Liquid AI d1-ultra：新的決策指數領先者，被訓練成會質疑自己

Liquid AI d1-ultra 已於 2026 年 10 月 15 日推出，而它最耐人尋味的一點，是一個沒有人引用的數字：在 Artificial Analysis 的決策指數（Decision Index）上，它所取代的模型在「不產生幻覺」項目上得分為 2。在同一份榜單上，Liquid AI d1 是回答知識問題時最準確的單一決策模型——卻也是同級之中最不善於辨識自己無法回答哪些問題的模型。Liquid AI d1-ultra 正是該廠商對此的回應，而它發布時附帶了一項第一名的主張：它在決策指數上領先其他所有決策模型至少八分，包括目前高居該榜榜首的 Jev 1.13。那項主張是 Liquid 自己的說法，而非 Artificial Analysis 的，而且它所指的榜單是在這款模型問世之前發布的。這兩項事實都至關重要，而本文會讓它們緊扣原本所屬的數字。 我們追蹤到的每一次供應商服務中斷與回滾，都記錄在 Orca AI Incident Archive，該處除了這起事件的鄰近條目之外，也收錄了完整的紀錄集。

就機制而言，這個模型正是 Liquid 一整年來一直在下的同一種賭注。你給它一個狀態——一份 JSON 承載資料、一張支援工單、一張儀表板截圖——以及一組具名問題，它就會在一次前向傳遞中，從自身的分布讀出答案。不取樣、不解析、不會失控生成。廠商的使用量計數器回報 output_tokens: 0，就和 d1 系列其餘部分完全一樣。

Liquid 自稱打造了什麼，以及它拿什麼來測試它

本節中的每一個數字都是 Liquid 自家提供的，並在發布文章中報告；截至本文撰寫時，沒有其他人重現過這些數字。該模型被描述為一個多模態決策模型，建構在更大的開放權重基礎模型之上，並具備該文章所稱的大量 Liquid 專屬客製化，特別針對知識密集型決策進行調校——這個說法讀起來像是直接指涉下方的校準問題。它與該系列其他模型一樣，具備相同的三種問題類型。noul是二元式的：給它一個陳述，它會回傳介於 0 與 1 之間的 P(yes)。選擇會挑選一個標籤，並回傳一個分佈以及一個信心分數。評分會將狀態置於有序量表上，並附上各層級的機率。三者都會以結構化格式回傳，而且都不會耗費輸出 token。

Liquid 的證據是一連串112 次不重複的評估，這些評估是對比自家較早的 d1，以及對比較新的 Jev 版本 Jev 1.14。該公司表示，d1-ultra 在所有任務上都優於 Jev 1.14，且在相同價格下具有更好的校準。這是一項比「領先排行榜」更強烈且更具體的主張，也更難查核，因為校準這項性質無法從單一分數看出來。另請注意，Jev 1.14 是廠商命名的比較對象：它完全未出現在我們的目錄中，我們也找不到它的公開 Decision Index 資料列。

這個 API 介面只有一個非串流呼叫，指向 POST https://api.liquid.ai/decisions/v1/systemone，並帶有 "model": "d1-ultra"。在任何發布資料中都未公布上下文視窗，這是真正的缺口，而非捨入誤差：對於一個其全部職責就是接收狀態的模型而言，你能交給它的狀態大小，接近主要規格。由於它從不產生 token，輸出成本在結構上為零，因此串流並不適用。

所討論的指數早於該模型。

Artificial Analysis 於 2026 年 10 月 13 日發布了 Decision Index v1.0——比 d1-ultra 問世早了兩天。該排行榜由四項評測建構而成，各佔 25% 權重：AA-Omniscience-Decision，一組私有的 500 題題庫，計分一半看準確度、一半看是否產生幻覺；HLE-MultiChoice，取自 Humanity's Last Exam 的 513 道文字選擇題；When2Call，一項 NVIDIA 工具呼叫評測；以及 WildGuardTest，Ai2 的安全分類資料集。

介紹它的那篇文章完全沒在任何地方提到 d1-ultra，這並不令人意外，而這也正是為什麼「領先八分」這個數字應該被理解為廠商宣稱，而非排名。在已公布的排行榜上，Jev 1.13 以 58 在決策模型領域居首，GLiDE 與 Microsoft-Decision-1 則同以 54 並列。有兩個語言模型排在它們全部之上：Claude Haiku 5.5（Low）以 61，GPT-6 Luna（Low）以 55。把 Liquid 的宣稱拿來算一算，結果落在 66 或更高——高於榜上最佳的語言模型。那很可能確實是該模型的表現。但這也正是一旦有人打算據此規劃，就需要第三方重現的那種宣稱。

為什麼校準，具體來說，才是整件事的關鍵

d1-ultra 所針對的失效模式，正是 Artificial Analysis 在同一篇文章中指出的那一種。決策模型作為一個類別，被發現普遍過度自信：模型對某個答案所陳述的機率，往往高於該答案實際正確的頻率。這一點在此處比在聊天機器人上更為重要，因為決策模型的全部輸出就是一個機率。一個自信卻錯誤的語言模型產生的是一段你可以細加審視的文字。一個自信卻錯誤的決策模型產生的則是一個管線被設計來據以行動的數字。

類別內部的分布範圍很廣，而 d1 正落在其中不利的那一端：

• AA-Omniscience-Decision 準確度 — Liquid AI d1 是頂尖決策模型，得分為 41，而 Jev 1.13 的得分為 35。語言模型在同一評測中得分為 52 和 66。

• 無幻覺率——Liquid AI d1 得分為 2。Jev 1.13 得分為 35，Mercury Decide 為 32，而 M​icrosoft-Decision-1 則以 40 居冠。榜上其餘決策模型無一未達 17。

• 這兩行之間的差距就是整個賣點。d1 知道得最多，卻承認得最少。一個為了彌合該差距而訓練的模型——也就是 Liquid 先前參賽作品排名最後而非第一的那個唯一維度——即使不觸及原始準確率，也能推動這個類別向前邁進。

• HLE-MultiChoice — Jev 1.13 以21領先，其他所有決策模型都在 15 或以下。這是該領域最具成長空間的一項評測，也是 Liquid 的 112 項評測執行所未報告的一項。

• When2Call 與 WildGuardTest — Celeris-1 Decision 與 GLiDE 以 84 在工具呼叫上並列，Jev 1.13 以 81 排名第四；GLiDE 在安全方面以 95 領先，Decider v1.1 27B 與 Jev 1.13 同為 94。

一百萬個決定實際上要付出多少代價

定價是這次發布中唯一不需要附帶說明的部分。Liquid AI d1-ultra 的計費標準是每百萬個輸入 token 收費 $0.042，而輸出則完全不收費，因為它根本沒有輸出。這個價格與 d1 相同，也與我們對 Jev 1.13 的收費相同，這讓這兩個模型只有在成本上可以直接比較，其他方面則無從比起。

這筆算術簡單到可以在餐巾紙上算出來。一個大約一千個 token 的狀態——一份中等詳細度的 JSON 內容，或一頁文字——執行一百萬次的成本是 0.042 美元。Artificial Analysis 自己針對此類別的每百萬項任務成本數字落在 17 到 199 美元之間，其中 Jev 1.13 為 42 美元、Microsoft-Decision-1 為 31 美元，而 Decider v1.1 27B 為 17 美元；整個類別每項任務的中位數時間則從 0.06 秒到半秒不等。以每百萬項任務 42 美元計算，一個一千 token 的決策正好位於該區間的中段，而這正是值得知道的實用重點：這樣的定價對這個類別而言並不特別，而有趣的問題不是每個 token 的成本，而是每個正確決策的成本。

有一個計費細節會讓人中招，值得讀兩遍。圖像會以輸入文字計費，標準是 每 32×32 像素區塊 1.5 個 token，因此一張 1024×1024 圖像為 1,536 個 token——而且 每個問題都會被視為各自的提示來計費，包含所有附加的圖像。針對同一張照片分別問十個問題，圖像就會被計費十次，所以這十個問題在出現任何一個文字之前，就帶有 15,360 個圖像 token。把你的問題批次合併成一次呼叫並不能分攤這筆費用。如果你的工作負載是視覺性的，決定你帳單的數字是問題數乘以圖像 token 數，而不是文件數乘以圖像 token 數。

你可以稱呼它的地方

Liquid AI d1-ultra 現已在 Liquid 自家 API、Liquid 主控台，以及 d1 Playground 上線，供任何想試玩卻不想寫用戶端程式的人使用。廠商表示還會有更多平台推出；目前最誠實的總結是：現在有廠商自家的 API，之後還會跟進幾個第三方平台。發布文章中有個可直接執行的程式碼範例。

一則路由說明，且它不是推銷：Liquid AI d1-ultra 不在我們的目錄中，而本文並非對其可用性的宣稱。我們目錄中有的，是Jev 1.13——目前領先 Decision Index 的模型——同樣為每百萬輸入 token 0.042 美元、完成成本同樣為零，並具備 64K 上下文視窗，透過完全相同的systemone 端點形式提供：輸入文字、輸出結構化 JSON、非串流。對任何評估此次發布的人來說，這是個有用的巧合，因為這代表挑戰者與現任領先者可以並排運行，而無需第二份合約。d1-ultra 直接由 Liquid 提供；現任領先者則已在我們的目錄中。兩者都位於一個支援 200+ 模型的 API 之後，其中定價以 0% 加價直接傳遞，且 自動容錯移轉 意味著新模型可以承接真實工作負載的一部分，而不必被託付全部工作負載。

最後那一部分是實務建議，而不是產品置入。一個才問世一天、主要基準測試成績尚未被獨立重現、上下文視窗也還沒公布的模型，這種東西不該在第一天就把正式環境流量導向它。這種東西應該用來和已經在該位置上的模型進行影子執行。把相同的狀態送進兩者，比較分布而不是標籤，並且特別留意 d1-ultra 說 0.8、結果卻是錯的那種情況——因為那正是這次發布完全要處理的情況，而那也是 Liquid 尚未公布的那個數字。

什麼能讓它塵埃落定

三件事，依它們會改變這項決定的程度由高至低排列。

第一項是 Decision Index 的一列。在 Artificial Analysis 用自己的流程實測 d1-ultra 之前，領先 Jev 1.13 八分只是廠商數據，而優於 Jev 1.14 的校準改善也是廠商數據，完全沒有公開的對應資料。這個排行榜會定期更新，而一個真正突破 66 的決策模型將是今年該類別最有趣的結果，因為那會讓一個非生成式模型在同一指數上超越所有語言模型。

第二個是缺失的規格表。上下文視窗、在指定批次大小下的延遲，以及問題能否共用一張圖片而不需重新計費——這三個數字遠在基準測試分數之前，就決定了一個工作負載是否可行。Liquid 的前一代在 200 到 300 毫秒內執行文字決策，這是有用的參考點，但並非此模型的測量值。

第三是實驗室外的校準。Liquid 的 112 項評估是供應商自己挑選的任務。過度自信是一種會在尾端顯現的特性——罕見的難題、模稜兩可的狀態、來自模型從未見過的分布的輸入。那正是 d1 得分 2 的地方，也是唯一能看出真正改善的地方。

在那之前，誠實的立場就是那個無聊的立場：價格是真實且公開的，端點確實能運作，這個類別最嚴重的缺陷已被正確指出，而修正方案只是被宣稱，並未被實際展示。如果你從事結構化決策，這值得花上一個下午；但它不值得為此做一次遷移。