一張生成的標題卡,標題為「Karpo Decision 31B vs Liquid AI D1 Ultra」,副標題為「一個有價格。另一個有故事。」,四枚標籤寫著「每百萬輸入 token $0.042」、「Artificial Analysis v2.1 上 70.58」、「社群排行榜上 73.9」和「Karpo 沒有 Artificial Analysis 條目」,以及兩張外框卡片,由一條細分隔線隔開,分別標示「已定價並提供服務」和「開放權重,無端點」。
Guides & Insights

Karpo Decision 31B 對比 Liquid AI D1 Ultra:一個有價格,另一個有故事

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 Ultra 是本次比較中唯一能讓財務團隊核准的模型。它於 2026 年 10 月 15 日推出,由 Liquid 自家基礎設施提供服務,每百萬輸入 token 收費 0.042 美元,且依設計輸出 token 為零;Artificial Analysis 在 Decision Index v2.1 上給它 70.58 分——在 25 個決策模型中排名第八,落後自家後繼模型 d1.2-ultra 4.3 分,與得分 72.62 的 Drex Max 1.1 大致持平。來自 MachinePulse 的 Karpo Decision 31B 則沒有價格、沒有端點,也沒有 Artificial Analysis 的評測列。它有的是社群 Decision Index 上 73.9 的 Full 分數,由該榜單維護者計算,以及一個已成立兩週、卻無人宣布的 Apache-2.0 儲存庫。

並列來看,這兩個模型描述了決策模型進入組織的兩種方式:一種伴隨著帳單與經測量的數字而來,另一種則伴隨著下載連結與承諾而來。你該關注哪一個,取決於決策層是要在本季進入正式生產環境,還是要對照下一季的預算進行原型開發。

Liquid 實際在賣的數字,以及為什麼它是不會產生幻覺的那一個

A generated two-column scoreboard titled 'Karpo Decision 31B vs Liquid AI D1 Ultra — the scoreboard'. The Karpo column reads 'Score: 73.9 Decision Index', 'Price: none published', 'Cost per million tasks: self-hosted only', 'Latency: 94 ms per request', 'Non-hallucination: not reported' and 'Licence: Apache-2.0'; the D1 Ultra column reads 'Score: 70.58 Artificial Analysis', 'Price: $0.042 per million input', 'Cost per million tasks: $133', 'Latency: 301 ms per task', 'Non-hallucination: 88.6' and 'Licence: not open, API only'. The footer reads 'Karpo figures per the Decision Index; D1 Ultra figures per Artificial Analysis v2.1.'A capture of the Artificial Analysis Decision Index v2.1 page showing the six weighted evaluations — AA-Paperclip at 30%, EvalSafe-O*NET-AA at 15%, When2Call at 10%, AA-Omniscience-Decision at 15%, HLE-MultiChoice at 15% and AA-Symmetry at 15% — the methodology note that all evaluations are conducted independently by Artificial Analysis, the 'Update Oct 30, 2026' stamp, and the worked example of a support-ticket state scored by a decision model.

D1 Ultra 的頭條是十月的第一名宣稱,而公布的排行榜並不支持這個說法,且該論點已在別處提出。現在值得了解的是它與前代之間有何改變,因為 AA 的資料清楚顯示了這一點。

Liquid AI d1 原始版在 AA 知識評估的非幻覺率上得分 3.3。這幾乎是整個榜單的墊底——這是一個在不知道時會捏造內容的模型。D1 Ultra 在同一指標上得分 88.6。在選擇題知識測驗中,它從 5.6 提升到 56.9。這一提升幾乎並非來自答對更多題目:在 AA-Omniscience 上的原始準確率實際上從 39.8% 下降到 28.0%。這個模型是靠學會拒答而變好的。

這不是什麼花招。對決策層而言,這是最有價值的行為,因為拒答會轉接給真人,而自信捏造的回答則會轉到客戶面前。但這也重新界定了這個指數究竟在獎勵什麼。D1 Ultra 的 70.58 分基本上是在為棄答打分,而同一張榜單也顯示了代價:在 HLE-MultiChoice 上,原始準確率為 6.09%,是所列 25 個模型中最低的數字之一。

後繼者 d1.2-ultra 在同一個方向上走得更遠,也更進一步超越了它——在僅有 23.6% 原始準確率的情況下達到 83.8 非幻覺率,指數為 74.85,並登上榜首。Liquid 一直全力優化同一條軸線,而那條軸線是誠實,而非知識。

Karpo 的側臉朝相反方向延伸之處

Karpo 的數字來自不同的工具,所以不能從 Liquid 的數字中減去。它們所能做的,是呈現出不同的形狀。

在 Decision Index 的五個類別中,Karpo 最強的領域是工具與自動化,經機率校正的技能分數為 88.4;最弱的則是知識與推理,分數為 65.5。其追蹤器記錄的校準誤差為 4.8 分。卡片也報告在參考硬體上的中位延遲為 94 毫秒,相較之下,D1 Ultra 在 AA 的測量中每項任務為 301 毫秒——兩者測量方式不同,一個是每次請求,一個是每項任務,因此僅供方向性參考。

把這兩份側寫放在一起讀,就會浮現一個一致的差異:Karpo 是朝向行動調校的模型——工具選擇、路由、頁面互動,以及代理在每一步做出的細微決策——而 D1 Ultra 及其後繼者則是朝向拒答調校。一個會拒答 72% 知識問題的模型,是糟糕的工具選擇引擎,因為工具選擇不是你可以棄權不答的問題。一個在工具路由上正確回答 88%、但在知識上只有 65% 的模型,則是糟糕的知識引擎。

那才是真正的對決,而且這場對決取決於預期用途,而非分數。MachinePulse 在模型卡中的表述也說明了這一點:該模型是用於代理在步驟之間所做的決策,包括要呼叫工具還是先詢問、要點擊哪個元素。Liquid 十月的發布版本,尤其是其十一月的後繼版本,則是用來判斷某項主張是否有依據。

成本比較,附帶注意事項

• Liquid AI D1 Ultra — 每百萬輸入 token 0.042 美元,由於未生成任何內容,因此不收輸出費用;在 AA 的文件集上,每百萬項任務 133 美元,每項任務中位數 301 毫秒。

• Karpo Decision 31B — 未公布價格。僅提供自架部署:62.5 GB 的 bf16 權重、單一 GPU,在追蹤器的參考硬體上,每筆請求的中位數為 94 毫秒。

• Drex Max 1.1,作為規模參照——每百萬輸入 token 0.03 美元,此為 AA 標示為臨時性的首發價格;每百萬項任務 102.7 美元。

• 沒有人公開的比較——在租用的 GPU 上執行一個 62.5 GB 的常駐模型,無論你送出一個請求還是一萬個請求,成本都是那張 GPU 每小時的費用。在少量情況下,這遠高於每百萬個任務 $133;在持續大量的情況下則會反轉。

每項任務的數字才是編列預算的依據,因為它納入了每個模型回答同一份文件時消耗多少 token,而一個會反覆重讀自身狀態的模型,每次決策的成本會高於其每 token 費率所暗示的水準。D1 Ultra 的 133 美元是這裡列出的三款 Liquid 模型中最高的,也比 Drex Max 1.1 的上市價格高 30 美元。它不是便宜的決策層,而它所取代的模型價格是 63.4 美元。

託管方案真正勝出的地方,在於低階需求。如果你每天只需要為一百次請求提供決策模型,為 Karpo 配置 62.5 GB 記憶體並不是認真可行的選項,而按定價呼叫已提供服務的端點才是。我們的產品目錄直接反映供應商定價,不加任何加成,因此 Liquid 的降價會在宣布當天生效,而決策模型也能用同一把金鑰與堆疊其餘部分並存,不必另立第二份合約。這不是主張以 D1 Ultra 取代 Karpo 的理由;而是主張不要為了搞清楚自己需不需要 GPU,就先買一張。

D1 Ultra 能告訴你、但 Karpo 無法告訴你的事

三件事,全都是你在第二個月才會發現的那種事。

第一項是信心階梯。AA 會為它評分的每個模型公布各分桶的校準結果,而 D1 Ultra 的結果清楚可讀:在 0.96 以上的信心分桶中,它在對稱性評估上有 97.1% 的時候是對的。這告訴你,0.95 的門檻大致如宣稱般運作,而這是一項你可以據此建立審查佇列的主張。Karpo 的卡片只給出一個彙總數字——4.8 點的校準誤差——而沒有各分桶曲線。你可以自行產出一條,而且你將不得不這麼做。

第二個是不變性。AA-Symmetry 在 440 個變體中重排選項、交換標籤,並將是/否問題反轉,而 D1 Ultra 得分 78.7,全通過率為 45.8%。一個決策模型若在你把選項按字母排序後就給出不同答案,那它不是決策模型,而是一枚多繞了幾道手續的硬幣。Karpo 的模型卡並未回報不變性結果,而且由於其讀出機制是對固定位置的選項代碼評分,而非選項文字,這正是部署前值得驗證的性質。

AA 回報 D1 Ultra 在知識集上的非幻覺率為 88.6,這表示棄答路徑有被實際觸發並量測。Karpo 只在長度上拒絕——140,178 次請求中有九次,全部都是超長——而其卡片完全沒把棄答說成一種決策。Karpo 是否會拒絕回答它無法回答的問題,或是因為讀出結果總會挑選某個選項而選擇最不壞的選項,這點並無文件說明。限制章節只說它「總是挑選給定選項之一」。

最後那句話是兩份模型卡中最重要的一句。一個在結構上無法棄權的決策模型,需要在每個選項清單中提供「沒有把握的答案」選項,或在機率上設下閾值,或兩者兼具。D1 Ultra 的設計者選擇了另一種架構:它可以拒答,而且經常拒答。

牌照,這是 Karpo 唯一徹底勝出的一環

Karpo Decision 31B 採用 Apache-2.0 授權,涵蓋權重與程式碼,並同時附上 Gemma 4 的授權條款。下載它、執行它、修改它、發布衍生作品,無需與律師討論。

Liquid 的模型並非開源。沒有權重、沒有自架選項、無法用自己的流量微調,也沒有氣隙部署。API 就是產品。對於處理受監管文件的內部分類流程而言,這會成為採購上的阻礙,而 62.5 GB 的檢查點則不會。

所以這項取捨很鮮明,而且無關分數:Karpo 只給你控制權,別無其他;Liquid 則給你一個經過量測的產品,卻拿走了權重。有合規要求的團隊,不論出多少錢都不能選 D1 Ultra。只有三週期限的團隊,不論投入多少心力都不能選 Karpo,因為沒有可呼叫的端點。

本月待辦事項

如果決策層要進入生產環境,而輸入是文件,那麼儘管價格偏高、原始知識準確率偏低,D1 Ultra 仍是站得住腳的選擇,因為它有經過量測、提供服務且定價明確,而它的棄答行為正是你真正想要的特性。如果你現在就要採購,反而應關注 d1.2-ultra——它屬於同一產品線,在同一張評分表上高出四分,而且同樣附帶一個但書:其分數中有很大一部分來自棄答,而非知識。

如果輸入是頁面、截圖或工具呼叫,而你有 GPU,那麼 Karpo 是更有趣的模型,授權也更寬鬆,而它在工具路由上的 88.4 技能分數,就是你要拿自己的流量來測試的數字。你要知道:你是第一個在真正重要的事情上衡量它的人——沒有 AA 列、沒有價格、沒有公告,而且廠商的產品頁目前還會回傳 404。

值得命名的中間路線確實存在,因為這正是多數團隊最後採行的做法:在生產環境跑託管模型,離線用同一批請求跑開放模型,然後比較「自信但錯誤」的比率,而不是只看總體指標。這樣比較的前提,是兩個模型都能用同一組憑證呼叫,而且定價透明;我們的目錄正是為了促成這件事而存在——一個上線服務的決策模型,以及這些微調所依據的開放基礎模型,用同一把金鑰、依供應商牌價提供。如果 Karpo 在下個月取得端點或向 AA 提交結果,現在該關注的就是那項變更的延遲;如果沒有,73.9 仍會是社群看板上一個有趣的數字,而 D1 Ultra 仍是那個有憑據的模型。

A capture of the Hugging Face model card for MachinePulseAI/karpo-decision-31B showing the Text Classification tag, the gemma4 image-text-to-text tag, the apache-2.0 licence, the line 'Ranked #1 on the Decision Index, with the highest Full score, 73.9', the description of a multimodal decision model that returns a probability for every option of every question in one forward pass without generating text, 'Fine-tuned from google/gemma-4-31B', 'Parameters: 31.3B in bf16, plus a 255 x 5,376 readout in fp32', the screenshot input at state.viewport_screenshot, and the base-model link to google/gemma-4-31B.