作者注:d1.2-ultra 在 Decision Index v2.1 上顯示第 1。本文教你先認清自己的活屬於抽單據、調工具還是答難題,只看對得上的分項,再用 20 到 50 條自有樣本決定換不換。
2026-11-16,Liquid AI 發佈 d1.2 與 d1.2-ultra。官方博客稱 d1.2-ultra 在 Artificial Analysis Decision Index v2.1 上得分 75,是決策模型裏最高的。不少正在調接口的開發者看到“第 1”,第一反應就是把生產模型換掉。先別急着換,綜合分 75 只是由頭,真正該看的是和你業務對得上的那一項分數。
這不是一篇唱衰或吹捧的文章。 同一個模型,在單據抽取上排第 1,在很難的選擇題上原始準確率卻是 24 個決策模型裏最低的。兩件事同時成立,綜合分會把它們抹平。
核心價值:讀完本文,你會知道該看哪一個分項、怎麼讀決策分和原始準確率,以及怎樣用自己的 20 到 50 條樣本,在一個下午內得出換不換的結論。

d1.2-ultra 綜合第一的核心要點
先把榜單頁面上的數字擺清楚。以下數據來自 Artificial Analysis 的 d1.2-ultra 模型頁,讀取日期爲 2026-11-17,參與比較的決策模型共 24 個。
| 項目 | 榜單頁面數據 | 讀法 |
|---|---|---|
| 綜合指數 | 74.85,頁面顯示 75,第 1/24 | 第 2 名 Drex Max v1.1 爲 72.62,差約 2.2 分,與官方說的“兩分”是同一件事四捨五入 |
| 耗時 | 218 毫秒/任務,第 14/24 | 頁面中位數 209 毫秒,屬於中游 |
| 跑完指數的成本 | 133 美元/每百萬任務,第 11/24 | 這是任務成本,不是每百萬 token 的標價 |
| 輸入價 | 0.042 美元/每百萬 token | 與 Liquid 官方博客一致,官方只計輸入 |
| Brier | 0.150,24 個裏最低 | 越低越好,說明給出的概率比較“誠實” |
d1.2-ultra 的綜合分是怎麼來的
Decision Index v2.1 是六個分項的加權平均。模型頁對決策分的定義是:準確率減去所選答案概率的 Brier 分數,範圍 0 到 100,越高越好。也就是說,自信地答錯比猶豫地答錯扣得更多。原始準確率則是模型把最高概率給到正確選項的題目比例,它和決策分不是同一個數。
這個區別直接影響你怎麼讀 d1.2-ultra。一個模型可以靠經常不猜、少犯自信的錯,拿到不算低的決策分,同時原始準確率很低。如果你的業務需要“必須給出答案”,那你該看原始準確率;如果業務允許“不確定就轉人工”,決策分更有參考價值。
| 分項 | 權重 | 測什麼 | AA 的分類 |
|---|---|---|---|
| AA-Paperclip | 30% | 單據判斷與抽取,一份文檔 15 個答案算一次判斷 | 文檔 |
| EvalSafe-O*NET-AA | 15% | 職場文檔判斷 | 文檔 |
| When2Call | 10% | 工具調用 | 工具 |
| AA-Omniscience-Decision v1.1 | 15% | 知識與幻覺 | 知識 |
| HLE-MultiChoice v1.1 | 15% | Humanity’s Last Exam 文本選擇題,可以拒答 | 推理 |
| AA-Symmetry v1.1 | 15% | 換說法、換選項順序、否定之後判斷是否不變 | 一致性 |
注意 HLE-MultiChoice 在 AA 那裏被標爲推理,不是知識。所以下文提到它時,不能寫成“知識測試”。
如何對上 d1.2-ultra 的那一項分數
第一步不是看榜,而是拿出一張紙,寫下你的活到底屬於哪一類:抽單據、調工具、答難題,還是知識問答。寫完以後,只看對得上的那一項,其他分項和綜合分 75 暫時不看。

| 你要做的事 | 只看這一項 | d1.2-ultra 榜單頁面數據 | 怎麼理解 |
|---|---|---|---|
| 抽發票、簡歷、論文字段 | AA-Paperclip | 決策分 75.81,文檔全對率 67.7%,兩項都是第 1/24 | 第 2 名 Drex Max v1.1 爲 72.82 和 63.0%,領先比較明確 |
| 調工具、判斷該不該調用 | When2Call | 決策分 96.49,第 1 | SubQ Snap 1.2 爲 96.10,d1.2 爲 96.09,前幾名擠在約 1 分裏 |
| 職場文檔判斷 | EvalSafe-O*NET-AA | 決策分 89.53,第 3 | 前面是 Jev 1.14(91.14)和 GLiDE v1.2(89.67) |
| 答很難的選擇題 | HLE-MultiChoice 原始準確率 | 2.36%,24 個決策模型裏最低 | 決策分 46.36 並不墊底,不幻覺率 76.1%,它經常選擇不猜 |
| 知識問答 | AA-Omniscience 準確率 | 原始準確率 23.6%,第 20/24 | 決策分 60.80 排第 6,不幻覺率 83.8% |
| 換說法後答案穩不穩 | AA-Symmetry 全過率 | 分數 86.34 第 2;全過率 56.7% 第 5 | 分數第二不等於穩定性第二 |
d1.2-ultra 分項裏最容易讀錯的兩處
第一處是 HLE-MultiChoice。2.36% 的原始準確率確實是 24 個決策模型裏最低的,但它的決策分 46.36 並不墊底,同頁還有更低的,例如 Mercury Decide 的 34.79。再加上 76.1% 的不幻覺率,合理的讀法是:遇到很難的推理選擇題,d1.2-ultra 傾向於不給高置信答案。AA 把這一項歸爲推理,因此不能把它說成“知識測試倒數第一”。
第二處是 AA-Omniscience。23.6% 的準確率排第 20/24,不是倒數第一。有意思的是,同頁較小的 d1.2 在這項上是 30.0%,HLE 原始準確率也有 5.30%,兩項都高於 ultra。但 d1.2 的綜合指數是 68.69,排第 9/24,所以“更貴的 ultra 知識更差”只適用於這兩項,不能推成全面更差。
🎯 讀榜建議:如果你的活是抽單據,
d1.2-ultra的 AA-Paperclip 第 1 值得認真對待;如果是工具調用,第 1 是真的,但和後面幾名的差距在 1 分以內,換不換要看你自己的樣本。
d1.2-ultra 官方自報的數據怎麼用
Liquid 在同一篇博客裏還給出了五類新任務和內部測試結果。廠商寫明這些新任務還沒有公開基準覆蓋,以下數據都屬於官方自報,用的是內部留出集,不是 Artificial Analysis 的成績。
| 新任務(官方自報) | d1.2-ultra | d1.2 | 備註 |
|---|---|---|---|
| 小票讀值(CORD、SROIE) | 98% | 96% | 沒有的值答 not found |
| 敏感信息跨度(Nemotron PII)精確率/召回率 | 94% / 93% | 92% / 88% | 給出每一段的位置 |
| 按描述框物體(RefCOCO 系列) | 94% | 94% | 兩者持平 |
| 數物體、允許差 1(COCO) | 93% | 92% | 估一個數並給範圍 |
| 挑出圖裏每個物體(COCO) | 87% | 90% | 這一行便宜的 d1.2 更高 |
音頻方面,官方稱在留出錄音上判斷聲音類別(ESC-50)和語種(FLEURS,43 種語言)時,兩者都在約 95% 到 97%。校準誤差方面,Liquid 在 13 個基準、22505 道題上測得 d1.2-ultra 爲 0.8,d1.2 爲 1.2,Jev 1.14 爲 2.7,Perplexity Decider v1.3 爲 3.7,GPT-6 Luna 的 Decisions API 爲 7.2。
這裏要特別分清:GPT-6 Luna(Decisions)在 Artificial Analysis 決策榜上綜合指數 60.25,排第 22/24,HLE 原始準確率 7.86%。這些都是 Decisions 接口的成績,不能當成聊天接口 gpt-6-luna 的成績。官方博客還寫了“Coming to OpenRouter and Vercel soon”,這是廠商預告,不代表已經上線。
d1.2-ultra 快速上手:拿自己的樣本對一遍
榜單看完,真正決定換不換的是你自己的數據。準備 20 到 50 條真實樣本就夠了,例如 30 張發票或 30 份簡歷,每條事先標好正確字段,其中最好有幾條故意缺某個字段。
極簡操作步驟
- 從業務裏挑 20 到 50 條樣本,人工標出每個字段的正確值,缺失字段標爲 not found。
- 寫一段固定的提示詞:要求模型按 JSON 輸出指定字段,找不到的字段必須填
not found,不許推測。 - 用 OpenAI 兼容 SDK,把
base_url設爲https://api.apiyi.com/v1,model先填gpt-6-luna,再換gpt-6.1-sol各跑一遍。 - 逐條比對,記錄三個數:字段級準確率、整份全對率、缺失字段被亂填的次數。
- 等目標模型能調用後,用同一批樣本、同一段提示詞再跑一次,三個數直接對比。
查看完整比對思路
– **輸入**:一個樣本文件,每行包含原文(或圖片)和人工標註的字段字典。
– **調用**:循環讀取樣本,調用 `client.chat.completions.create` 或 `responses` 端點,`temperature` 設爲 0,要求嚴格 JSON 輸出。
– **解析**:輸出解析失敗單獨計數,這本身就是一個可用性指標。
– **比對**:逐字段做規範化比較(去空格、統一日期格式、金額保留兩位小數)。
– **幻覺計數**:標註爲 not found、模型卻填了值的字段,單獨記爲“亂猜”。
– **彙總**:輸出字段準確率、文檔全對率、亂猜次數、平均 token 用量,方便後面算錢。
用 API易 先跑基線
這件事要花 token。d1.2 與 d1.2-ultra 不在 API易型號列表裏,所以現在可以先在 API易(apiyi.com)用已經在架的 gpt-6.1-sol 或 gpt-6-luna,調用地址 https://api.apiyi.com/v1,把同一批發票或簡歷跑一遍,看字段對不對、沒有的字段會不會亂猜。這樣你手裏就有了一條可量化的基線。
暫未上架,我們會盡快上架這個模型;型號與價格以平臺型號列表爲準。
| 自檢項 | 怎麼記 | 判斷標準 |
|---|---|---|
| 字段準確率 | 正確字段數 / 總字段數 | 對比當前生產模型 |
| 整份全對率 | 全部字段都對的文檔佔比 | 對應 AA-Paperclip 的“文檔全對率” |
| 亂猜次數 | not found 字段被填值的次數 | 越少越好,對應不幻覺率的思路 |
| 解析失敗 | JSON 無法解析的條數 | 直接影響上線成本 |
| token 用量 | 平均每條輸入輸出 token | 用來換算真實費用 |
🚀 上手建議:先用 API易 apiyi.com 的新用戶免費測試額度跑 20 條,確認提示詞和比對腳本沒問題,再擴到 50 條,避免一開始就把額度花在調試上。
d1.2-ultra 對價格、對調用方式
價格要分清單位。榜上的 133 美元是“每百萬任務”的跑分成本,Liquid 官方價是“每百萬輸入 token”:d1.2 爲 0.02 美元,d1.2-ultra 爲 0.042 美元,只計輸入。圖片按每 32×32 像素 1.5 個 token、按文本價計,1024×1024 約 1536 token;一次請求的文字和圖片只計一次,多問一個問題只加該問題自己的文字。
官方調用方式也與常見聊天接口不同:模型 ID 是 d1.2-ultra 和 d1.2,地址爲 https://api.liquid.ai/decisions/v1/systemone,密鑰在 Liquid 控制檯申請。官方博客寫了文本、圖片和音頻輸入;Artificial Analysis 頁面的技術規格寫的是文本和圖片,上下文 66k,這個窗口數字只出現在榜單頁,並非 Liquid 博客公佈的規格。

跑基線時用到的 API易 型號,價格如下(單位:美元/每百萬 token,按單次請求 token 量分檔,數據來自 2026-11-17 的價目接口,與模型總表 2026-11-16 更新一致):
| 型號 | 檔位 | 輸入 | 輸出 | 緩存讀 | 端點 |
|---|---|---|---|---|---|
gpt-6-luna |
≤ 272000 | 0.1 | 0.5 | 0.01 | responses 優先,也有 chat |
gpt-6-luna |
≥ 272001 | 0.2 | 0.75 | 未單列 | 同上 |
gpt-6.1-sol |
≤ 272000 | 2 | 10 | 0.1 | responses 優先,也有 chat |
gpt-6.1-sol |
≥ 272001 | 4 | 15 | 未單列 | 同上 |
💰 成本提示:做 50 條樣本的對比,
gpt-6-luna適合先跑量,gpt-6.1-sol適合作爲高質量參照。API易 apiyi.com 充值按 1:7 計,分組折扣可以疊加,實際扣費以控制檯爲準。
常見問題 FAQ
Q1:d1.2-ultra 是什麼模型?
它是 Liquid AI 於 2026-11-16 發佈的決策模型,與較小的 d1.2 同期推出。決策模型的特點是對每個選項給出概率,擅長單據抽取、工具調用判斷、分類等“做選擇”的任務,而不是長文寫作。
Q2:d1.2-ultra 綜合第一,是不是全面最強?
不是。綜合指數 74.85 第 1/24,但 EvalSafe-O\*NET-AA 排第 3,AA-Symmetry 全過率排第 5,AA-Omniscience 原始準確率排第 20,HLE-MultiChoice 原始準確率是 24 個裏最低。綜合分只能說明加權後領先。
Q3:HLE-MultiChoice 那一項算不算知識測試倒數第一?
不算。倒數第一的是 HLE-MultiChoice 的原始準確率 2.36%,是 24 個決策模型裏的原始準確率;它的決策分 46.36 並不墊底,而且 AA 把這一項標爲推理,不是知識。
Q4:d1.2-ultra 最適合什麼場景?
從榜單頁面看,最對得上的是抽發票、簡歷、論文字段(AA-Paperclip 決策分和全對率均爲第 1)和工具調用判斷(When2Call 第 1,但前幾名差距約 1 分)。答很難的選擇題和知識問答,它的原始準確率不佔優。
Q5:現在能在 API易 調用 d1.2-ultra 嗎?
目前 d1.2 與 d1.2-ultra 不在 API易型號列表裏。暫未上架,我們會盡快上架這個模型;型號與價格以平臺型號列表爲準。建議先在 API易 apiyi.com 用 `gpt-6-luna` 或 `gpt-6.1-sol` 跑出自家樣本的基線,到時候直接換型號對比。
Q6:Liquid 公佈的校準誤差 0.8 能直接信嗎?
那是 Liquid 自己在 13 個基準、22505 道題上的測試,屬於官方自報。榜單頁面能交叉印證的是 Brier 0.150 爲 24 個裏最低,方向一致,但具體到你的業務,仍要看自家樣本里“亂猜次數”是否真的少。
Q7:GPT-6 Luna 的 7.2 和 API易 上的 gpt-6-luna 是一回事嗎?
不是一回事。7.2 是 GPT-6 Luna 的 Decisions API 在 Liquid 測試中的校準誤差,榜上 60.25 也是 Decisions 接口的成績。API易 提供的 `gpt-6-luna` 是聊天接口,表現要用你自己的樣本測。
Q8:樣本到底要多少條纔夠?
20 到 50 條足以看出明顯差距,關鍵是覆蓋真實分佈:常見格式、少見格式、缺字段的樣本都要有。如果兩款模型在 50 條上差距在一兩條以內,說明換不換都行,優先看價格和延遲。
d1.2-ultra 核心要點 Key Takeaways
- 綜合 75 只是由頭:74.85 第 1/24,領先第 2 名約 2.2 分,不代表每項第一。
- 抽單據看 AA-Paperclip:決策分 75.81、全對率 67.7%,均爲第 1。
- 調工具看 When2Call:96.49 第 1,但前幾名擠在約 1 分裏。
- 難題看原始準確率:HLE-MultiChoice 2.36% 最低,決策分不墊底,AA 標爲推理。
- 知識問答看 Omniscience 準確率:23.6% 第 20/24,不是倒數第一。
- 單位別混:133 美元是每百萬任務,0.042 美元是每百萬輸入 token。
- 用樣本做決定:先在 API易 apiyi.com 用在架型號跑 20 到 50 條,記錄字段準確率和亂猜次數。
總結
讀 d1.2-ultra 的榜單,關鍵在三步:
- 寫下任務類型:抽單據、調工具、答難題還是知識問答,只看對得上的分項。
- 分清兩個數:決策分獎勵“不自信就不猜”,原始準確率衡量“猜對了多少”,按業務需求選看哪個。
- 用自己的樣本拍板:20 到 50 條帶標註的真實數據,比任何綜合分都更能說明問題。
如果你的活正好是單據抽取,d1.2-ultra 值得放進候選名單;如果是難題推理或知識問答,先別因爲綜合第一就換。推薦現在就在 API易 apiyi.com 用 gpt-6-luna 和 gpt-6.1-sol 建好基線,等目標模型可用時一鍵對比。
📚 參考資料
-
Liquid AI 官方博客 – d1.2 發佈:發佈信息、官方價格與自報測試
- 鏈接:
liquid.ai/blog/d1-2 - 說明: 新任務準確率、校準誤差均爲官方自報
- 鏈接:
-
Liquid AI 決策模型文檔:模型 ID 與調用地址
- 鏈接:
docs.liquid.ai/lfm/models/decision-models - 說明: 官方調用方式說明
- 鏈接:
-
Artificial Analysis – d1.2-ultra 模型頁:綜合指數與各分項
- 鏈接:
artificialanalysis.ai/decision-models/d1-2-ultra - 說明: 本文榜單數據均於 2026-11-17 讀取
- 鏈接:
-
Artificial Analysis – Decision Index 方法頁:權重與評分定義
- 鏈接:
artificialanalysis.ai/methodology/decision-index - 說明: 決策分與原始準確率的區別
- 鏈接:
-
API易 模型總表:在架型號與價格
- 鏈接:
docs.apiyi.com/models - 說明: 型號與價格以平臺型號列表爲準
- 鏈接:
作者:API易 技術團隊
技術交流:選型或比對腳本有疑問,歡迎在 API易 官網首頁聯繫我們,更多接入說明見文檔中心