Liquid AI d1-ultra：新的 Decision Index 领跑者，被训练去质疑自己

Liquid AI d1-ultra 于 2026 年 10 月 15 日发布，而它最有趣的地方在于一个没人引用的数字：在 Artificial Analysis Decision Index 上，它所取代的模型得分为2（非幻觉指标）。Liquid AI d1 在同一榜单上，是回答知识问题时最准确的决策模型——却也是同类中最差的，在识别自己无法回答的问题方面。Liquid AI d1-ultra 是厂商对此的回应，并且公布时带有排名第一的声明：它在 Decision Index 上以至少八分的优势领先于其他所有决策模型，包括目前位居该榜单首位的Jev 1.13。这一说法是 Liquid 的，而非 Artificial Analysis 的；而且它所指的榜单在该模型问世之前就已发布。这两个事实都至关重要，而本文始终让它们与各自对应的数字保持绑定。我们追踪到的每一次提供商服务中断和回滚，都记录在Orca AI Incident Archive中，其中包含完整记录集以及本事件相邻的条目。

从机制上讲，这个模型本质上就是 Liquid 全年一直在下的同一个赌注。你给它一个状态——一段 JSON 载荷、一张支持工单、一张仪表盘截图——再给它一组具名问题，它就能在一次前向传播中从自身的分布里读出答案。无需采样，无需解析，也不会出现失控的生成。厂商的用量计数器报告的是 output_tokens: 0，与 d1 系列其余模型完全一致。

Liquid 声称自己构建了什么，以及用什么来测试它

本节的每一个数字都出自 Liquid 自家，来自其发布博文，截至本文写作时无人复现。该模型被描述为一个多模态决策模型，构建在更大的开放权重基础模型之上，并进行了该博文所称的大量 Liquid 专属定制，专门针对知识密集型决策进行了调优——这句话读起来像是在直接呼应下文的校准问题。它与该系列其他模型一样，同样包含这三种问题类型。noul 是二元的：给它一个陈述，它返回 0 到 1 之间的 P(yes)。Choice 选取一个标签，并返回一个分布以及一个置信度。Score 将状态置于一个有序刻度上，并给出各层级对应的概率。三者都以结构化形式返回，且都不消耗输出 token。

Liquid 的证据是一组112 项独立评估，对照的是其自家早先的 d1 以及更新的 Jev 版本 Jev 1.14。该公司表示，d1-ultra 在所有任务上都优于 Jev 1.14，并且在相同价格下校准得更好。与“领跑排行榜”相比，这是一个更强、也更具体的说法，但同时也是更难核实的一个，因为校准这种特性无法从单一分数中看出来。另需注意，Jev 1.14 是一个以厂商命名的对照项：它在我们目录中根本没有出现，我们也找不到它在 Decision Index 中的公开条目。

该 API 对外只提供一个非流式调用：POST https://api.liquid.ai/decisions/v1/systemone，请求体为"model": "d1-ultra"。所有发布材料中都没有公布上下文窗口的大小，这是一个实打实的缺口，而不是舍入误差：对于一个全部职责就是被交付状态的模型来说，允许你交付给它的状态有多大，几乎就是首要规格。由于它从不生成 token，输出成本在结构上为零，流式传输也就不适用。

所讨论的索引早于该模型。

Artificial Analysis 发布了 Decision Index v1.0，发布日期为2026年10月13日——比 d1-ultra 存在早两天。该榜单由四项评估构成，每项权重均为 25%：AA-Omniscience-Decision，一套包含 500 个问题的私有题集，评分一半基于准确性，一半基于非幻觉；HLE-MultiChoice，选自 Humanity's Last Exam 的 513 道文本多项选择题；When2Call，一项 N​VIDIA 工具调用评估；以及 WildGuardTest，Ai2 的安全分类数据集。

介绍它的那篇文章完全没在任何地方提到 d1-ultra，这并不令人意外，而这正是为什么“领先八分”这个数字应当被理解为厂商的说法，而非排名。在公布的榜单上，Jev 1.13 以58领跑决策模型领域，GLiDE 与 Microsoft-Decision-1 以54并列。有两个语言模型排在它们全部之上：Claude Haiku 5.5 (Low) 为61，GPT-6 Luna (Low) 为55。把 Liquid 的说法算一算，落在 66 或更高——高于榜上最好的那个语言模型。那很可能确实就是该模型的表现。但它也恰恰是那种需要第三方复现之后，才适合让人据此做规划的说法。

为什么具体来说，校准就是全部

d1-ultra 旨在应对的那种失败，正是 Artificial Analysis 在同一篇文章中点名的那一种。作为一个类别，决策模型被发现普遍存在过度自信：模型为某个答案给出的概率，往往高于该答案最终正确的实际频率。这一点在这里比在聊天机器人身上更重要，因为决策模型的全部输出就是一个概率。一个自信却出错的语言模型，产出的是一段你可以仔细审视的文字。一个自信却出错的决策模型，产出的则是一个流水线本就设计来据以行动的数字。

类内的差距很大，而 d1 处在其中糟糕的一端：

• AA-Omniscience-Decision 准确率——Liquid AI d1 是排名第一的决策模型，达到 41，Jev 1.13 则为 35。在同一评估中，语言模型的得分为 52 和 66。

• 无幻觉率 — Liquid AI d1 得分为 2。Jev 1.13 得分为 35，Mercury Decide 为 32，而 M​icrosoft-Decision-1 以 40 领先。榜单上其他决策模型均达到了 17。

• 那两行之间的差距就是整个卖点。d1 知道得最多，却承认得最少。一个为弥合这一差距而训练的模型——这正是 Liquid 上一款产品排名垫底而非第一的那个维度——即使不触及原始准确率，也会推动这一类模型向前发展。

• HLE-MultiChoice — Jev 1.13 以 21 的成绩领先，其他所有决策模型均为 15 或更低。这是该领域提升空间最大的评测，也是 Liquid 的 112 项评测运行中未报告对比结果的那一项。

• When2Call 和 WildGuardTest——Celeris-1 Decision 和 GLiDE 以84分在工具调用上并列，Jev 1.13 以 81 分位列第四；GLiDE 在安全性上以95分领先，Decider v1.1 27B 和 Jev 1.13 以 94 分并列。

一百万次决策究竟要付出多少代价

定价是本次发布中最不需要附加说明的部分。Liquid AI d1-ultra 的计费标准为每百万输入 token 0.042 美元，而输出则分文不收，因为根本没有输出。这一价格与 d1 完全相同，也与我们为 Jev 1.13 收取的价格完全相同，这使得这两个模型仅在成本上可以直接比较，其他方面则不然。

这道算术题简单到在餐巾纸上就能算完。一个约一千个 token 的状态——一段中等详细程度的 JSON 负载，或一页文本——运行一百万次的成本是 0.042 美元。Artificial Analysis 自己针对这一类别给出的每百万任务成本数据落在 17 美元到 199 美元之间，其中 Jev 1.13 为 42 美元，M​icrosoft-Decision-1 为 31 美元，Decider v1.1 27B 为 17 美元；该类别的单任务耗时中位数从 0.06 秒到半秒不等。一个千 token 的决策按每百万任务 42 美元计算，正好处于这一区间的中段，而这正是值得了解的要点：就这一类别而言，这样的定价平平无奇，真正有趣的问题不是每个 token 的成本，而是每个正确决策的成本。

有一个计费细节会让人措手不及，值得读两遍。图像按输入文本计费，计费标准为 每 32×32 像素图块 1.5 个 token，这让一张 1024×1024 的图像达到 1,536 个 token —— 而且 每个问题都作为独立的提示计费，包括所有附加的图像。对同一张照片问十个独立的问题，图像就会被计费十次，所以这十个问题在还没有一个字文本之前，就已经携带了 15,360 个图像 token。把问题合并为一次调用并不能摊薄这笔成本。如果你的工作负载是视觉型的，决定你账单的数字是问题数乘以图像 token 数，而不是文档数乘以图像 token 数。

在哪里可以调用它

Liquid AI d1-ultra 现已在 Liquid 自有 API 上线，可通过 Liquid 控制台访问，也可在 d1 Playground 中供任何想不编写客户端就试用它的人使用。供应商表示还将推出更多平台；今天如实的总结是：目前可用的是供应商自有 API，随后还会有几个第三方平台。发布文章中有一个代码示例，可直接运行。

一条路由说明，而不是推销：Liquid AI d1-ultra 不在我们的目录中，本文也不构成对其可用性的声明。在我们目录中的是Jev 1.13——目前位居 Decision Index 榜首的模型——每百万输入 token 同样 $0.042，补全成本同样为零，64K 上下文窗口，并通过完全相同的systemone端点形态提供服务：输入文本，输出结构化 JSON，非流式。对于任何评估此次发布的人来说，这都是一个有用的巧合，因为这意味着挑战者和现有领先者可以并排运行，而无需第二份合同。d1-ultra 需直接联系 Liquid；而现有模型已经在我们的目录中。两者都位于一个覆盖 200+ 模型的 API之后，在这里目录价格以 0% 加价透传，并且自动故障转移意味着新模型可以承接真实工作负载的一部分，而不必被托付全部工作负载。

最后那部分是务实的建议，而不是产品植入。一个才发布一天的模型，其主打基准尚未被独立复现，上下文窗口也未公布，并不该在第一天就把生产流量导给它。它应该拿来与已经在这个位置上的模型进行影子运行。让相同的状态同时跑过两者，比较分布而不是标签，并特别留意 d1-ultra 给出 0.8、结果却被证明是错的那种情况——因为这场发布的核心正是这种情况，而这正是 Liquid 没有公布的那个数字。

什么能了结它

三件事，按它们会多大程度改变该决策从高到低排列。

第一项是 Decision Index 中的一行。在 Artificial Analysis 用自己的流程跑完 d1-ultra 之前，相比 Jev 1.13 的八分优势只是厂商自己给出的数字，而相比 Jev 1.14 的校准提升同样是厂商数据，完全没有公开的对应结果。该榜单会定期更新，而一个真正突破 66 的决策模型将是今年这一类别中最有意思的结果，因为它会把一个非生成式模型置于同一指数上所有语言模型之上。

第二个是缺失的规格表。上下文窗口、在指定批量大小下的延迟，以及多个问题能否共享同一张图像而不被重复计费——这三个数字决定一项工作负载是否可行，远早于基准测试分数发挥作用。Liquid 的上一代模型在 200 到 300 毫秒内完成文本决策，这是一个有用的参考点，但并非对本次模型的测量。

第三点是实验室之外的校准。Liquid 的 112 项评估是厂商自己挑选的任务。过度自信是一种会在尾部显现的特性——罕见难题、模糊状态、模型从未见过的分布中的输入。正是在那里，d1 得了 2 分，而这也是唯一能看出真正改进的地方。

到那时为止，诚实的立场是那个无聊的立场：价格是真实且公开的，端点能正常工作，该类别最严重的缺陷被正确指出，而修复只是被声称，而非被证明。如果你从事结构化决策方面的工作，它值得花一个下午。它不值得一次迁移。