Liquid AI d1-ultra vs Liquid AI d1: Cùng endpoint, cùng câu hỏi, gấp đôi giá — Đây là điểm giao nhau

Câu trả lời trung thực ngắn gọn nhất là thế này: Liquid AI d1-ultra có giá 0,042 USD cho mỗi triệu token đầu vào và Liquid AI d1 có giá 0,02 USD cho mỗi triệu token đầu vào, cả hai đều được gọi tại cùng một URL với cùng ba loại câu hỏi, và mô hình đắt hơn chính là mô hình nên dùng khi việc sai tốn kém hơn so với việc tăng gấp đôi mức phí mỗi lần gọi của bạn. Đó là toàn bộ quyết định, và nó rõ ràng đến mức bất thường vì không có điểm nào khác ở hai mô hình này khác biệt về mặt cấu trúc. Chúng được phát hành cách nhau mười ngày — d1 vào ngày 5 tháng 10 năm 2026 với tư cách là mô hình ra quyết định đầu tiên của Liquid AI, d1-ultra vào ngày 15 tháng 10 với tư cách là thành viên có năng lực mạnh nhất trong dòng — và cả hai đều được xây dựng để làm cùng một việc: nhận một trạng thái gồm văn bản, hình ảnh hoặc cả hai, cùng một hoặc nhiều câu hỏi có kiểu, rồi trả về xác suất chỉ từ một lượt lan truyền xuôi duy nhất, không sinh ra token đầu ra nào và không có gì để truyền phát.Những so sánh như thế này cũng là nơi các kiểu thất bại lộ diện: những sự cố AI và lỗi agent đã được ghi nhận đằng sau các mô hình thuộc nhóm này được tập hợp trong OrcaRouter AI Incident Archive nơi mỗi mục đều có nguồn riêng, mức độ nghiêm trọng, xếp hạng độ tin cậy và cờ tranh chấp.

Điều khiến cặp đôi này đáng một bài báo chứ không chỉ là một chú thích cuối trang là chúng thay thế cho nhau, chứ không phải một chiếc thang có nấc giữa. Bạn không chạy d1 rồi quay về d1-ultra trong những ca khó theo cách bạn sẽ làm với một mô hình sinh nhỏ và một mô hình sinh lớn, vì cả hai đều bị chặn sau cùng một chuỗi model trong cùng một request body. Việc chuyển đổi chỉ tốn một từ trong payload JSON. Vậy nên câu hỏi không phải là liệu bản nâng cấp có sẵn về mặt kỹ thuật hay không — mà là liệu khoản thêm $0,022 mỗi triệu token đầu vào có mua được bất cứ thứ gì mà workload cụ thể của bạn có thể cảm nhận được hay không, và điều đó có thể trả lời bằng những con số Liquid AI đã công bố.

Điều gì thực sự khác biệt, trong một lượt

Những khác biệt được tiết lộ thì ít hơn so với mức mà khoảng cách giá cho thấy, và những khác biệt còn thiếu cũng quan trọng không kém những khác biệt hiện hữu.

• Giá — $0,042 cho mỗi triệu token đầu vào đối với d1-ultra so với $0,02 đối với d1; cả hai chỉ tính phí đầu vào, không tính phí đầu ra; cả hai đều tính hình ảnh như văn bản với 1,5 token cho mỗi vùng 32×32 pixel.

• Backbone — d1-ultra được mô tả là được xây dựng trên “một mô hình trọng số mở lớn hơn với một loạt tùy chỉnh nặng dành riêng cho Liquid”; thông báo của d1 chỉ nói rằng nó được xây dựng cho thế hệ đầu tiên của dòng, và cũng không nêu tên backbone nào.

• Phạm vi ngôn ngữ — Bài đăng ra mắt d1-ultra của Liquid AI nêu 44 ngôn ngữ. Không có số liệu tương đương nào được công bố cho d1.

• Vị trí trên bảng xếp hạng — d1-ultra được cho là dẫn đầu Artificial Analysis Decision Index với cách biệt ít nhất tám điểm; d1 được công bố với sáu so sánh ứng dụng thực tế với GPT-6.1 Sol và Claude Opus 5.5 thay vì một điểm chỉ số.

• Số lượng tham số — không được công bố cho cả hai. Cửa sổ ngữ cảnh của d1-ultra cũng không được nhà cung cấp nêu rõ, và chỉ xuất hiện trong các danh mục cổng của bên thứ ba ở mức 32.768 token, điều mà chúng tôi coi là chưa được xác nhận chứ không phải là một thông số kỹ thuật.

• Độ trễ — d1 được công bố ở mức 200 đến 300 ms cho một quyết định văn bản. d1-ultra hoàn toàn không có số liệu độ trễ nào được công bố.

Cặp khoảng trống cuối cùng đó chính là điều đáng chú ý. Mô hình mới hơn, đắt tiền hơn lại là mô hình có bảng thông số kỹ thuật ít thông tin hơn. Bạn đang được yêu cầu trả mức phí cao gấp 2,1 lần cho một mô hình mà kích thước, độ dài ngữ cảnh và tốc độ đều không được công bố, chỉ dựa trên một tuyên bố về hiệu chuẩn và một con số chỉ số do chính nhà cung cấp báo cáo.

Tuyên bố mà Liquid AI thực sự đang đưa ra

Đọc kỹ bài đăng về d1-ultra và điểm bán không phải là độ chính xác. Mà là việc chỉ độ chính xác thì không đủ cho một mô hình ra quyết định, bởi vì mô hình ra quyết định còn đưa ra xác suất, và phần lớn trong số đó quá tự tin. Một bộ phân loại nói 0.97 nhưng thực chất là 0.72 sẽ phá hỏng một pipeline dựa trên ngưỡng ngay cả khi độ chính xác top-1 của nó xuất sắc, bởi vì mọi hành động tự động mà bạn thực hiện trên ngưỡng đó đều đang được thực hiện dựa trên một tiền đề sai. d1-ultra được huấn luyện, bài đăng nói, cụ thể là để xác suất của nó được hiệu chỉnh tốt hơn — và bản phát hành báo cáo rằng qua 112 đánh giá duy nhất, nó đánh bại Jev 1.14 ở mọi tác vụ với hiệu chỉnh tốt hơn ở cùng mức giá.

Đây là một lập luận bán hàng thực sự khác biệt so với “thông minh hơn,” và cũng là tuyên bố đơn lẻ khó xác minh nhất trong cả hai bản phát hành đối với một người ngoài. Không có gì trong thông báo cho phép bạn kiểm tra hiệu chuẩn trên dữ liệu của chính mình trước khi cam kết. Nếu pipeline của bạn lấy argmax và bỏ qua xác suất, thì lập luận về hiệu chuẩn không áp dụng cho bạn, và trường hợp của d1-ultra chỉ còn là khoảng cách chỉ số. Nếu pipeline của bạn đặt ngưỡng theo xác suất — tự động phê duyệt khi trên 0.9, chuyển lên khi dưới — thì hiệu chuẩn là con số duy nhất quan trọng, và đó là con số bạn sẽ phải tự tạo ra từ một mẫu có nhãn.

Khi việc gấp đôi tự hoàn vốn

Hãy tính xuyên suốt ở một khối lượng mà sự chênh lệch tỷ lệ không còn chỉ là nhiễu. Một cổng kiểm duyệt hỏi một câu hỏi noul cho mỗi bài đăng, 500.000 bài đăng mỗi tháng, với khoảng 400 token đầu vào mỗi bài, là 200 triệu token đầu vào mỗi tháng.

• Với d1 — $4.00 một tháng. Với d1-ultra — $8.40 một tháng. Khoản chênh lệch bốn đô-la không phải là một dòng ngân sách; nó còn nhỏ hơn chi phí một giờ kỹ sư bỏ ra để quyết định.

• Áp dụng cùng một cổng cho đầu vào hình ảnh và số lượng token tăng vọt nhanh chóng, vì một hình ảnh 1024×1024 duy nhất là 1.536 token đầu vào và mỗi câu hỏi lại tính phí cho văn bản cùng toàn bộ hình ảnh của nó. Năm câu hỏi về cùng một bức ảnh đồng nghĩa với việc trả tiền cho bức ảnh đó năm lần, đây là một sai lầm thiết kế đáng tránh bất kể bạn chọn mô hình nào.

• Ở mức 20 tỷ token đầu vào mỗi tháng — một bộ phân loại quy mô lớn, không phải thử nghiệm — d1 tốn khoảng 400 đô la và d1-ultra khoảng 840 đô la. Khoảng cách tuyệt đối giờ đã thực sự đáng kể, và vẫn dưới một nghìn đô la cho một khối lượng công việc đang xử lý tương đương hàng chục triệu hình ảnh.

Kết luận mà phép toán này ép ra không phải là điều mọi người mong đợi. Với đại đa số tác vụ ra quyết định, chênh lệch giá giữa d1-ultra và d1 quá nhỏ để trở thành yếu tố quyết định, nghĩa là quyết định nên được đưa ra hoàn toàn dựa trên chất lượng câu trả lời. Ngoại lệ thú vị lại đi theo hướng ngược lại: nếu lưu lượng của bạn thực sự khổng lồ và tác vụ của bạn dễ — một cổng nhị phân trên văn bản ngắn, không có hình ảnh — thì bạn hoàn toàn không nên cân nhắc giữa hai mô hình này, vì d1-3B trọng số mở làm công việc đó với chi phí 0 mỗi lần gọi. Mức giá của cặp này sát nhau đến mức câu hỏi thực sự là câu hỏi nằm bên dưới chúng.

Khi nào một mô hình ra quyết định là công cụ sai lầm

Cả hai mô hình đều được tài liệu hóa cho cùng bốn công việc: phân loại và định tuyến, chấm điểm và xếp hạng, cổng nhị phân, và kiểm tra đa phương thức. Tài liệu của chính nhà cung cấp cũng rõ ràng không kém về những gì chúng không dành cho — tạo văn bản tự do, trò chuyện nhiều lượt, tóm tắt, suy luận mở, viết mã. Không có token đầu ra để truyền phát, vì vậy một ứng dụng mong đợi nhận lại văn xuôi sẽ nhận được lỗi, chứ không phải một câu trả lời tệ hơn. Điều đó đáng để nói ra vì sự cám dỗ khi dùng một mô hình quyết định như một giải pháp thay thế rẻ tiền cho một lệnh gọi sinh tạo chính là cách các pipeline cuối cùng lạm dụng một mô hình như vậy.

Bằng chứng đã công bố cho mô hình cũ ít nhất là cụ thể. Trên sáu ứng dụng thực tế được thử nghiệm vào ngày 5 tháng 10 năm 2026, d1 được báo cáo là ngang bằng hoặc vượt GPT-6.1 Sol ở bốn trong số đó với chi phí thấp hơn từ 19 đến 200 lần và trả lời nhanh hơn ở mọi tác vụ. Một trong sáu ứng dụng đó là một lượt kiểm tra thị giác trên các linh kiện từ bốn dây chuyền sản xuất — bảng mạch, nến, hạt điều và kẹo cao su, trên bộ dữ liệu VisA — trong đó mô hình phân loại hàng tốt và hàng lỗi với độ chính xác từ 85 đến 97 phần trăm mà không cần huấn luyện riêng cho tác vụ. Một ứng dụng khác đã loại bỏ 52 phần trăm token trong một lượt nén ngữ cảnh. Đó là các đánh giá do nhà cung cấp thực hiện với phương pháp luận được nêu rõ, và chúng vẫn là do nhà cung cấp thực hiện: một lần chạy cho mỗi mô hình mỗi ứng dụng, giá niêm yết không tính chiết khấu bộ nhớ đệm, và một số câu hỏi về mã và nén được soạn sau khi pipeline của d1 đã được cố định. Hãy đọc chúng như bằng chứng rằng hạng mục này hoạt động, chứ không phải như một bảng điểm mà bạn có thể áp dụng cho tác vụ của riêng mình.

Quyết định nâng cấp, theo lệ thường

Hãy bắt đầu với d1. Không phải vì nó là mô hình tốt hơn — tuyên bố trên bảng chỉ số nói rằng không phải vậy — mà vì với mức 0,02 USD cho mỗi triệu token đầu vào và không tính phí đầu ra, vài trăm nghìn lệnh gọi chỉ tốn vài xu, và cách nhanh nhất để biết liệu một mô hình ra quyết định có phù hợp với pipeline của bạn hay không là đưa một mô hình như vậy ra trước lưu lượng thực tế và xem phân phối xác suất mà nó trả về. Hãy ghi log các xác suất, chứ không chỉ các nhãn. Nếu chúng tập trung chặt quanh các cực trị và các ngưỡng của bạn ổn định, bạn đang được hiệu chỉnh miễn phí và không có lý do gì để trả thêm.

Chuyển sang d1-ultra khi một lỗi cụ thể, có tên xuất hiện trong log đó: câu hỏi kiến thức hóc búa, tuyên bố mơ hồ về mặt hình ảnh, trường hợp mô hình trả về 0.6 và thực sự có ý như vậy. Việc chuyển đổi là thay đổi chuỗi mô hình trên cùng endpoint, nên nó có thể mang tính chọn lọc — d1-ultra trên các tuyến đã cho thấy lỗi, d1 trên mọi thứ còn lại. Đó là hình hài trung thực của so sánh này. Nó không phải là hoặc cái này hoặc cái kia; đó là một thiết lập theo từng tuyến, và mức giá đủ sát nhau đến mức bạn có thể đủ khả năng để xử lý nó một cách chính xác như phẫu thuật.

Có một vướng mắc thực tế đáng để tính trước. Nếu các quyết định của bạn tiếp nối vào một bước tạo sinh — một câu trả lời, một bản tóm tắt, một lệnh gọi công cụ — thì bạn đang duy trì hai mối quan hệ nhà cung cấp, chứ không phải một. OrcaRouter thu gọn nửa sau của điều đó: một khóa tương thích OpenAI duy nhất trên hơn 200 mô hình tạo sinh ở giá niêm yết của nhà cung cấp được chuyển nguyên với 0% phụ phí, nên khi giá ở thượng nguồn thay đổi, nó vào hóa đơn của bạn ngay trong ngày thay vì đợi đến lần gia hạn hợp đồng tiếp theo, cùng với khả năng chuyển đổi dự phòng tự động giữa các nhà cung cấp phía sau cùng một điểm cuối. Nói chính xác về ranh giới: chúng tôi không lưu trữ các mô hình quyết định của Liquid AI, nên lệnh gọi d1 hoặc d1-ultra vẫn đi đến API riêng của Liquid AI, và những gì chúng tôi đảm nhận là mọi thứ ở hạ nguồn của quyết định.

Những điều cần lưu ý trước khi bạn cam kết d1-ultra ở quy mô lớn

Hai con số, hiện đều đang thiếu. Con số đầu tiên là độ trễ: mức 200 đến 300 mili giây của d1 không cho bạn biết gì về d1-ultra, và mô hình mới hơn không công bố gì cả, nên bất kỳ tuyến nào nhạy cảm với độ trễ đều nên được chạy canary thay vì di chuyển toàn bộ. Con số thứ hai là một phép đo hiệu chuẩn độc lập. So sánh 112 đánh giá và mức dẫn trước tám điểm trên chỉ số là báo cáo của chính Liquid AI, và con số chỉ số đến với bài viết này qua thông báo của nhà cung cấp cùng các bài báo đưa tin về thông báo đó, chứ không phải từ một bảng mà chúng tôi có thể tự tải. Khi ai đó tái tạo đường cong độ tin cậy cho một trong hai mô hình trên dữ liệu công khai, mức phụ trội gấp 2,1 lần sẽ trở thành một quyết định mua hàng thay vì một phán đoán chủ quan.

Cho đến lúc đó, lập trường có thể trụ vững dưới sự soi xét là một lập trường thận trọng. d1 là một mô hình ra quyết định có năng lực, rẻ, được chính nhà cung cấp của nó chứng minh, với mức giá khiến việc thử nghiệm gần như miễn phí. d1-ultra là một cải tiến nghe có vẻ hợp lý, đi kèm một tuyên bố cụ thể, nghe như có thể kiểm chứng được, và phía sau là một bảng thông số kỹ thuật mỏng một cách bất thường. Trả gấp đôi cho cái thứ hai trước khi bạn có trong tay một lỗi là mua bảo hiểm cho một vấn đề bạn chưa từng quan sát thấy — điều mà, ở những khối lượng này, không hẳn là một sai lầm mà đúng hơn chỉ là một sai số làm tròn. Chỉ có điều, đừng để sai số làm tròn đó trở thành kiến trúc.