay vì nhãn, và đặc biệt theo dõi trường hợp mà d1-ultra nói 0,8 rồi hóa ra là sai — bởi vì đó chính là trường hợp mà toàn bộ đợt ra mắt xoay quanh, và đó là con số duy nhất mà Liquid chưa công bố.

Điều gì sẽ giải quyết được nó?

Ba điều, theo thứ tự giảm dần về mức độ chúng sẽ thay đổi quyết định.

Đầu tiên là một dòng trong Decision Index. Cho đến khi Artificial Analysis đưa d1-ultra qua pipeline của riêng mình, khoảng cách tám điểm so với Jev 1.13 vẫn chỉ là con số do nhà cung cấp công bố, và mức cải thiện về hiệu chuẩn so với Jev 1.14 cũng là con số của nhà cung cấp, hoàn toàn không có đối chứng công khai nào. Bảng xếp hạng được cập nhật thường xuyên, và một mô hình ra quyết định thực sự vượt qua mốc 66 sẽ là kết quả thú vị nhất trong hạng mục này năm nay, bởi vì nó sẽ đưa một mô hình phi tạo sinh lên trên mọi mô hình ngôn ngữ trong cùng bảng chỉ số.

Thứ hai là bản thông số kỹ thuật còn thiếu. Cửa sổ ngữ cảnh, độ trễ ở một kích thước lô đã nêu, và liệu các câu hỏi có thể dùng chung một hình ảnh mà không bị tính phí lại hay không — ba con số đó quyết định một khối lượng công việc có khả thi hay không từ rất lâu trước khi điểm chuẩn làm được điều đó. Thế hệ tiền nhiệm của Liquid đưa ra quyết định văn bản trong 200 đến 300 mili giây, đây là một điểm tham chiếu hữu ích nhưng không phải là phép đo cho mô hình này.

Thứ ba là hiệu chuẩn bên ngoài phòng thí nghiệm. 112 đánh giá của Liquid là lựa chọn tác vụ của chính nhà cung cấp. Sự quá tự tin là một thuộc tính xuất hiện ở phần đuôi — câu hỏi khó hiếm gặp, trạng thái mơ hồ, đầu vào từ một phân phối mà mô hình chưa từng thấy. Đó là nơi d1 đạt điểm 2, và đó là nơi duy nhất mà một cải thiện thực sự sẽ có thể thấy được.

Cho đến lúc đó, quan điểm trung thực chính là quan điểm nhàm chán: mức giá là thật và công khai, endpoint hoạt động, điểm yếu tệ nhất của hạng mục này được xác định đúng, và bản sửa lỗi mới chỉ được tuyên bố chứ chưa được chứng minh. Nếu bạn làm về các quyết định có cấu trúc, nó đáng để bỏ ra một buổi chiều. Nó không đáng để thực hiện một cuộc migration.