
d1.2 对比 Liquid AI D1:同为 $0.02,六项组件胜出,但两项准确率指标出现倒退
- Orca新OrcaCyber: Hy4 Flash Abliterated / Uncensored2026-11-18$0.07 / $0.28 每百万 tokens · 187 tok/s
- openai新OpenAI: GPT-6.2 Astra2026-11-17$8.00 / $40.00 每百万 tokens · 80 tok/s
- openai新OpenAI: GPT-6.2 Sol2026-11-17$2.00 / $10.00 每百万 tokens · 155 tok/s
- tencent新Tencent: Hy4 Flash2026-11-16$0.02 / $0.07 每百万 tokens · 196 tok/s
- Alibaba新Qwen: Qwen4 Max2026-11-16$1.50 / $4.50 每百万 tokens · 85 tok/s
- Google新Google: Gemini 4 Carbon2026-11-10$2.00 / $10.00 每百万 tokens · 705 tok/s
- Anthropic新Anthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 每百万 tokens · 246 tok/s
- OrcaOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 每百万 tokens · 97 tok/s
- OrcaOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 每百万 tokens · 139 tok/s
- OrcaOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$2.00 / $5.00 每百万 tokens · 84 tok/s
- tencentTencent: Hy42026-11-04$0.83 / $2.50 每百万 tokens · 122 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 每百万 tokens · 102 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 每百万 tokens · 69 tok/s
- openaiOpenAI: GPT-6.1 Terra2026-10-26$1.00 / $5.00 每百万 tokens · 35 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 每百万 tokens · 89 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 每百万 tokens · 38 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447智能
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 每百万 tokens · 230 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929智能
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 每百万 tokens · 101 tok/s
Liquid AI d1.2 与 Liquid AI D1 的标价相同——每百万输入 token 0.02 美元,仅对输入计费,不收取输出 token 费用——位于同一端点,回答同样的三类问题。它们相隔两代:D1 是该系列首个决策模型,Artificial Analysis 将其列为发布于 2026 年 9 月,而 d1.2 于 2026 年 11 月 16 日推出,其间还有 d1.1。比较通常所依赖的一切——价格、合同、客户端代码、部署形态——都完全相同。剩下的就是模型本身,而在模型方面,结果悬殊却并不干净:d1.2 在 Decision Index v2.1 的全部六项评估中胜出,并以总体 7.9 分的优势领先,而 D1 仍在其下方的两项原始准确率数据行中获胜。
那两行正是这件事值得细读而非略过的原因。两者都位于知识轴上,也都是那项让 d1.2 在其他各处都变得更好的改动的直接代价——它拒绝得频繁得多。这个对比是一个模板,展示了当你检查子行后,“严格更好”的升级应该是什么样子:综合收益很大、行为上有真正的改进,以及新模型在一个小小的、可预测的地方有所让步。
两行并排

两个模型均由 Artificial Analysis 在同一个榜单的同一版本上进行评分,这消除了将厂商数据与独立数据进行比较时常见的风险。这里的两个数字都不来自 Liquid。
• Decision Index v2.1 — d1.2 为 68.69(25 个中排第 9),D1 为 60.78(25 个中排第 21)。如今已有十一个模型将二者分隔开,且差距之大,任何合理的重跑都无法弥合。
• 每百万输入 token 的价格——两者均为 0.02 美元。历经两代始终未变。
• 每百万项任务的建模成本——两者均为 63 美元,这与相同的 token 价格以及每个任务相近的 token 数量所预期的情况一致。两者都不更便宜;排行榜将两者并列第三。
• 每项任务耗时 — 150 毫秒 vs 151 毫秒。实际上完全相同,且两者都快于 206 毫秒的同类中位数。
• 上下文窗口 — 两者均为 66k 个 token,如榜单所列。Liquid 自己的帖子未说明两者的窗口,因此这是第三方解读,而非厂商规格。
• Brier 分数,越低越好——0.164 对 0.196。所选答案对应的概率提升了 0.032,且没有额外代价。
最后一行值得好好琢磨。d1.2 不仅更常答对;它赋予答案的置信度也更接近真相,而正是这一特性才让阈值流水线得以运作。而且这是免费得来的。
六个组件,以及每个间隙的大小

这个综合数字掩盖了一组非常不均衡的变化,而其中两项其实与准确性无关。
• AA-Paperclip,文档决策——d1.2 为 62.60,对比 54.92;文档完全正确率为 44.3%,对比 25.7%。这一全通过行是该版本中这对组合的最大单项提升:一张含十五个字段、其中十四个正确的发票,在任一模型下都算作未命中,而 d1.2 将四分之一的文档提升到了接近一半。
• When2Call,工具决策——{{1}}96.09 对 81.59{{/1}},{{2}}95.5% 的准确率,对比 77.9%{{/2}}。正是这一项改变了模型可以用于哪些场景。77.9% 的 D1 是一个你会在其后安排人工的分类器;95.5% 的 d1.2 则是你会放手让它进行路由的分类器。
• AA-Symmetry,不变性——76.52 对 58.67,全部通过率为 50.0% 对 32.5%。改写问题、重排选项、把一个是/否问题取反:旧模型的答案会变,新模型的答案大多不变。
• EvalSafe-O*NET-AA,职场判断——86.55 对 84.21,准确率 79.7% 对 76.3%。这是榜单上最小的差距,本身并不构成迁移的理由。
• AA-Omniscience-Decision v1.1,知识 — 60.94 对 58.31。相差近三分,而下面的子行才是有意思的部分。
• HLE-MultiChoice v1.1,难题——44.69 对 39.80,准确率 5.30% 对 11.79%。新模型答对的难题更少,得分却仍高出 5 分,因为该指数评分依据的是概率,而不仅仅是所选答案。
弃权叙事才是真正的升级。
把那些非幻觉行放在一起看,因为它们描述的模型改变的是自身特性,而非准确性。
AA-Omniscience-Decision 非幻觉 — d1.2 66.6%,D1 3.3%。D1 正确回答了其中 39.8% 的问题,且几乎从不拒答;d1.2 的正确回答率为 30.0%,拒答次数则多得多。
• HLE-MultiChoice 非幻觉 — 在一个 D1 原始准确率高出两倍的基准上,为 53.9% 对 5.6%。
• AA-Symmetry 全通过 — 50.0% 对 32.5%,这是通过一致性而非拒答看到的相同转变。
D1 是该系列的首个模型,其表现也正像一个"初代":当你问它一个它答不上来的问题时,它照样会给出答案。3.3% 的非幻觉率意味着,在每 100 个正确答案本应是"拒答"的知识类问题中,大约有 97 个它并没有拒答。如果你的流程会把低置信度的情况转交人工审核,那么决定这道关卡能否奏效的正是这一特性;一个从不说"我不知道"的模型,不会给你留下任何可供设定阈值的东西,而它的 0.9 概率,也不如 d1.2 的 0.9 更有分量。
这个注意事项是对称的,值得说明:d1.2 答对的难题更少。如果你的任务是一个有确定答案、没有弃权路径的知识性问题——这项主张是否与政策一致,这段代码是否符合规范——那么你是在用准确性换取诚实性,而这种权衡可能并非没有代价。
新模型能够回答而旧模型无法回答的内容
d1.2 新增了五种答案类型和音频输入。D1 完全不支持这些,而且无论怎么提示都无法弥合这一差距,因为响应契约中没有用于表示 span 位置或边界框的字段。
• 一个值,加上读取该值所依据的字符,或“未找到”——这一提取原语免去了每个字段所需的第二次生成式处理。
每种类型中带位置的每个跨度——姓名、电话号码、电子邮件地址——都作为脱敏原语,而不是摘要提示。
• 用一个方框框住单个对象,或框住每个实例并附上计数。
• 附带范围区间的估算值。
• 每个适用选项都有各自的概率,而不是只有一个获胜者。
音频双向都可用:录音既可以是主体,也可以是问题。所有这些准确率数字都来自 Liquid,基于公开数据集留出划分构建的内部测试集,因为目前没有公开基准覆盖这些新任务——d1.2-ultra 和 d1.2 从收据中读取数值的准确率分别为 98% 和 96%,在个人数据片段上分别为 94%/93% 对 92%/88%,在物体定位上两者均为 94%。请把它们视为厂商自评;排行榜上没有任何一项对应这些结果。
还有一个计费细节需要说明。在 D1 下,每个问题都按其自身的提示词计费,包括所有附加图像;在 d1.2 下,一次请求会对其文本和图片计费一次,而每个额外问题只增加其自身文本的费用。就一张 1024×1024 的照片(1,536 个图像 token)问十个问题,旧规则会收取约 15,360 个图像 token;新规则只收取 1,536 个。在相同的 $0.02 下,多问题模式在 d1.2 上便宜数倍,而且节省来自计费规则,而非费率。
更改字符串时会出什么问题

比你预期的要少,而且例外情况值得测试,而不是担忧。端点仍为 api.liquid.ai/decisions/v1/systemone,模型字符串变为 d1.2,原有的三种问题类型保持其请求和响应结构不变。发送一个值、一个选择和一个分数的客户端会收到相同的 JSON 返回。
在切换生产路径之前,有三件事需要对照你自己的样本进行检查:
• 解析“未找到”。新的答案类型可以返回显式的缺失,而假定值非空的解析器会因此出错。这是一项特性,但在严格模式中属于破坏性变更。
• 阈值设定。概率如今的含义已有所不同。d1.2 上的 0.8 比 D1 上的 0.8 更可靠,因此在旧模型的过度自信上调校出的阈值,在切换之后触发得会更少。应当重新调校它,而不是直接沿用。
• 知识切片。如果你的一部分工作负载是事实判断而非文档阅读,请单独衡量这一部分。这是新模型更高的弃答率可能损害你覆盖率的唯一地方,而看板的准确率行已经清楚地说明了这一点。
谁应该迁移,谁应该先进行衡量
如果工作负载是抽取、路由、工具选择或对一致性敏感的分类,就无需繁琐流程,直接迁移。每个已发布结果都更有利于 d1.2,价格不变,而且不变性与工具调用方面的差距足够大,重跑不太可能扭转它们。
先衡量工作负载是否属于大规模知识判断,或者流水线是否带有手工调优的概率阈值。这两者都不是继续留在 D1 的理由——但两者都意味着:应当把几千个真实状态分别输入两个模型,比较概率而不是标签。
先谈访问,因为迁移问题通常会变成采购问题。D1 和 d1.2 都位于 Liquid 的 API 上;两者都不在我们的目录中,而且这里没有任何内容构成可用性声明。我们目录中适合纳入此测试的模型是 Jev 1.14,它把 EvalSafe-O*NET-AA 提升到 91.14,而 d1.2 止步于 86.55,采用相同的 systemone 形态,并按每百万输入 token 计费 $0.042。把三者都放到相同的状态上,路由 DSL 就能一次性写好分流——按问题类型,而不是按服务——提供商标价以 0% 加价 透传,因此你看到的报价 $0.02 就是你支付的 $0.02。 自动故障转移 让两天前发布的模型能够承担实时工作负载的一条通道,而不是全部。
这就是整套对比。相同的价格、相同的合同、相同的端点,两者之间隔着一代工作,并且以六项综合指标胜出,对阵旧模型仍保持的两项准确率指标——而这两项都位于知识轴上,d1.2 的拒答正是其代价所在。如果你的工作负载是抽取、路由或分类,你关心的每一行都朝正确方向变化了。如果是没有审核员在背后把关的事实判断,先运行影子对比,让你自身状态上的数字来决定。
