一张生成的标题卡,标题为“音频输入,框选输出,证据随附”,副标题为“Liquid AI d1.2 和 d1.2-ultra——发布于 2026 年 11 月 16 日”。三张圆角卡片分别显示“75”,下方为“25 个决策模型中的第 1 名”;显示“$0.02”,下方为“每 100 万输入 token”;以及显示“5”,下方为“新增答案类型”。下方三个描边标签分别写着“读取一个值”“定位一个对象”和“所有适用选项”。OrcaRouter 标志合成在右下角。
Guides & Insights

Liquid AI d1.2 发布,支持音频输入和框输出——而便宜的那款模型才是有意思的

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 和 Liquid AI d1.2-ultra 已于 2026 年 11 月 16 日在供应商的 API 上线,而最受瞩目的数字属于更贵的那一个:d1.2-ultra 在 Artificial Analysis Decision Index v2.1 上得分 75,在榜单所排名的 25 个决策模型中位列第一。更具实质性的变化在请求体中,而不在排行榜上。这两个模型现在都能返回上一代无法表达的回答——一个值及其读取所依据的字符、一组带位置的跨度、一个边界框、一个带范围的数量、一组各自带有概率的选项——并且二者都接受音频,无论是作为被询问的对象,还是作为问题本身。

这是一种不同类型的发布,而非精度上的小幅提升。过去,决策模型返回的是一个标签和一个概率,这意味着任何需要标签背后证据的流水线,都必须额外接入第二个模型才能找到这些证据。d1.2 在一次前向传播中连同证据一起给出答案,价格为每百万输入 token 0.02 美元。d1.2-ultra 以 0.042 美元的价格做同样的事。两者都不生成输出 token,因此仍然没有任何内容可供流式传输:这些是你调用后会拿回一个结构化对象的模型。

今天,两者都已在 Liquid 自有 API 上线,而供应商确认的其他任何地方均未上线。下文将 Liquid 报告的内容与 Artificial Analysis 实测的内容区分开来,因为在本次发布中,两者并不是同一组数字,而这一差异很重要。

实际交付了什么,逐项列出

五种新答案类型是增量式的。端点保持不变,三种原有问题类型保持不变,客户端发送与昨天相同的 JSON,就会得到相同结构的响应。

• 读取一个值——询问发票上应付多少金额,得到该数字以及读取它所依据的字符,或者在字段缺失时得到字符串“not found”。这一项能消除最多的胶水代码,因为通常的变通方法是再进行一次生成式调用以重新读取页面。

• 找出某一类型的所有片段——笔记中的每个姓名、电话号码和电子邮件地址,以及它们在文本中的位置。这是一种脱敏原语,也是该系列首次提供此类能力。

• 在图片中定位目标——在扫描表单上用一个框圈出签名,或用一个框圈出某个对象的每一处实例并给出数量。“未找到”是一个可选的答案,这一点比听起来更重要:一个必须始终返回框的物体检测器会凭空捏造出一个框。

• 用一个区间来估算一个数字——照片里有十二个人,合理范围是十到十四人。这个区间是输出中诚实的部分,也是大多数团队否则只能自行校准的那一部分。

• 选择所有适用项——账单和配送,各自都有各自的概率,而不是只有一个胜出项。多标签分类此前是通过对每个标签分别问一次同样的问题、并每次都为该状态付费来伪造的。

音频以双向方式传入。录音本身可以成为问题对象——比如正在说的是哪种语言、背景中是否有警笛声——问题也可以口头提出而非键入。Liquid 报告称,在 ESC-50 和 FLEURS 的留出录音上准确率为 95% 到 97%,每个问题有三到六个选项,并且混入了西班牙语与葡萄牙语等相近易混淆项。

有一项计费变更随之而来,容易被忽略。现在,一个请求的文本和图像只计费一次,而每个后续问题只增加其自身的文本。在上一代中,每个问题都会重新计费完整提示词,包括所有附加图像,因此对一张照片进行十轮提问就要为这张照片支付十次费用。

董事会,以及第一名是在什么之中位居第一的

A generated two-column scoreboard titled ‘d1.2 vs d1.2-ultra - the scoreboard’. The d1.2 column lists Decision Index 69, #9 of 25; AA-Paperclip 62.6, 44.3% all-pass; AA-Symmetry 76.5; When2Call 96.1; HLE accuracy 5.30%; cost per 1M tasks $63. The d1.2-ultra column lists Decision Index 75, #1 of 25; AA-Paperclip 75.8, 67.7% all-pass; AA-Symmetry 86.3; When2Call 96.5; HLE accuracy 2.36%; cost per 1M tasks $133. The footer reads ‘All scores per Artificial Analysis Decision Index v2.1; the five new answer types are vendor-reported and not on the board.’ The OrcaRouter mark is composited bottom right.

Artificial Analysis 已在 Decision Index v2.1 上为两款新模型评分,且这些数字并非厂商自报:该榜单自行运行了评测,采用同样的六项评估,并按当前标价计算。d1.2-ultra 得分为 74.85,在 25 个决策模型中排名第一,领先最接近的决策模型竞争对手 Drex Max v1.1(72.62)2.2 分。d1.2 得分为 68.69,在 25 个中排名第九,高于 66 的同类中位数。

值得随身携带的限定条件是:“第一”是有范围限定的。同一张榜单还用同一套测评工具给两个通用语言模型打了分,而两者都直接压过了 d1.2-ultra:Claude Haiku 5.5 (Max) 得 76.49 分,GPT-6 Luna (Max) 得 75.67 分。这两个都不是决策模型,而这一比较的代价相当沉重——每百万任务分别为 6,218 美元和 1,548 美元,对照之下是 133 美元——但“Decision Index 上排名第一”这种说法若不含“决策”二字,就不是榜单所展示的内容。

榜单确实独立印证的是校准表现。该指数上的决策分数会减去所选答案对应概率的 Brier 分数,因此一个答对但过度自信的模型会受到惩罚。d1.2-ultra 的 Brier 分数为 0.150,d1.2 为 0.164,而它们所取代的模型 d1-ultra 为 0.176。更便宜的新模型尽管总体得分低 1.9 分,校准却优于较旧的旗舰模型,这种分化只有别人运行评测框架时才会显现。

时间和成本共同补全了全貌,但二者指向相反方向。d1.2 每项任务耗时 150 毫秒,在榜单上排第八快,略低于 206 毫秒的中位数。d1.2-ultra 耗时 218 毫秒,慢于中位数,排第 15。按每百万项任务的成本计算,榜单将 d1.2 列为 63 美元,在 25 个中第三便宜;d1.2-ultra 为 133 美元,排第 11,而中位数为 137 美元。

新任务的编号,以及这些编号是由谁生成的

A headless-browser screenshot of Liquid AI's own release post, captured 18 November 2026 in English, headed ‘d1.2: State-of-the-Art Omnimodal Decision Models’ and dated Nov 16, 2026. The opening paragraph announces d1.2 and d1.2-ultra with audio input and five new tasks, states that d1.2-ultra ranks first among decision models on the Artificial Analysis Decision Index v2.1, and gives $0.02 per million input tokens for d1.2 against $0.042 for d1.2-ultra. A row of task tiles beneath reads ‘Read a value’, ‘Find every passage of a kind’ and ‘Locate things in a picture’.

目前还没有任何公开基准测试覆盖这五种新答案类型中的任何一种,因此关于它们的每一个准确率数字都来自 Liquid 自己的内部测试集,这些测试集由公开数据集的留出划分构建而成。它们是厂商在自选数据上对自身模型所做的评估,理应完全按此理解。

• 从收据中读取某个值,在 CORD 和 SROIE 上——d1.2-ultra 为 98%,d1.2 为 96%。一次读取只有在找到目标或正确指出目标不存在时才算正确,这使得“未找到”的情况也计入得分,而不是无条件通过。

• 在 Nemotron PII 上的个人数据片段检测——ultra 模型的精确率为 94%、召回率为 93%,d1.2 模型则为 92% 和 88%。五个百分点的召回率差距,是这两个模型在五项任务中任意一项上的最大差距,而这一差距恰恰在脱敏处理中至关重要:漏掉一个片段,就是会让你被罚款的那种失误。

• 物体定位,在 RefCOCO 系列上——两者均为 94%。完全没有区分。

• 在 COCO 上,误差在一个以内的计数:ultra 为 93%,d1.2 为 92%。

• 在 COCO 上检出所有存在的物体——ultra 为 87%,d1.2 为 90%,这是廉价模型唯一胜出的一行。

所以,高级版在读取数值和量程记忆上带来了明显收益,而在空间任务上几乎毫无提升。如果你的用例是边界框,那么 $0.02 的模型就是首先应该测试的那个。

音频,以及尚未跟上步伐的规格表

音频是公告与独立记录之间差距最大的一项说法。Liquid 的帖子将音频输入描述为两款模型的一项主打能力;Artificial Analysis 对这两款模型的技术规格仍将输入模态列为文本和图像,而该指数没有音频评估,因此榜单上没有任何内容检验这一说法。这并不矛盾——榜单只是尚未涉及——但这确实意味着音频能力目前只是厂商声明,背后没有第三方验证。

同样的警示也适用于这五种新答案类型:该指数并未衡量其中任何一种。一个模型可以在排行榜上位居第一,却在你真正想用它做的事情上未被衡量。

供应商的校准表值得从另一个角度一读。在全部五个模型回答的 13 项基准测试和 22,505 个问题中,Liquid 给出的校准误差为:d1.2-ultra 0.8 分,d1.2 1.2 分,Jev 1.14为 2.7 分,Perplexity 的 Decider v1.3 为 3.7 分,GPT-6 Luna 在其 Decisions 端点上为 7.2 分。这些都是供应商在自行选定的问题集上运行得出的数字。委员会的 Brier 分数在同样的两个模型上指向同一方向,这是本周所能获得的最接近第二方意见的东西。

正在对照看板核对成本表述

A headless-browser screenshot of the Artificial Analysis d1.2 model page, captured 18 November 2026 in English. The summary panel reads ‘d1.2 is above average on the Decision Index and well priced’, gives a Decision Index score of 69 against a median of 66, 150 ms per task against a median of 206 ms, $0.02 per 1M input tokens, and about $63 per 1M tasks to run the index against a median of $137. The technical specification block lists text and image input and a 66k-token context window.

Liquid 提出了一个异常可证伪的说法:没有模型能以更低的价格获得高于 d1.2 的得分,也没有模型能在任何价格下获得高于 d1.2-ultra 的得分。这两个部分都经受住了榜单的检验,并带有与之前相同的适用范围限定说明。

• 后半句在决策模型之间几乎是显而易见地成立——25 个模型的榜单上,其他任何模型的得分都完全没有超过 74.85。只有当两个通用语言模型被纳入时,它才不成立,而它们每百万任务的成本要高出 12 到 47 倍。

• 在决策榜上,前半句依然成立:所有得分高于 d1.2 的 68.69 的决策模型,每百万任务的成本都更高。最接近的廉价挑战者是 Perplexity 的 Decider v1.3,得分 70.41、成本 68 美元;它每百万任务多花五美元,指数提升却不到两分——这是该榜单最接近反例的一次,但仍站在 Liquid 那句话的正确一边。

• 这些成本数据是 Artificial Analysis 自有的,按当前标价计算,并按指数权重进行平均。它们是每项任务的建模成本,而非账单;如果提供商调整价格,它们也会随之变化。

最后一点正是路由层得以立足、而非靠自我宣传的地方。本次发布更改了 Liquid 的计费规则,将廉价模型相对于旧旗舰的有效价格减半,而且是在两天前完成的。在我们这边,供应商的标价按 0% 加价直接传递,因此供应商降价当天就会落到这里,而不是等到下一次合同续签——本文中的 $0.02 和 $0.042 是供应商的数字,而不是加价后的重述。

如果你已经在运行决策模型,本周该做什么

本文并非可用性公告:两个新模型都已上线 Liquid 的 API,但都尚未进入我们的目录。之所以要提到我们的模型,是因为这次发布的是决策模型,而我们实际提供的决策模型是 Jev 1.14——它是榜单上唯一在一个组件上胜过 d1.2-ultra 的那一行,EvalSafe-O*NET-AA 为 91.14,对比 89.53,且在相同的 systemone 请求形态下,每百万输入 token 收费 $0.042。无论你对五种新答案类型得出什么结论,安全与工作场所这一细分领域都已有一个你今天即可用来基准对比的现有方案。

在 Liquid 所承诺的第三方平台真正出现之前,合理的做法是先进行一次影子运行。把流水线已经看到的状态同时发送给两个 d1.2 模型,比较概率而不是 top-1 标签,并特别关注模型给出 0.8 却判断错误的情况。那个尾部正是上一代最薄弱的地方,也是本次发布声称已修复、而该指数只能部分证实的一点。

自动故障转移是试用一个两天前刚发布的模型、又不把生产路径押在它身上的另一半做法:把一部分流量路由到 d1.2-ultra,让现有模型留在后面作为后备,这样某家供应商哪怕有一个糟糕的下午,也只是降低回答率,而不会让整个流水线宕机。相比等待别人的基准测试,这是了解 75 是否真实的更便宜方式。

悬而未决的问题不在于这些模型是否已经发布——它们确实发布了,带有定价和端点——而在于这五种新答案类型在 Liquid 自己的留出划分之外是否依然成立。目前还没有人为其中任何一种公布过独立数字,而在有人做到这一点之前,诚实的立场是:这次发布在一份完全来自厂商自身的证据之上,增加了一份确实有用的输出契约。