Liquid AI d1-ultra 与 Liquid AI d1：相同的端点，相同的问题，价格却是两倍——这就是交叉点

最简短、也最诚实的回答是：Liquid AI d1-ultra每百万输入 token 收费 0.042 美元，而Liquid AI d1每百万输入 token 收费 0.02 美元；两者都通过同一个 URL 调用，支持同样的三种问题类型，而当出错的代价高于把每次调用费用翻倍时，就该选那个更贵的。整个决策就这么多，而且它干净得不同寻常，因为这两个模型在其他方面没有任何结构性差异。它们相隔十天发布——d1 于 2026 年 10 月 5 日作为 Liquid AI 的首个决策模型发布，d1-ultra 于 10 月 15 日作为该系列中能力最强的成员发布——而且两者的构建目的完全相同：接收一段由文本、图像或两者共同构成的状态，外加一个或多个带类型的问题，然后通过单次前向传播返回概率，不生成任何输出 token，也没有任何内容需要流式传输。像这样的对比也正是失效模式显现的地方：这一类模型背后有记录的 AI 事故与智能体故障，都收录在OrcaRouter AI Incident Archive中，其中每条记录都带有各自的来源、严重程度、置信度等级和争议标记。

这对组合之所以值得写一篇文章，而不只是作为脚注带过，是因为它们互为替代品，而不是带有中间梯级的阶梯。你不会像使用一个小型和一个大型生成模型那样，先跑 d1，遇到困难情况再回退到 d1-ultra，因为两者都由同一个请求体中的同一个模型字符串控制。切换只需在 JSON 载荷中改一个词。所以问题不在于升级在技术上是否可用——而在于每百万输入 token 多花 0.022 美元，能否为你的特定工作负载带来任何它能感受到的收益，而这可以用 Liquid AI 已公布的数字来回答。

一次操作中，实际有何不同

所披露的差异比价格差距所暗示的要少，而那些缺失的差异与已列出的差异同样重要。

• 价格 — d1-ultra 为每百万输入 token 0.042 美元，而 d1 为 0.02 美元，两者均仅按输入计费、不收取输出费用，且都将图像按每 32×32 像素块 1.5 个 token 折算为文本。

• 主干 — d1-ultra 被描述为构建于“一个更大的开放权重模型，并带有针对 Liquid 的一系列深度定制”之上；而 d1 的发布公告只提到它是为该系列的第一代而构建的，同样没有指明主干模型。

• 语言覆盖范围 — Liquid AI 关于 d1-ultra 的发布文章称支持 44 种语言。d1 则未公布可与之比较的数字。

• 指数排名——据称 d1-ultra 在 Artificial Analysis Decision Index 上至少领先八分；d1 发布时给出的是六项针对 GPT-6.1 Sol 和 Claude Opus 5.5 的真实应用对比，而非指数得分。

• 参数量——两者均未披露。d1-ultra 的上下文窗口也未被供应商说明，仅出现在第三方网关目录中，为 32,768 个 token，我们将其视为未经确认，而非一项规格说明。

• 延迟 — d1 公布的文本决策延迟为 200 至 300 毫秒。d1-ultra 则完全没有公布任何延迟数据。

最后那两处空白才是值得注意的地方。更新、更贵的那款模型，规格表反而更空。你被要求为一个规模、上下文长度和速度都未披露的模型支付 2.1 倍的费率，依据只是一个校准声明和厂商自己报告的一个指数值。

Liquid AI 实际上提出的主张

仔细阅读 d1-ultra 的那篇文章就会发现，它的卖点并不是准确率。而是：对于决策模型来说，仅有准确率是不够的，因为决策模型还会输出概率，而其中大多数概率都过度自信。一个分类器如果输出 0.97，但实际含义是 0.72，就会毁掉基于阈值的流水线，即使它的 top-1 准确率非常出色，因为你在该阈值之上采取的每一个自动化动作，都建立在错误的前提之上。文章称，d1-ultra 的训练目标正是让其概率得到更好的校准——而发布信息报告称，在 112 项不同的评估中，它以相同的价格、更好的校准，在每个任务上都击败了 Jev 1.14。

这是一个与"更智能"截然不同的销售论点，而且它也是这两款产品发布中，外部人士最难自行验证的一项主张。公告中没有任何内容能让你在做出决定之前，用自己的数据检验校准情况。如果你的流水线只取 argmax 而忽略概率，那么校准这套说法对你就毫无意义，d1-ultra 的理由也就只剩下索引差距了。如果你的流水线以概率作为阈值——高于 0.9 自动批准，低于则升级处理——那么校准就是唯一重要的数字，而这个数字你必须自己从带标注的样本中得出。

当翻倍能够回本时

在一个能让费率差异不再只是噪声的量级上把它算清楚。一道审核关卡每篇帖子问一个 noul 问题，每月 500,000 篇帖子，每条大约 400 个输入 token，就是每月 2 亿个输入 token。

• 在 d1 上 — 每月 4.00 美元。在 d1-ultra 上 — 每月 8.40 美元。这四美元的差额不是一笔预算条目；它比工程师花在决策上的那一小时的成本还要小。

• 把同样的门槛也施加到图像输入上，token 数量就会迅速攀升，因为单张 1024×1024 图像就是 1,536 个输入 token，而每个问题都会重新计费其文本及其所有图像。针对同一张照片问五个问题，就要为这张照片付费五次，无论你选择哪个模型，这都是一个值得避免的设计错误。

• 在每月 200 亿输入 token 的情况下——这是一个大规模分类器，而非试点——d1 的成本约为 400 美元，d1-ultra 约为 840 美元。绝对差距如今已真实存在，而对于一个处理量相当于数千万张图像的工作负载来说，它仍然不到一千美元。

这道算术题所必然得出的结论，并不是人们所预期的那一个。对于绝大多数决策类工作负载而言，d1-ultra 与 d1 之间的价格差异太小，不足以成为决定性因素，这意味着决策应当完全基于回答质量来做出。有意思的例外则走向相反的方向：如果你的调用量确实极其庞大，而任务又很简单——对短文本做二值判定，不涉及图像——那你根本就不该在这两者之间做选择，因为开放权重的 d1-3B 能以每次调用零成本完成这项工作。这两者的定价如此接近，以至于真正的问题落在它们之下的那一档。

在哪些情况下，决策模型是错误的工具

两个模型都针对同样的四项任务提供了文档说明：分类与路由、打分与评级、二元门控，以及多模态检查。厂商自己的文档也同样明确地说明了它们不适用于什么——自由形式的生成、多轮对话、摘要、开放式推理、编写代码。没有可供流式输出的输出 token，因此期待返回成篇文字的应用会得到一个错误，而不是一个更差的答案。这一点值得说明，因为忍不住想用决策模型来廉价替代生成式调用，正是流水线最终误用其中一个模型的方式。

较旧模型的已公布证据至少是具体的。在 2026 年 10 月 5 日测试的六个真实应用中，据报告 d1 在其中四个上匹敌或超过 GPT-6.1 Sol，成本低 19 到 200 倍，并且在每项任务上回答都更快。这六个中的一个是对来自四条产线的零件——电路板、蜡烛、腰果和口香糖，基于 VisA 数据集——进行的一次视觉检测运行；在该运行中，模型在没有任何任务特定训练的情况下，以 85% 到 97% 的准确率将良品与次品分开。另一个在上下文压缩过程中移除了 52% 的 token。这些是有明确方法说明的厂商自跑评估，而且它们仍然是厂商自跑的：每个应用每个模型只跑一次，使用不含缓存折扣的标价，而且若干代码和压缩问题是在 d1 的流水线已经固定之后才编写的。把它们当作该类别可行的证据来读，而不是一份可以套用到你自己任务上的记分牌。

升级决策通常如此

从 d1 开始。不是因为它更好——索引中的说法说它并非如此——而是因为每百万输入 token 收费 $0.02、且不收取输出费用，几十万次调用只需几美分，而了解一个决策模型是否适合你的流水线的最快方式，就是把它放到真实流量面前，看看它返回的概率分布。记录概率，而不只是标签。如果它们紧密聚集在极端值附近，并且你的阈值稳定，那你就是在免费获得校准，没有理由花更多钱。

当那个日志中出现某个具体的、有名字的失败时，就迁移到 d1-ultra：棘手的知识问题、视觉上模棱两可的说法、模型返回 0.6 并且是当真的那种情况。这次迁移是在同一端点上更改模型字符串，所以可以是有选择性的——在出现这些失败的路由上使用 d1-ultra，在其他所有地方使用 d1。这才是这个比较诚实的形态。它不是二选一；它是按路由进行的设置，而且定价足够接近，你可以承担得起对它采取精准的外科手术式处理。

有一个值得提前规划的实际小问题。如果你的决策要喂给一个生成步骤——一次回复、一份摘要、一次工具调用——那你维护的是两个供应商关系，而不是一个。OrcaRouter 把后半部分压缩掉了：一个兼容 OpenAI 的密钥，覆盖 200+ 个生成模型，按供应商标价原样传递，0% 加价，因此上游的价格变动当天就会落到你的账单上，而不是等到下一次合同续约，并且跨供应商自动故障转移都隐藏在同一端点之后。把边界说清楚：我们不托管 Liquid AI 的决策模型，所以 d1 或 d1-ultra 调用仍然发往 Liquid AI 自己的 API，而我们承载的是决策下游的一切。

在规模化采用 d1-ultra 之前需要注意什么

有两个数字目前都缺失。第一个是延迟：d1 的 200 到 300 毫秒这一数据并不能说明 d1-ultra 的任何情况，而较新的型号没有公布任何信息，因此任何对延迟敏感的路由都应该先进行金丝雀发布，而不是整体迁移。第二个是一项独立的校准测量。112 项评估的对比和八点指数领先都是 Liquid AI 自己的报告，而该指数数值是通过供应商的公告以及对其的新闻报道进入本文的，而不是来自我们自己能够加载的表格。当有人在公开数据上复现任一模型的可靠性曲线时，2.1 倍的溢价就会成为一项采购决策，而不是一次主观判断。

在那之前，经得起推敲的立场是一种保守的立场。d1 是一个能力不错、价格低廉、且由自家供应商自证的决策模型，其价格让试验几乎免费。d1-ultra 则是一个看似合理的改进，附带一个具体、听起来可核查的说法，背后却是一份异常单薄的规格表。在手头还没有出现故障之前，就为第二个花双倍的钱，是在为一个你尚未观察到的问题购买保险——而在这样的用量下，这与其说是错误，不如说是舍入误差。只是别让这个舍入误差变成架构。