一張生成的標題卡,標題為「價格相同,相隔一個世代」,副標題為「Liquid AI d1.2 對上 Liquid AI D1」。一條單一的長水平長條由左至右上升,左端標示為「D1 61」,右端標示為「d1.2 69」。三個外框標籤寫著「同樣每 100 萬個輸入 token $0.02」、「相同的 systemone 端點」和「全部六個元件皆已改善」,而一行說明文字寫著「仍有兩列準確度資料屬於較舊的模型」。OrcaRouter 標誌合成於右下角。
Guides & Insights

d1.2 對比 Liquid AI D1:同樣是 $0.02,六個元件勝出,但有兩列準確度卻退步了

作者

jinhao.song

發佈日期

最新模型 · 20查看全部模型 →
基準測試:Artificial Analysis · 每日更新
返回全部文章

Liquid AI d1.2 與 Liquid AI D1 的定價相同——每百萬輸入 token 0.02 美元,僅輸入計費、輸出 token 不計費——位於同一端點,回答相同的三種題型。兩者相隔兩個世代:D1 是該系列首款決策模型,Artificial Analysis 將其列為 2026 年 9 月發布;d1.2 則於 2026 年 11 月 16 日推出,中間還有 d1.1。比較通常取決的一切——價格、合約、用戶端程式碼、部署形態——全都相同。剩下的就是模型本身,而就模型而言,結果雖明顯偏向一方,卻並非毫無例外:d1.2 在 Decision Index v2.1 的全部六項評估中勝出,總體領先 7.9 分,而 D1 仍在這些評估底下的原始準確率列中贏得兩項。

那兩行正是這篇值得細讀而非略讀的原因。兩者都位於知識軸上,而且都是那項讓 d1.2 在其他各方面變得更好的變更所帶來的直接代價——它拒絕的頻率高得多。這項比較是一個範本,說明當你檢查子行後,「嚴格更好」的升級會是什麼樣子:大幅的綜合增益、真正的行為改善,以及一個小而可預測的地方,新模型在此有所犧牲。

這兩排,並排

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.

這兩個模型都由 Artificial Analysis 在同一份、同一版本的排行榜上評分,這消除了將廠商提供的數字與獨立數字相比時常見的風險。這裡的兩個數字都不是來自 Liquid。

• 決策指數 v2.1 — d1.2 為 68.69(25 個中的第 9)對上 D1 的 60.78(25 個中的第 21)。現在有十一個模型將兩者隔開,而且差距大到任何合理的重跑都無法縮小。

• 每百萬輸入 token 價格 — 兩者皆為 $0.02。歷經兩代維持不變。

• 每百萬項任務的模型計算成本——兩者皆為 63 美元,這在詞元價格相同、每項任務詞元數量相近的情況下符合預期。兩者都沒有比較便宜;排行榜將兩者並列第三。

• 每項任務時間 —— 150 毫秒 vs 151 毫秒。實際上完全相同,而且兩者都比 206 毫秒的類別中位數更快。

• 上下文視窗 — 兩者皆為 66k 個 token,如排行榜所列。Liquid 自己的貼文並未說明兩者的視窗,因此這是第三方解讀,而非廠商規格。

• Brier 分數,越低越好——0.164 對 0.196。所選答案所附的機率提升了 0.032,且無需付出任何代價。

最後一列才是值得停下來細想的那一列。d1.2 不只是更常答對;它對自身答案所附加的信心更接近真相,而這正是讓閾值管線得以運作的特性。而且這是免費得來的。

六個元件,以及每個間隙的大小

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.

這個綜合數字掩蓋了一組極不平均的變化,而其中兩項其實與準確性無關。

• AA-Paperclip,文件判定 — d1.2 為 62.60,對比 54.92;文件完全正確的比例為 44.3%,對比 25.7%。那個全部通過的列是本次發布中這一對最大的單一改善:一張有十五個欄位的發票即使十四個欄位正確,在任一模型下仍算未命中,而 d1.2 把四分之一的文件變成接近一半。

• When2Call、工具決策——96.09 對 81.59,準確率 95.5% 對 77.9%。就是這一點改變了這個模型能被用於什麼。D1 在 77.9% 時,是你會安排在人工把關後面的分類器;d1.2 在 95.5% 時,是你會放手讓它進行路由的分類器。

• AA-對稱性、不變性——76.52 對 58.67,其中 50.0% 全數通過對 32.5%。改寫題目、重排選項、把是/否題改成否定句:舊模型的答案會變動,新模型的答案大多不會。

• EvalSafe-O*NET-AA,職場判斷 — 86.55 對 84.21,以及 79.7% 準確率對 76.3%。這是榜上最小的差距,並非單獨遷移的理由。

• AA-Omniscience-Decision v1.1,知識 — 60.94 對 58.31。將近三分,而底下那些子列才是有趣的部分。

• HLE-MultiChoice v1.1,難題 — 44.69 對 39.80,準確率 5.30% 對 11.79%。新模型答對的難題較少,分數卻仍高出五分,因為該指數評估的是機率,而不只是所選答案。

「棄權」的故事才是真正的升級。

請一起看這些非幻覺列,因為它們描述的是一個改變了特性、而非準確度的模型。

• AA-Omniscience-Decision 非幻覺 — d1.2 66.6%,D1 3.3%。D1 正確回答了這些問題中的 39.8%,且幾乎從未拒答;d1.2 正確回答 30.0%,拒答次數則多出許多。

• HLE-MultiChoice 非幻覺 — 53.9% 對 5.6%,在 D1 原始準確率高出兩倍的基準測試中。

• AA-Symmetry 全通過 — 50.0% 對 32.5%,這是透過一致性而非拒絕所看到的相同轉變。

D1 是該系列的第一個模型,而它的表現也像初代模型:被問到無法回答的問題時,它仍會產生答案。3.3% 的非幻覺率意味著,在每 100 個正確回應應為棄答的知識問題中,約有 97 個它並沒有棄答。如果你的流程會把低信心案例送交人工審查,這項特性就決定了這個把關機制是否有效;一個從不說「我不知道」的模型,讓你沒有可用來設定閾值的依據,而它的 0.9 機率也比 d1.2 的 0.9 機率更沒有意義。

這個注意事項是對稱的,值得說明:d1.2 答對的困難問題較少。如果你的任務是一個有明確答案且沒有棄答途徑的知識問題——這項主張是否符合政策、這段程式碼是否符合規格——你就是在用準確性換取誠實,而這種取捨未必沒有代價。

新模型能回答哪些舊模型無法回答的問題

d1.2 新增了五種答案類型與音訊輸入。D1 完全沒有這些功能,再多的提示也無法彌補這個落差,因為回應契約中沒有可用於跨度位置或邊界框的欄位。

• 一個值,加上讀取該值時所依據的字元,或「找不到」——這項擷取基礎機制可免除每個欄位再進行一次生成式處理。

• 每一類帶有位置的片段——姓名、電話號碼、電子郵件地址——作為一種遮蔽原語,而非摘要提示。

• 用方框圈出單一物件,或圈出每一個實例並附上數量。

• 附有範圍的估算。

• 每個適用選項都各自有其機率,而非只有一個勝出者。

音訊可雙向運作:錄音可以是主體,也可以是提問。所有這些準確率數字都是 Liquid 的,來自以公開資料集留出切分建立的內部測試集,因為沒有公開基準涵蓋這些新任務——d1.2-ultra 與 d1.2 從收據讀取數值分別為 98% 與 96%,在個人資料片段上為 94%/93% 對 92%/88%,在物件定位上兩者皆為 94%。請將這些視為廠商自我評估;董事會對此沒有任何一列資料。

還有一項計費細節。在 {{1}}D1{{/1}} 下,每個問題都各自作為一則提示計費,並包含所有附加圖片;在 {{2}}d1.2{{/2}} 下,一次請求的文字與圖片只計費一次,而每個額外問題只增加其自身的文字。就一張 1024×1024 的照片——1,536 個圖像 token——提出十個問題,舊規則會收取約 15,360 個圖像 token;新規則則收取 1,536 個。在相同的 $0.02 下,多問題模式在 d1.2 上便宜好幾倍,而節省來自計費規則,而非費率。

當你改動字串時,哪些地方會出問題?

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.

比您預期的還少,而且例外狀況值得一測,而非擔憂。端點仍為 api.liquid.ai/decisions/v1/systemone,模型字串改為 d1.2,而三種原始問題類型維持其請求和回應格式。送出一個值、一個選擇與一個分數的用戶端,會取回相同的 JSON。

在切換生產路徑之前,請對照你自己的樣本檢查三件事:

• 解析「找不到」。新的答案類型可以回傳明確的缺席,而假設值必定非空的解析器會因此出錯。這是一項功能,但在嚴格結構描述中屬於破壞性變更。

• 閾值的設定。機率如今代表不同的意義。d1.2 上的 0.8 是比 D1 上的 0.8 更可靠的 0.8,因此針對舊模型過度自信所調校的閾值,在替換後會較少觸發。請重新調校,而不要直接沿用。

• 知識切片。如果你工作量有一部分是事實判斷而非文件閱讀,就單獨衡量那個切片。這正是新模型較高的拒答率可能讓你損失覆蓋率的地方,而儀表板的準確率列也明白指出了這一點。

誰應該遷移,而誰應該先進行衡量?

若工作負載是抽取、路由、工具選擇或對一致性敏感的分類,直接遷移即可,無需繁文縟節。每個已公布的資料列都偏向 d1.2,價格不變,而且不變性與工具呼叫的差距大到重跑不太可能扭轉。

先衡量工作負載是否屬於大量知識判斷,或管線是否設有手動調校的機率閾值。這兩者都不是繼續留在 D1 的理由——但兩者都是把數千個真實狀態跑過兩個模型、比較機率而非標籤的理由。

先講存取權,因為遷移問題通常會變成採購問題。D1 和 d1.2 都位於 Liquid 的 API 上;兩者都不在我們的目錄中,且這裡沒有任何內容構成可用性聲明。我們目錄中該納入這項測試的模型是 Jev 1.14,它在 EvalSafe-O*NET-AA 上達到 91.14,而 d1.2 止於 86.55,具備相同的 systemone 形態,且每百萬輸入 token 收費 $0.042。把三者放在相同的狀態下,路由 DSL就會一次寫定分流——依問題類型,而非依服務——並以 0% 加成原樣傳遞供應商定價,因此你看見的 $0.02 報價,就是你實際支付的 $0.02。自動容錯移轉能讓兩天前才發布的模型,只承接即時工作負載的一條通道,而不是全部。

這就是完整的比較。價格相同、合約相同、端點相同,兩者之間隔了一代的工作量,而且有六項綜合勝出,對上舊模型仍保有的兩項準確度列——這兩項都落在知識軸上,而 d1.2 的拒答正是讓它在這裡吃虧的原因。如果你的工作負載是擷取、路由或分類,你在意的每一列都朝正確方向移動了。如果是沒有審核者把關的事實判斷,先跑影子比較,讓你自身狀態上的數字來決定。