Liquid AI d1.2 决策模型:AA 指数 75 分与 0.8 校准误差

Liquid AI 在 2026 年 11 月 16 日一次放出两个决策模型:d1.2 和 d1.2-ultra。一句话结论:d1.2-ultra 在 Artificial Analysis Decision Index v2.1 上拿到 75 分,比此前最好的决策模型高出 2 分,校准误差压到 0.8 个百分点,是目前把「判断概率」这件事做得最准的一款,而它只对输入 token 收费。

d1.2 到底更新了什么

决策模型和语言模型的工作方式不一样。输入是一段非结构化内容加上一组问题,输出是每个答案的概率分布,全程不生成一个 token。上一代 d1 支持文本和图像,这次 d1.2 补上了音频,并且新增五类答案类型。

五类新任务分别对应:

读取一个值。给一张发票问「应付多少」,模型返回数值和它读到的那几个字符。发票上没有这个数字时,模型回答 not found,不会凭空猜一个。

抽取片段。要求找出文本里所有某一类片段,比如一张备注里的全部个人数据,模型返回每段内容以及它在文本中的位置。

定位物体。给一张照片问签名在哪儿,模型返回包住它的矩形框;问照片里有几棵树,返回每个树的框和数量。

估算数值。问一张照片里有几个人,模型给出最佳估计值和一个区间,比如 12 人,范围 10 到 14。

多选判定。问一条客服消息涉及哪些话题,模型返回每个话题各自的概率。

音频输入既可以是要提问的内容,比如判断背景里有没有警报声,或者对方说的是哪种语言,问题本身也可以用语音提出,无需打字。

Decision Index 75 分意味着什么

Artificial Analysis Decision Index v2.1 覆盖六个基准,从简历、收据、研究论文里的判断与抽取,到工具调用和困难的知识问答。它不只看对不对,还看模型给每个答案分配的概率是否可靠。自信地答错,扣分比犹犹豫豫地答错更重。

d1.2-ultra 拿到 75 分,领先此前最好的决策模型 2 分。Liquid AI 的说法是,同一个指数上,没有任何模型能以更低的价格拿到比 d1.2 更高的分数,也没有任何模型能以任何价格拿到比 d1.2-ultra 更高的分数。

模型 Decision Index v2.1 校准误差 定价(每百万输入 token)
Liquid d1.2-ultra 75 0.8 0.042 美元
Liquid d1.2 — 1.2 0.02 美元
Jev 1.14 — 2.7 —
Perplexity Decider v1.3 — 3.7 —
GPT-6 Luna(Decisions API) — 7.2 —

校准误差 0.8 才是真正的门槛

决策模型输出概率,只有概率准了才有用。模型说 80%,就应该大约 80% 的情况是对的,这样你才能设一个阈值,把低置信度的任务丢给人工复核。

在 13 个基准、共 22505 道题的评测中,d1.2-ultra 的校准误差是 0.8 个点。d1.2 是 1.2,Jev 1.14 是 2.7,Perplexity 的 Decider v1.3 是 3.7,GPT-6 Luna 在 Decisions API 上是 7.2。

这个差距有实际后果。d1.2-ultra 说 90% 的时候基本可信,GPT-6 Luna 说 90% 的时候差不多只有一半概率对,前者可以直接进自动流水线,后者必须挂一层人工确认,否则等于把错误成本从模型账单转移到业务侧。

五个新任务的准确率

目前没有公开基准覆盖这五个新任务,Liquid AI 用公开数据集的留出切分自建了内部测试集。读值和定位任务在目标找到或正确回答 not found 时算对。

任务 d1.2-ultra d1.2
读取收据数值(CORD、SROIE) 98% 96%
抽取文档中全部个人数据(精确率 / 召回率,Nemotron PII) 94% / 93% 92% / 88%
在照片中定位物体(RefCOCO、RefCOCO+、RefCOCOg) 94% 94%
估算照片中物体数量,误差在一以内(COCO) 93% 92%
选出照片中所有存在的物体(COCO) 87% 90%

音频侧的成绩更整齐。在留出的录音上,两个模型判断听到的是哪种声音、或说的是哪种语言(ESC-50、FLEURS,覆盖 43 种语言),正确率都在 95% 到 97% 之间。每道题给三到六个选项,刻意放了西班牙语和葡萄牙语这类容易混的组合,也包含判断题。

有一项反着来:在「选出照片中所有存在的物体」这类需要克制的多选任务上,d1.2 拿到 90%,d1.2-ultra 只有 87%。大模型在「挑出全部正确项」这类需要克制的问题上不一定更稳,选型时值得单独测自己的数据。

价格怎么算,图像怎么折算

两个模型都只对输入 token 计费,输出不收费。这对决策模型是关键优势,因为它本来就不生成 token。请求里的图片按 32×32 像素一个 patch、每个 patch 1.5 个 token 折算,一张 1024×1024 的图片就是 1536 个 token。一条请求里的文本和图片只计一次,之后每加一个问题,只加这个问题自己的文本长度。

调用端点和上一代一致,仍是 https://api.liquid.ai/decisions/v1/systemone,模型名换成 d1.2 或 d1.2-ultra,请求格式不变,新答案类型不需要改代码结构。Liquid AI 说即将接入 OpenRouter 和 Vercel。

拿价格横向比一下同类产品的量级。Gemini Decisions API 是一次调用 0.1 美元,Baseten 的 joey-1 是每百万 token 1 美分。d1.2-ultra 的 4.2 美分每百万 token 落在同一量级,但计费口径不同,前两者一个是按次、一个是按 token,跨产品比价时先要把口径换算到同一维度再比。

什么时候该用 d1.2,什么时候不该

d1.2 适合答案本身就是判断的场景。工单筛选、文档分类、照片质检、发票取数,这些任务过去要调大模型生成一段文字再解析,现在一次前向传播直接给出概率。上一代 d1 在电路板、蜡烛、腰果、口香糖四条产线的视觉分拣上准确率 85% 到 97%,而且它从未在这类任务上训练过,只靠一段短描述理解任务。

它的两个原生能力也值得单独说。在代码智能体的上下文压缩场景里,d1.2 读取每次工具调用的输出,判断保留、裁剪还是丢弃,能删掉 52% 的 token 而不丢任务需要的内容。在游戏场景里,Tetris 加上画面后得分从 70 行提到 81 行,Wordle 平均 3.8 步解完 12 局。

不该用的场景也很清楚。需要生成文字、需要推理链条、或者答案空间是开放式的任务,决策模型帮不上忙。它一次前向传播出概率,不产出 token,硬让它写总结只会得到空结果。另外 d1.2-ultra 的强项在视觉与文档上的细粒度判断,如果你的任务纯文本且答案简单,d1.2 的 0.02 美元已经够用,没必要上 ultra。

常见问题

d1.2 和 d1.2-ultra 怎么选?需要更强判断力和更准概率就用 d1.2-ultra,任务偏文档取数和常规分类就用 d1.2。两者只差两倍的输入单价,判断精度上 ultra 明显占优,预算紧张时先拿 d1.2 跑通评测再决定要不要升。

决策模型能替代大模型吗?只能在答案空间封闭的场景替代。它一次前向传播给出概率分布,不生成任何 token,涉及生成、推理、开放式表达的任务仍然要回到语言模型。

校准误差 0.8 意味着什么?模型给出 80% 的置信度时,实际正确的比例接近 80%,偏差在 8 个百分点以内。对比 GPT-6 Luna 的 7.2,差距足以决定你的流水线能不能省掉人工复核这一层。

小结

决策模型这条赛道在 2026 年下半年明显加速,d1.2 把三个方向同时推进:补上音频输入、把五类结构化抽取任务做成原生答案类型、把校准误差压到 1 个点以内。价格按输入 token 计、输出免费这一点,让它在高并发判定场景里成本结构非常干净。对已经在用大模型做分类和抽取的团队,d1.2 值得当成一次成本和延迟的双重压测对象。

全部文章归档与模型专题