
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
- Orca新OrcaCyber: Hy4 Flash Abliterated / Uncensored2026-11-18$0.07 / $0.28 每百萬 tokens · 187 tok/s
- openai新OpenAI: GPT-6.2 Astra2026-11-17$8.00 / $40.00 每百萬 tokens · 80 tok/s
- openai新OpenAI: GPT-6.2 Sol2026-11-17$2.00 / $10.00 每百萬 tokens · 155 tok/s
- tencent新Tencent: Hy4 Flash2026-11-16$0.02 / $0.07 每百萬 tokens · 196 tok/s
- Alibaba新Qwen: Qwen4 Max2026-11-16$1.50 / $4.50 每百萬 tokens · 85 tok/s
- Google新Google: Gemini 4 Carbon2026-11-10$2.00 / $10.00 每百萬 tokens · 705 tok/s
- Anthropic新Anthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 每百萬 tokens · 246 tok/s
- OrcaOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 每百萬 tokens · 97 tok/s
- OrcaOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 每百萬 tokens · 139 tok/s
- OrcaOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$2.00 / $5.00 每百萬 tokens · 84 tok/s
- tencentTencent: Hy42026-11-04$0.83 / $2.50 每百萬 tokens · 122 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 每百萬 tokens · 102 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 每百萬 tokens · 69 tok/s
- openaiOpenAI: GPT-6.1 Terra2026-10-26$1.00 / $5.00 每百萬 tokens · 35 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 每百萬 tokens · 89 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 每百萬 tokens · 38 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447智能
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 每百萬 tokens · 230 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929智能
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 每百萬 tokens · 101 tok/s
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

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

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?

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。
