一張生成的標題卡,標題為「音訊輸入,方框輸出,附上證據」,副標題為「Liquid AI d1.2 與 d1.2-ultra - 2026 年 11 月 16 日發布」。三張圓角卡片分別寫著「75」搭配「25 個決策模型中的第 1 名」、「$0.02」搭配「每 100 萬個輸入 token」,以及「5」搭配「新答案類型」;下方三個外框標籤分別寫著「讀取一個值」、「定位物件」和「所有適用選項」。OrcaRouter 標誌合成於右下角。
Guides & Insights

Liquid AI d1.2 搭載音訊輸入與邊界框輸出——而便宜的那款模型才是有趣的。

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 d1.2-ultra 於 2026 年 11 月 16 日在廠商 API 上線,而最受矚目的數字屬於價格較高的版本:d1.2-ultra 在 Artificial Analysis Decision Index v2.1 上得分 75,在該排行榜所排名的 25 個決策模型中位居第一。更具關鍵影響的變化在請求主體,而非排行榜。兩款模型現在都能回傳前一代無法表達的答案——一個數值,外加讀取該數值所依據的字元、一份帶有位置的片段清單、一個邊界框、一個附帶範圍的計數、一組各自帶有機率的選項——而且兩者都接受音訊,無論音訊是被詢問的對象,還是問題本身。

這是一種有別於準確度提升的發布。決策模型過去只回傳一個標籤和一個機率,這意味著任何需要標籤背後證據的管線,都必須額外接上第二個模型才能取得。d1.2 在一次前向傳遞中連同證據一併回答,每百萬個輸入 token 收費 $0.02。d1.2-ultra 以 $0.042 做到同樣的事。兩者都不產生輸出 token,因此仍然沒有可串流的內容:這些是你呼叫後會取回結構化物件的模型。

目前兩者都已在 Liquid 自家的 API 上線,除此之外,廠商不證實其他任何地方有提供。以下內容會區分 Liquid 所回報的數據與 Artificial Analysis 實測的數據,因為在本次發布中,這兩者並不是同一組數字,而這個差異很重要。

實際出貨了什麼,逐項說明

這五種新答案類型是附加式的。端點維持不變,三種原始題型維持不變,而用戶端若送出與昨天相同的 JSON,就會得到相同結構的回應。

• 讀取一個值 — 詢問發票上應付多少金額,並取得該數字以及讀取來源的字元;若欄位不存在,則取得字串 "not found"。這是最能減少膠水程式碼的一項,因為常見的變通做法是再進行一次生成式呼叫來重新讀取頁面。

• 找出某一類型的每一個範圍——筆記中的每個姓名、電話號碼和電子郵件地址,以及它們在文字中的位置。這是一項遮蔽基元,也是這個系列首次提供這樣的功能。

• 在圖片中定位物件——在掃描表單上的簽名周圍畫一個框,或在物件的每一個出現位置周圍各畫一個框並附上數量。「未找到」是一個可用的答案,這比聽起來更重要:一個必須總是回傳框的物件偵測器會憑空捏造一個。

• 以範圍來估算數字——照片中有十二個人,合理範圍是十到十四人。範圍是輸出中誠實的部分,也是多數團隊原本必須自行校準的部分。

• 請選取所有適用選項——帳單與配送各自有對應的機率,而不是只有單一勝出者。多標籤分類過去是藉由對每個標籤各問一次相同問題,並每次都要為狀態付費來模擬。

音訊會以雙向傳入。錄音本身可以是被辨識的對象——說的是哪種語言、背景有沒有警笛——或者問題可以用口說而非打字。Liquid 在 ESC-50 與 FLEURS 的留出錄音上報告 95% 到 97% 的準確率,每個問題有三到六個選項,而且混合了西班牙語對葡萄牙語這類容易混淆的組合。

有一項計費變更隨之而來,而且很容易被忽略。現在,一次請求中的文字與圖片只會計費一次,而每個額外問題只會增加該問題本身的文字費用。在上一代中,每個問題都會重新計費完整的提示內容,包括每一張附加圖片,因此對同一張照片提出十個問題,就要為那張照片付十次費用。

董事會,以及第一名是在什麼之中排名第一

A generated two-column scoreboard titled ‘d1.2 vs d1.2-ultra - the scoreboard’. The d1.2 column lists Decision Index 69, #9 of 25; AA-Paperclip 62.6, 44.3% all-pass; AA-Symmetry 76.5; When2Call 96.1; HLE accuracy 5.30%; cost per 1M tasks $63. The d1.2-ultra column lists Decision Index 75, #1 of 25; AA-Paperclip 75.8, 67.7% all-pass; AA-Symmetry 86.3; When2Call 96.5; HLE accuracy 2.36%; cost per 1M tasks $133. The footer reads ‘All scores per Artificial Analysis Decision Index v2.1; the five new answer types are vendor-reported and not on the board.’ The OrcaRouter mark is composited bottom right.

Artificial Analysis 已讓兩款新模型在 Decision Index v2.1 上獲得評分,而且這些數字並非廠商自行回報:該排行榜自行執行評測,採用相同的六項評估,並以目前定價計算。{{1}}d1.2-ultra{{/1}} 以 74.85 在 25 個決策模型中排名第一,領先最接近的決策模型競爭對手 {{2}}Drex Max v1.1{{/2}} 的 72.62 達 2.2 分。{{3}}d1.2{{/3}} 以 68.69 在 25 個中排名第九,高於同類中位數 66。

值得謹記的但書是,「第一」是有範圍限定的。同一份排行榜也用同一套評測工具為兩個通用語言模型評分,而兩者都徹底擊敗 d1.2-ultra:Claude Haiku 5.5 (Max) 為 76.49,GPT-6 Luna (Max) 為 75.67。兩者都不是決策模型,而且這項比較的代價極為高昂——每百萬項任務分別為 6,218 美元與 1,548 美元,對比之下為 133 美元——但拿掉「決策」二字的「Decision Index 第一名」,並不是排行榜所呈現的結果。

排行榜獨立佐證的,正是校準這件事。這個指數的決策分數會減去所選答案所附機率的 Brier 分數,因此答對但過度自信的模型會受到懲罰。d1.2-ultra 的 Brier 為 0.150,d1.2 為 0.164,而它們所取代的模型 d1-ultra 為 0.176。較便宜的新模型儘管總體得分低 1.9 分,校準卻比舊旗艦更好;這種分歧只有在其他人跑測試框架時才會顯現。

時間與成本共同補全了全貌,但兩者走向相反。d1.2 每項任務執行時間為 150 毫秒,在排行榜上排名第八快,略低於 206 毫秒的中位數。d1.2-ultra 的執行時間為 218 毫秒,慢於中位數,排名第 15。就每百萬項任務的成本而言,排行榜將 d1.2 列為 63 美元,在 25 個中第三便宜;d1.2-ultra 則為 133 美元,排名第 11,而中位數為 137 美元。

新任務的數字,以及這些數字是誰產生的

A headless-browser screenshot of Liquid AI's own release post, captured 18 November 2026 in English, headed ‘d1.2: State-of-the-Art Omnimodal Decision Models’ and dated Nov 16, 2026. The opening paragraph announces d1.2 and d1.2-ultra with audio input and five new tasks, states that d1.2-ultra ranks first among decision models on the Artificial Analysis Decision Index v2.1, and gives $0.02 per million input tokens for d1.2 against $0.042 for d1.2-ultra. A row of task tiles beneath reads ‘Read a value’, ‘Find every passage of a kind’ and ‘Locate things in a picture’.

目前尚無任何公開基準測試涵蓋這五種新答案類型中的任何一種,因此它們的每一項準確率數字都來自 Liquid 自家的內部測試集,而這些測試集是從公開資料集的留出分割所建立。它們是廠商針對自家模型、在其自行選擇的資料上所做的評估,應該就照這個意義來解讀。

• 從收據讀取數值,在 CORD 與 SROIE 上——d1.2-ultra 為 98%,d1.2 為 96%。當讀取能找到目標,或正確表示目標不存在時,即計為正確,這使「未找到」的情況成為評分的一部分,而非免費過關。

• 個人資料片段,在 Nemotron PII 上——ultra 達到 94% 的精確率與 93% 的召回率,d1.2 則為 92% 與 88%。這五個百分點的召回率差距,是兩個模型在五項任務中任何一項上最大的落差,而這對遮蔽作業而言正是最要緊的一項:漏掉一個片段,就是會讓你挨罰的失誤。

• 物件定位,在 RefCOCO 系列上——兩者皆為 94%。完全沒有區別。

• 在 COCO 上,計數誤差在 1 以內 — ultra 為 93%,d1.2 為 92%。

• 在 COCO 上挑出所有存在的物件——ultra 為 87%,d1.2 為 90%,這是便宜模型唯一勝出的一列。

所以付費版在讀取數值與 span 回溯上有明顯增益,但在空間任務上幾乎沒有幫助。如果你的用途是框選,那就該先測試每百萬 token 0.02 美元的模型。

音訊,以及那張尚未跟上腳步的規格表

音訊是公告與獨立紀錄之間落差最大的主張。Liquid 的文章將音訊輸入描述為兩款模型的招牌能力;Artificial Analysis 對這兩款模型的技術規格仍將輸入模態列為文字與圖像,而該指數也沒有音訊評估,因此排行榜上沒有任何項目檢驗這項主張。這並不矛盾——排行榜只是還沒做到那裡——但這確實意味著音訊能力目前只是廠商說法,背後沒有第三方查核。

同樣的警告也適用於五種新的答案類型:這個指數完全沒有衡量它們。一個模型可能在排行榜上名列第一,卻在你實際想用它來做的事情上沒有被衡量。

廠商的校準表值得從另一個角度閱讀。在 13 項基準測試與全部五個模型共回答的 22,505 個問題中,Liquid 將 d1.2-ultra 的校準誤差列為 0.8 點、d1.2 為 1.2 點,並將 2.7 點歸給 Jev 1.14、Perplexity 的 Decider v1.3 為 3.7 點,而 GPT-6 Luna 在其 Decisions 端點上為 7.2 點。這些是廠商在其自行選定的問題集上跑出的數字。評測委員會的 Brier 分數在同樣這兩個模型上指向相同方向,這是本週所能取得最接近第二意見的佐證。

對照看板檢查成本句子

A headless-browser screenshot of the Artificial Analysis d1.2 model page, captured 18 November 2026 in English. The summary panel reads ‘d1.2 is above average on the Decision Index and well priced’, gives a Decision Index score of 69 against a median of 66, 150 ms per task against a median of 206 ms, $0.02 per 1M input tokens, and about $63 per 1M tasks to run the index against a median of $137. The technical specification block lists text and image input and a 66k-token context window.

Liquid 提出了一個異常可證偽的主張:沒有模型能以更低的價格獲得比 d1.2 更高的分數,也沒有模型能在任何價格下獲得比 d1.2-ultra 更高的分數。這兩個部分都在排行榜上站得住腳,並帶有與先前相同的範圍限定說明。

• 後半部分在決策模型中幾乎顯然成立——在 25 個模型的排行榜上,其他模型根本沒有任何一個得分高於 74.85。只有在納入兩個通用語言模型時才會不成立,而它們每百萬項任務的成本高出 12 到 47 倍。

• 在決策排行榜上,前半段成立:每個分數高於 d1.2 的 68.69 的決策模型,每百萬項任務的成本都更高。最接近的便宜挑戰者是 Perplexity 的 Decider v1.3,分數 70.41、價格 68 美元;也就是每百萬項任務多花五美元,換取不到兩個指數點——這是排行榜最接近反例的一次,但仍站在 Liquid 那句話的正確一側。

• 這些成本數字由 Artificial Analysis 自行計算,採用目前定價並以指數權重平均得出。它們是每項任務的模型化成本,並非帳單;若供應商調整價格,這些數字也會隨之變動。

最後這一點,正是路由層證明自身價值、而非自我宣傳的地方。本次版本變更了 Liquid 的計費規則,讓便宜模型相較舊旗艦的實際價格減半,而且兩天前就完成了。在我們這邊,供應商定價會以 0% 加成直接傳遞,因此廠商降價當天就會反映在這裡,而不是等到下一次合約續約——本文中的 $0.02 和 $0.042 是廠商的數字,不是對它們加價後的重新表述。

本週該做什麼——如果你已經在運行決策模型

這篇文章完全不是在宣布可用性:兩款新模型都已登上 Liquid 的 API,且都尚未進入我們的型錄。之所以還提到我們的模型,是因為這次發布屬於決策模型發布,而我們實際提供服務的決策模型是 Jev 1.14——它是榜單上唯一在單一元件上勝過 d1.2-ultra 的項目,EvalSafe-O*NET-AA 為 91.14 對 89.53,且在相同的 systemone 請求形態下,每百萬輸入 token 收費 $0.042。無論你對五種新答案類型得出什麼結論,安全與職場這一切片已有現任者可讓你今天就用來做基準比較。

在 Liquid 承諾的第三方平台真正出現之前,說得通的做法是先做一次影子運行。把你管線已經看到的狀態同時送進兩個 d1.2 模型,比較機率而非 top-1 標籤,並特別檢視模型給出 0.8 卻答錯的那些案例。那個尾部正是前一代最弱的地方,也是這次版本宣稱已修復、而指標只能部分證實的唯一一點。

自動容錯移轉是嘗試一個才推出兩天的模型、又不必把正式生產路徑押在它身上的另一半做法:將一部分流量導向 d1.2-ultra,讓現役模型留在它後面作為後備,並讓某家供應商的一個糟糕下午只會拉低回答率,而不是讓整條管線停擺。這比等待別人的基準測試,更能便宜地驗證 75 是否為真。

真正的問題不是這些模型有沒有推出——它們確實推出了,還附有價格與端點——而是這五種新答案類型在 Liquid 自家的留出切分之外是否站得住腳。目前還沒有人針對其中任何一種發表過獨立數字,而在有人做到之前,誠實的立場是:這次發布在完全出自廠商自身的證據上,新增了一份確實有用的輸出契約。