一张生成的标题卡,标题为“成本不变的升级”,副标题为“Liquid AI d1.2-ultra 取代 Liquid AI d1-ultra”。两条水平条形图上下堆叠:上方较短的条形标注为 d1-ultra,右端数值为 70.58;下方较长的条形标注为 d1.2-ultra,右端数值为 74.85。右侧三个带边框的标签分别写着“66k 上下文,较 33k 提升”“每任务 218 ms,较 301 ms 降低”和“每 1M 输入 token 仍为 $0.042”。OrcaRouter 标识合成在右下角。
Guides & Insights

d1.2-ultra vs Liquid AI D1 Ultra:同样的价格,两倍的上下文,但有一处反而更糟

作者

jinhao.song

发布日期

最新模型 · 20查看全部模型 →
基准测试:Artificial Analysis · 每日更新
返回全部文章

Liquid AI d1.2-ultra 的成本与 Liquid AI D1 Ultra 完全相同:每百万输入 token 0.042 美元,输出 token 不计费,使用同一个端点,也同样支持你已经在发送的那三种问题类型。它于 2026 年 11 月 16 日推出,比它所取代的模型晚一个月,并且在综合得分上更优——在 Artificial Analysis Decision Index v2.1 上为 74.85 对 70.58,在 24 个模型中排名第一,而后者排名第六。因此,这次升级免费且显而易见,你应该采用它。让这个决定值得写一篇文章、而非一行更新日志的原因是:已公布的十六项分项指标中有四项出现了倒退,而其中两项正是阈值驱动流水线最敏感的指标。

这个模式很具体。新模型在阅读文档方面好得多,在复述/改写条件下也好得多,但在知识掌握和拒答方面略差一些。如果你的流水线把 Liquid AI D1 Ultra 用作抽取引擎,那么后继模型是纯粹的提升。如果把它用作把关者,要在情况模糊时说出“我不知道”,那么后继模型就是一个双模型决策,而不是简单替换。

两种型号集于一台仪器

A generated two-column scoreboard titled ‘d1.2-ultra vs d1-ultra - the scoreboard’. The d1.2-ultra column reads Decision Index 75, AA-Paperclip 75.8 at 67.7% all-pass, AA-Symmetry 86.3, AA-Omniscience accuracy 23.6%, context window 66k and price $0.042 per 1M input. The d1-ultra column reads Decision Index 71, AA-Paperclip 64.7 at 51.3% all-pass, AA-Symmetry 78.7, AA-Omniscience accuracy 28.0%, context window 33k and price $0.042 per 1M input. The footer reads ‘All figures per Artificial Analysis Decision Index v2.1; context windows as listed by Artificial Analysis, not stated by the vendor.’

这一对比异常干净,因为两行数据都由同一机构在同一个榜单的同一版本上生成,而大多数升级决策并非如此。Artificial Analysis 在 Decision Index v2.1 上运行了 d1-ultra 和 d1.2-ultra,因此这里既不依赖于将厂商数字与独立数字进行比较,也不依赖于在两个版本之间改变评判标准的指数修订。厂商对新模型自己的头条宣传——排名第一、领先两分——与其点名的榜单相符。

• 价格 — 两者均为每百万输入 token 0.042 美元。完全相同,且升级并未改变这一价格。

• 决策指数 v2.1 — d1.2-ultra 74.85(24 个中第 1) 对比 d1-ultra 70.58(第 6)。

• 上下文窗口——根据该板卡的技术规格,为 66k tokens 对 33k。Liquid 的发布帖未说明这两个模型中任何一个的窗口。

• 每项任务耗时——218 毫秒对 301 毫秒。升级版还快了三分之一。

• 每百万个任务的成本 — 两者均为 133 美元,这与在相同 token 价格和每任务相似 token 数量下的预期一致。

• Brier 分数——0.150 对 0.176,越低越好。这是最能直接说明“校准更好”的单个数字。

计费规则变了,其价值超过了指数点数。

在 d1-ultra 下,每个问题都作为独立的提示词计费,并包含所有附加图像。就一张照片问十个问题,你就要为这张照片付费十次;对于 1024×1024 的图像,这意味着在计算任何文本之前,1,536 个 token 要乘以十。在 d1.2-ultra 下,请求中的文本和图片只计费一次,而每个追加问题只增加其自身的文本。

用一次贴近实际的请求来算一算:一份 2,000 token 的文档、一张 1024×1024 的图片、十个各约 30 token 的问题。旧规则大约计费 35,700 个 token;新规则大约计费 3,840 个。在同样每百万 $0.042 的价格下,也就是每次请求 $0.0015 对 $0.00016——同样的工作,便宜了九倍多一点,用的是同一份公开价,出自同一家厂商,而且没有任何公告标题提及此事。按每月 100,000 次请求计算,约 $150 就变成了约 $16。

这两个数字都是根据厂商自己的计费说明算出来的,而非对实际账单的测量,而这个比例完全取决于你在每个状态下问多少个问题。每份文档只问一个问题,两个模型的成本就一样。问十个,那项“免费”升级就是本次发布中最大的一笔成本变化。

新模型实际上在哪些方面做得更好

A headless-browser screenshot of the Artificial Analysis model page for d1-ultra, captured 17 November 2026 in English, showing the Liquid AI vendor label, the heading ‘d1-ultra: Release, Decision Index Score, Performance & Price’, a Decision Index score of 71, a 33k-token context window, a time-per-task figure of 301 ms, and a summary describing the model as reasonably priced but notably slow.

四个组件上升了,其中两个上升幅度很大。

• AA-Paperclip,占指数的 30%——决策得分为 75.81 对 64.69,文档完全正确率为 67.7% 对 51.3%。在权重最高的组件上,文档全通过率提高了十一个点,这就是综合得分提升十二个点的全部原因。如果你要从发票、收据或简历中提取字段,这就是值得关注的数字,因为一份文档只要漏掉十五个答案中的一个,无论如何都算一次未命中。

• AA-Symmetry,15%——86.34 对比 78.66,全部通过的一致性从 45.8% 升至 56.7%。换种方式提问、打乱选项顺序、把是/否题改成否定形式,新模型保持答案不变的情况要多得多。

• When2Call,10%——96.49 对 93.83。工具调用本就是该系列模型的强项;这是在已接近上限的组件上取得的较小提升。

• EvalSafe-O*NET-AA,15%——89.53 对 88.15。在工作场所文档判断上提高了 1.5 个百分点,这接近噪声水平,不应被当作改进来宣传。

• AA-Omniscience-Decision v1.1,15% —— 决策得分为 60.80,相较 64.39。在这一半知识、一半诚实的组成部分上下降了四分。

• HLE-MultiChoice v1.1,15% — 46.36 对 47.39。在该全体参赛者都表现疲软的组件上下降了一分。

简单来说,这两个回归问题

全知性下降不是评分造成的假象;它体现在底层的准确率和弃权行中,而且这两者彼此不一致,在迁移之前值得弄清这种不一致。

• AA-Omniscience-Decision 准确率——d1-ultra 正确回答了 28.0% 的问题,d1.2-ultra 为 23.6%。前代模型知道的更多。

• AA-Omniscience-Decision 非幻觉 — d1-ultra 88.6%,d1.2-ultra 83.8%。前代模型也更擅长不编造答案。两行朝相同方向变化,这意味着这是真实的能力变化,而不是模型在谨慎分配其弃答时发生的变化。

• HLE-MultiChoice 准确率——6.09% 对 2.36%,新模型在原始准确率上在 24 个模型中垫底。其在同一数据集上的非幻觉率从 56.9% 升至 76.1%,因此准确率下降部分是以更多弃答为代价换来的。但并非全然如此:上文的“全知”配对显示,该模型回答得更少,答对的也更少。

这对流水线的影响比听起来要窄。如果你按概率设阈值,并把低置信度的情况交给人工处理,那么一个更常弃权的模型反而是在帮你,而 83.8% 的非幻觉率仍然在 24 个中排第六。如果你把模型用作需要知道事实的问题的自动闸门——这个说法是否符合政策、这段代码是否符合规范——那么更便宜的前代模型明显更好,而且没有理由不在这一部分继续使用它。

你需要在客户端中更改的内容

几乎没有,这正是现在而不是一个季度后再做的原因。端点相同,api.liquid.ai/decisions/v1/systemone,调用时使用"model": "d1.2-ultra";三种问题类型不变;响应仍是结构化 JSON,每个选项带一个概率,且没有输出 token。迁移只是一处字符串更改并重新部署。

新增内容是增量式的,值得了解,因为它消除的是变通做法,而不是增加功能。五种答案类型加入现有类型:从页面读取一个值,并返回读出该值的那段字符,或返回“not found”;返回某一类型的每个文本片段及其位置,这涵盖了无需第二个模型即可完成 PII 脱敏;返回围绕一个对象或每个实例的边界框,并附带计数;返回带范围的估计值;以及返回每个适用选项及其各自的概率。音频输入可双向工作——录音可以是对象,也可以是以口述而非键入方式提出的问题。

这五项任务的准确率说法来自 Liquid 自身,基于由公开数据集的留出划分所构建的内部测试集,因为目前还没有公开基准覆盖这些任务。按厂商的数据,两个模型很接近:从收据中读取数值为 98% 对 96%,PII 片段上为 94%/93% 对 92%/88%,物体定位上各为 94%;而在最后两项任务上,旧模型并非在每一行都更弱——新模型在“计数误差不超过一”上以 93% 对 92% 胜出,但在“找出所有存在的物体”上以 87% 对 90% 落败。

将旧版本和新版本并排运行

两者都保留才是诚实的迁移方式,而且成本很低:它们是同一端点上的不同模型字符串,目前都已上线 Liquid 自有 API,价格相同,密钥来自 console.liquid.ai。两者都不在我们的目录中,本文也不是对任一模型可用性的声明。

路由层在这里变得有用的地方在于,两个模型之间的拆分是按问题决定的,而不是按服务决定的。后继模型适合用来发送文档、图像以及任何你要设置阈值的内容;前代模型适合用来发送事实密集型的判断,因为它的准确率和弃权行仍然更好。把这组合成 一个 API 背后的两条路由——路由 DSL 让你按问题类型或状态大小来拆分,而不是按手写的服务边界来拆分——这样两个模型就不再争夺同一个位置。我们这边没有任何东西会改变 $0.042 任一模型的成本:提供商标价按 0% 加价 透传,因此 Liquid 的价格变动当天就在这里生效,而不是等到下一个计费周期。而且当供应商 API 某天下午出问题时,自动故障转移 能让文档路由保持存活,而不是让一个提供商成为整个流水线的单点故障。

升级,每项一行

文档处理选 d1.2-ultra,图像处理选 d1.2-ultra,模糊状态选 d1.2-ultra,任何你需要设定阈值的地方都选 d1.2-ultra——它在文档部分好十一个点,在对称性上好八个点,速度快三分之一,上下文窗口翻倍,而且如果你对每个状态提出不止一个问题,还能把账单削减一个数量级。

对于事实密集型门控,仍应保留 d1-ultra:它的全知准确率和非幻觉行依然都更高,而且 HLE 准确率几乎是继任者的三倍——尽管这两个数字本身都很小。

只有在你的状态不包含图像、每个状态只有一个问题且没有阈值时,才完全跳过迁移——也就是两个模型成本相同,而新模型在你使用的每一项评估上都只是更好的情况。在这种情况下,等待的唯一理由就是需要花十九个小时才能发现没有任何东西出问题。

A headless-browser screenshot of the OrcaRouter model page for typesafe/jev-1.14, captured 17 November 2026 in English, showing the /v1/systemone endpoint, Zero Data Retention availability, an input and output list price of $0.04, and measured latencies of 182 ms and 372 ms.