Liquid AI випустила d1-ultra, мультимодальну модель, яка за один прохід повертає ймовірності відповідей на текст і зображення без вихідних токенів. Ціна — $0,042 за 1 млн вхідних токенів (за даними Liquid AI).

Модель вийшла 15 жовтня, за даними RuntimeWire. Тарифікація йде за кожним питанням окремо: три питання до одного знімка в одному виклику оплачуються як три промпти з цим зображенням.

Що повертає d1-ultra і для яких задач вона потрібна?

d1-ultra відповідає на обмежені питання ймовірностями замість вільного тексту. Типів питань три: так/ні з ймовірністю від 0 до 1, вибір однієї мітки з набору з ймовірністю для кожної та позиція на шкалі.

Приклади складних випадків наведено у блозі Liquid AI: перевірка дефекту на платі за специфікацією та заявка на відшкодування за фото клієнта. RuntimeWire додає перевірку, чи фото товару відповідає його лістингу. Документація Liquid, за даними MarkTechPost, радить decision-моделі для маршрутизації, модерації, guardrails, тріажу та заміни LLM-as-judge. Для підсумків, чату й генерації коду радить мовну модель.

Скільки коштує питання до зображення?

d1-ultra тарифікує лише вхідні токени, а зображення рахує за тим самим тарифом, що й текст: 1,5 токена на патч 32×32 пікселі. Знімок 1024×1024 — це 1 536 токенів, тобто 1 536 × $0,042 / 1 000 000 ≈ $0,0000645 за одне питання.

Три питання до одного такого знімка дають 3 × 1 536 = 4 608 токенів, тобто ≈ $0,00019 на знімок або ≈ $0,19 на 1 000 знімків. Суми малі, але рахунок росте з кількістю питань і картинок, а не з довжиною відповіді. Ціна така сама, як у Jev від TypeSafe, з яким Liquid порівнює модель.

Запит обмежений 8 зображеннями, 10 000 патчів і 4,5 МБ JSON. Вісім знімків 1024×1024 дають 8 × 1 024 = 8 192 патчі, тож вони вміщаються в ліміт патчів. За нашою оцінкою, одне Choice-питання замість кількох окремих питань так/ні може скоротити повторні оплати за картинку: воно оплачується один раз, а повертає ймовірність для кожної мітки.

Наскільки надійні заявлені 65 балів?

d1-ultra посідає перше місце в Artificial Analysis Decision Index з 65 балами, але цю цифру наводить сама Liquid, і розбивки за окремими тестами немає. Індекс усереднює 4 оцінки по 25%: знання та галюцинації, міркування, виклик інструментів і класифікація безпеки.

Цифри розходяться. Liquid пише, що d1-ultra випереджає інші decision-моделі в індексі щонайменше на 8 балів. MarkTechPost посилається на запуск індексу 13 жовтня, де Jev 1.13 мав 58 балів, а GLiDE і Microsoft-Decision-1 — по 54. Різниця з Jev 1.13 тоді становить 7 балів. Джерела не пояснюють розбіжність.

Друге питання — калібрування. Liquid каже, що навчала d1-ultra давати надійніші ймовірності, бо більшість decision-моделей надто впевнені у відповідях. MarkTechPost додає, що Liquid заявляє найнижчу похибку калібрування у своїх тестах, але без чисел. RuntimeWire зазначає, що цінність моделі залежить від того, чи тримається ця впевненість на реальних робочих процесах достатньо, щоб зменшити ручну перевірку. Кількість параметрів і контекст не розкрито, назви бекбона немає, ваги не публікують, доступ лише через API.

Як рахувати бюджет і чим обмежений запит?