一张生成的标题卡,标题为“同价,相隔一代”,副标题为“Liquid AI d1.2 对比 Liquid AI D1”。一条长横条从左向右上升,左端标注“D1 61”,右端标注“d1.2 69”。三个描边标签分别写着“同为每 1M 输入 token $0.02”“同一个 systemone 端点”和“全部六个组件均有提升”,说明文字写着“仍有两行准确率数据属于较旧模型”。OrcaRouter 标识合成在右下角。
Guides & Insights

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

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 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

A generated two-column scoreboard titled ‘d1.2 vs D1 - the scoreboard’. The d1.2 column lists Decision Index 69, AA-Paperclip all-pass 44.3%, AA-Symmetry 76.5, When2Call 96.1, Omniscience non-hallucination 66.6% and price per 1M input tokens $0.02. The D1 column lists 61, 25.7%, 58.7, 81.6, 3.3% and $0.02. The footer reads ‘Both rows per Artificial Analysis Decision Index v2.1; D1 ranks #21 of 25 decision models on the board.’ The OrcaRouter mark is composited bottom right.

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

A headless-browser screenshot of the Artificial Analysis d1 model page, captured 18 November 2026 in English, dated September 2026. The summary panel reads that d1 is among the lowest scoring on the Decision Index but well priced and faster than average: a Decision Index score of 61 against a median of 66, 151 ms per task against a median of 206 ms, $0.02 per 1M input tokens, and about $63 per 1M tasks against a median of $137. The rank badge reads #21/25 on the Decision Index and #3/25 on cost, and the technical specification lists text and image input with a 66k-token context window.

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

A headless-browser screenshot of the OrcaRouter model page for typesafe/jev-1.14, captured 18 November 2026 in English, showing the /v1/decisions/v1/systemone endpoint family, Zero Data Retention availability, a $0.04 list price per million input tokens, and measured latencies of 182 ms and 372 ms.

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。