Liquid AI 刚刚发布了 d1.2 和 d1.2-ultra。决策模型不写文本。它在一组固定答案上返回经过校准的概率。Liquid AI d1.2 决策模型系列现在接受文本、图像和音频。它还新增了 5 种答案类型。d1.2-ultra 在 Artificial Analysis Decision Index v2.1 上得分 75,是该指数上决策模型中的最高分。你可以通过我们的 GPULeaderboard.com chrome 扩展查看部署选项和规格。

TL;DR

规模:参数未披露。每个问题最多 65,536 个输入 token,每次调用 128 个问题。

运行方式:仅托管 Liquid API。暂无权重;Liquid AI 表示将在“某个时候”开放权重。

性能:d1.2-ultra 在 AA Decision Index v2.1 上得分 75,d1.2 得分 69。

最佳:d1.2-ultra 在 13 项基准测试中校准误差为 0.8 个百分点(Liquid AI 测试)。

什么是 Liquid AI d1.2?

d1.2 是 Liquid AI 的托管决策模型,可在 1 次调用中回答关于文本、图像或音频的类型化问题。它为每个选项返回一个概率,且生成零个输出 token,因此只对输入计费。

d1.2-ultra 面向更难的决策。d1.2 更快,成本不到其一半。模型 ID 为 d1.2(默认)和 d1.2-ultra。此前的 d1、d1.1 和 d1-ultra 现已弃用,不支持音频或新任务。

d1.2 中的 5 个新任务是什么?

d1.2 在同一端点和请求格式上新增了 5 种类型化答案:

读取一个值(文本、数字、日期):返回值及其来源字符。它会回答“未找到”而不是猜测。

查找所有片段(spans):返回每个匹配的段落,例如姓名或电子邮件,及其位置。

定位对象(box、boxes):返回 1 个矩形,或每个实例 1 个并附带计数。

估计一个数字(带范围的数字):返回最佳猜测和范围,例如 12 在 10 到 14 之间。

选择所有适用选项(多选):返回每个匹配标签及其各自的概率。

音频输入如何工作?

音频可以作为问题的对象,例如说的是哪种语言,或者是否能听到警笛声。问题也可以是口头的。该 API 接受 16-bit PCM WAV,并按每秒音频 10 个 token 计算。在留出的 ESC-50 和 FLEURS(43 种语言)录音上,两个模型对 95% 到 97% 的问题回答正确。

d1.2 在 Artificial Analysis Decision Index 上得分如何?

该指数综合了 6 项评估。AA-Paperclip 占 30% 的权重。EvalSafe-O*NET-AA、AA-Omniscience-Decision v1.1、HLE-MultiChoice v1.1 和 AA-Symmetry v1.1 各占 15%。When2Call 占 10%。其 Decision Score 会惩罚自信的错误答案。

在 Liquid AI 分享的 AA 图表上,d1.2-ultra 得分为 75。Drex Max v1.1、SubQ Snap 1.2 和 GLiDE v1.2 以 73 紧随其后。d1.2 得分为 69。这比已弃用的 d1-ultra 的 71 低 2 分。Liquid AI 主张,在更低价格下没有模型得分高于 d1.2。

这些概率的校准程度如何?

一个校准良好的模型说 80% 时,大约 80% 的情况下是对的,因此团队可以把低置信度的案例转交给人工处理。在 13 个基准测试和 22,505 个问题上,Liquid AI 报告了以下校准误差:

d1.2-ultra:0.8 分

d1.2:1.2

Jev 1.14:2.7

Perplexity Decider v1.3:3.7

GPT-6 Luna(Decisions API):7.2

注:这些数字来自 Liquid AI 自己的测试。

这些新任务的准确率如何?

Liquid AI 使用了公开数据集的留出划分;目前尚不存在公开基准测试。

任务(数据集)d1.2-ultrad1.2从收据中读取数值(CORD、SROIE)98%96%查找个人数据,精确率 / 召回率(Nemotron PII)94% / 93%92% / 88%定位物体(RefCOCO、RefCOCO+、RefCOCOg)94%94%计数物体,误差在 1 以内(COCO)93%92%选出所有存在的物体(COCO)87%90%

d1.2 在多标签选择上以 90% 对 87% 胜过 d1.2-ultra。

d1.2 与其他决策模型的对比

Metricsd1.2-ultrad1.2Drex Max v1.1 (Nace.AI)Decider v1.3 (Perplexity)Jev 1.14 (TypeSafe)AA Decision Index v2.17569737066Calibration error (Liquid test)0.81.2Not reported3.72.7Input price per 1M tokens$0.042$0.02$0.03$0.02$0.042Output price$0$0$0$0$0Input limit65,536 per question65,536 per question262,144262,14465.5KInputsText, image, audioText, image, audioText, imageText, imageTextParametersNot disclosedNot disclosedNot disclosed27B base (Qwen3.8-27B)Not disclosedWeightsPlanned, no datePlanned, no datev1.1 not releasedApache 2.0Proprietary

</button><button class="btn" id="next">下一步 </button><div class="stxt" id="stxt">按“下一步”逐步查看一个 d1.2 请求。</div></div>

<div class="note">来自 Liquid AI 的 d1 文档的限制:每个问题 65,536 个输入 token,请求体 4.5 MB。参数量和架构未披露。</div>

</div>

<div class="pane" data-p="1">

<div class="grid5">

<div class="tcard on" data-k="0"><b>读取一个值</b><code>text · number · date</code></div>

<div class="tcard" data-k="1"><b>找出所有片段</b><code>spans</code></div>

<div class="tcard" data-k="2"><b>定位对象</b><code>box · boxes</code></div>

<div class="tcard" data-k="3"><b>估算一个数字</b><code>number + range</code></div>

<div class="tcard" data-k="4"><b>选出所有符合项</b><code>choice + multiple</code></div>

</div>

<div class="demo"><div><div class="lbl">你的提问</div><pre id="dq"></pre></div><div><div class="lbl">答案的结构(示意)</div><pre id="da"></pre></div></div>

<div class="acc" id="dacc"></div>

</div>

<div class="pane" data-p="2">

<div class="lbl">Artificial Analysis Decision Index v2.1(越高越好)</div>

<div class="bars" id="dib"></div>

<div class="note">分数来自 Liquid AI 于 2026 年 11 月 16 日分享的 AA 图表。仅展示部分模型。指数权重:AA-Paperclip 30%,When2Call 10%,其余 4 项各 15%。</div>

</div>

<div class="pane" data-p="3">

<div class="lbl">校准误差,点(越低越好)</div>

<div class="bars" id="cab"></div>

<div class="note">Liquid AI 测试:13 个基准测试,5 个模型共回答了 22,505 个问题。并非独立评估。一个校准良好的模型说 80% 正确时,实际约有 80% 的概率正确,因此你可以将低置信度的案例转交人工审核。</div>

</div>

<div class="pane" data-p="4">

<div class="calc">

<div>

<label>文本状态 token 数:<b id="vt">1,000</b><input type="range" id="it" min="0" max="60000" step="500" value="1000"></label>

<label>1024x1024 图像:<b id="vi">1</b> <small>(每张 1,536 token)</small><input type="range" id="ii" min="0" max="8" value="1"></label>

<label>音频秒数:<b id="va">0</b> <small>(每秒 10 token)</small><input type="range" id="ia" min="0" max="300" step="5" value="0"></label>

<label>问题数:<b id="vq">3</b> × 每个问题的 token 数:<b id="vqt">50</b> <small>(你的估计)</small><input type="range" id="iq" min="1" max="128" value="3"><input type="range" id="iqt" min="10" max="500" step="10" value="50"></label>

</div>

<div class="out">

<div class="lbl" style="color:#D4C0FF!important">每 100 万次请求的成本</div>

<div class="row"><span>每次请求的 token 数</span><b id="tok">0</b></div>

<div class="row"><span>d1.2($0.02 / 1M)</span><b id="c1">$0</b></div>

<div class="row"><span>d1.2-ultra($0.042 / 1M)</span><b id="c2">$0</b></div>

<div class="big" style="margin-top:10px">d1.2 节省 <span id="sv">0%</span></div>

<div class="note" style="color:#D4C0FF!important">输出 token 始终为 0。状态和媒体每次请求计费一次;每个问题会额外增加其自身的 token。</div>

</div>

</div>

</div>

<div class="ft"><span>来源:<a href="https://www.liquid.ai/blog/d1-2" target="_blank" rel="noopener">liquid.ai/blog/d1-2</a> · <a href="https://docs.liquid.ai/lfm/models/d1" target="_blank" rel="noopener">docs.liquid.ai</a> · 除非另有说明,均为自报数据</span><b>© Marktechpost</b></div>

<script>

(function(){

var R=document.getElementById('mtp-d12x');

function post(){try{parent.postMessage({mtpH:R.offsetHeight+40,id:'mtp-d12x'},'*')}catch(e){}}

var tabs=R.querySelectorAll('.tab'),panes=R.querySelectorAll('.pane');

tabs.forEach(function(t){t.onclick=function(){tabs.forEach(function(x){x.classList.remove('on')});panes.forEach(function(x){x.classList.remove('on')});t.classList.add('on');var p=R.querySelector('[data-p="'+t.dataset.t+'"]');p.classList.add('on');if(t.dataset.t==='2')bars('dib',DI,80);if(t.dataset.t==='3')bars('cab',CA,8);setTimeout(post,60)}});

var S=['按“下一步”逐步查看一个 d1.2 请求。','1. 你发送一个状态(文本、JSON、图像或音频)以及带类型的问题。','2. d1.2 在一次前向传播中读取该状态和每个问题。','3. 它为每个选项返回一个概率,并返回带类型的答案。不生成任何文本。','4. 你设置一个阈值:置信度高的答案自动执行,置信度低的交给人工处理。'];

var s=0,core=R.querySelector('#core');

function step(){R.querySelector('#stxt').textContent=S[s];R.querySelectorAll('[data-s="1"]').forEach(function(c){c.classList.toggle('lit',s>=1)});R.querySelector('#a1').classList.toggle('go',s>=2);R.querySelector('#a2').classList.toggle('go',s>=3);R.querySelectorAll('[data-s="3"]').forEach(function(c){c.classList.toggle('lit',s>=3)});if(s===2){core.classList.remove('pulse');void core.offsetWidth;core.classList.add('pulse')}}

R.querySelector('#next').onclick=function(){s=s<4?s+1:0;step()};R.querySelector('#prev').onclick=function(){s=s>0?s-1:0;step()};

var T=[

['state: invoice.png\nquestion: "How much is due?"\ntype: number','value: 1234.50\nsource: "1 234,50"\nfound: 0.99\n(if absent: "not found")','Receipts (CORD, SROIE): d1.2-ultra 98%, d1.2 96%'],

['state: support note (text)\nquestion: "Every piece of personal data"\ntype: spans','spans:\n name [start,end]\n phone [start,end]\n email [start,end]','PII precision / recall (Nemotron PII): d1.2-ultra 94% / 93%, d1.2 92% / 88%'],

['state: photo.jpg (exactly 1 image)\nquestion: "Every tree"\ntype: boxes','boxes: [x1,y1,x2,y2] ...\ncount: n\n(box: 1 rectangle or "not found")','Locate an object (RefCOCO family): 94% for both models'],

['state: crowd.jpg\nquestion: "How many people?"\ntype: number + range','estimate: 12\nrange: 10 to 14','Count within 1 (COCO): d1.2-ultra 93%, d1.2 92%'],

['state: support message question: "哪些主题适用?" type: choice, multiple: true','billing: p delivery: p (各自带有自己的概率)','选择所有存在的对象(COCO):d1.2-ultra 87%,d1.2 90%']];

var tc=R.querySelectorAll('.tcard');

function demo(k){tc.forEach(function(c){c.classList.toggle('on',c.dataset.k==k)});R.querySelector('#dq').textContent=T[k][0];R.querySelector('#da').textContent=T[k][1];R.querySelector('#dacc').innerHTML='<b>Liquid AI 内部测试:</b> '+T[k][2]}

tc.forEach(function(c){c.onclick=function(){demo(+c.dataset.k)}});demo(0);

var DI=[['d1.2-ultra',75,'me'],['Drex Max v1.1',73],['SubQ Snap 1.2',73],['GLiDE v1.2',73],['Decider v1.3',70],['d1.2',69,'me2'],['Jev 1.14',66],['GPT-6 Luna (Decisions)',60]];

var CA=[['d1.2-ultra',0.8,'me'],['d1.2',1.2,'me2'],['Jev 1.14',2.7],['Perplexity Decider v1.3',3.7],['GPT-6 Luna (Decisions API)',7.2]];

function bars(id,d,mx){var el=R.querySelector('#'+id);el.innerHTML=d.map(function(r){return '<div class="bar"><span>'+r[0]+'</span><div class="track"><div class="fill '+(r[2]||'')+'" data-w="'+(r[1]/mx*100)+'"></div></div><span class="v">'+r[1]+'</span></div>'}).join('');setTimeout(function(){el.querySelectorAll('.fill').forEach(function(f){f.style.width=f.dataset.w+'%'})},40)}

function f(n){return n.toLocaleString('en-US')}

function calc(){var t=+R.querySelector('#it').value,i=+R.querySelector('#ii').value,a=+R.querySelector('#ia').value,q=+R.querySelector('#iq').value,qt=+R.querySelector('#iqt').value;

R.querySelector('#vt').textContent=f(t);R.querySelector('#vi').textContent=i;R.querySelector('#va').textContent=a;R.querySelector('#vq').textContent=q;R.querySelector('#vqt').textContent=qt;

var tok=t+i*1536+Math.ceil(a*10)+q*qt;R.querySelector('#tok').textContent=f(tok);

R.querySelector('#c1').textContent='$'+(tok*0.02).toFixed(2);R.querySelector('#c2').textContent='$'+(tok*0.042).toFixed(2);R.querySelector('#sv').textContent=Math.round((1-0.02/0.042)*100)+'%'}

R.querySelectorAll('input').forEach(function(x){x.oninput=calc});calc();

window.addEventListener('load',post);window.addEventListener('resize',post);setTimeout(post,300);

})();

</script>

</div>

</body></html>">

定价与部署

d1.2 的价格为每 100 万输入 token 0.02 美元,d1.2-ultra 为 0.042 美元。新组织在 Liquid Console 上可获得 2 美元免费额度。

图像按每 32&#215;32 像素块 1.5 个 token 计费,因此一张 1024&#215;1024 的图像为 1,536 个 token。共享状态和媒体只计费一次;每个额外问题只增加其自身的 token。

每次调用的请求限制:

128 个问题和 4.5 MB 的请求体

8 张图像,或 box 和 boxes 类型恰好 1 张

8 个音频片段,总音频时长 300 秒

端点为 https://api.liquid.ai/decisions/v1/systemone。

要点

d1.2-ultra 在 AA Decision Index v2.1 上得分 75,在决策模型中排名第一。

两个模型现在都能读取文本、图像和音频,输出 token 为 0。

5 种新的答案类型:数值、片段、框选、区间估计、多标签选择。

d1.2-ultra 报告的校准误差为 0.8 点,而 Perplexity Decider v1.3 为 3.7。

目前仅提供托管版本:未公布权重、参数数量或延迟数据。

查看发布博客、d1 API 文档和 AA Decision Index。你可以通过我们的 GPULeaderboard.com Chrome 扩展在此查看部署选项和规格。

另外,欢迎在 Twitter 上关注我们,别忘了加入我们 15 万+ 的 ML SubReddit 并订阅我们的新闻通讯。等等!你在用 Telegram 吗?现在你也可以在 Telegram 上加入我们。

需要与我们合作推广你的 GitHub 仓库、Hugging Face 页面、产品发布或网络研讨会等?请联系我们

文章《Liquid AI Releases d1.2 and d1.2-ultra: Omnimodal Decision Models That Top the AA Decision Index》首发于 MarkTechPost。