Innhold Vis
d1-ultra er en multimodal beslutningsmodell som vurderer tekst, bilder eller begge deler og returnerer sannsynligheter i stedet for å skrive et svar. For en AI-agent betyr det at routing, klassifisering og kontroll kan gjøres uten å starte en stor språkmodell som tenker høyt før den velger «ja».
Liquid AI lanserte modellen 15. oktober 2026. Den koster 0,042 dollar per million input-tokens, omtrent 40 øre med dollarkursen ved lanseringen, og har ingen output-tokens å betale for. Prisen er oppsiktsvekkende lav, men den lille skriften er viktig: Hvert spørsmål behandles og faktureres med hele inputen på nytt.
Jeg liker retningen. Mange deler av en AI-pipeline trenger ikke enda en modell som kan skrive fem avsnitt om valget sitt. De trenger et avgrenset valg, en sannsynlighet og en terskel for når saken skal sendes videre. Samtidig er en topplassering på en resultatliste bare starten. Modellen må fortsatt testes på de faktiske beslutningene der feil får faktiske konsekvenser.
Hva gjør d1-ultra?
d1-ultra leser en tilstand beskrevet med tekst, bilder eller begge deler og besvarer ett eller flere avgrensede spørsmål. Ifølge lanseringen fra Liquid AI skjer vurderingen i ett forward pass uten at modellen genererer tokens. Resultatet er sannsynligheter som programmet rundt kan bruke direkte.
Modellen støtter tre spørsmålstyper. «Noul» er et ja-eller-nei-spørsmål med en sannsynlighet fra 0 til 1. «Choice» velger mellom oppgitte etiketter og gir en sannsynlighet for hvert alternativ. «Score» plasserer saken på en definert skala. Det er et langt smalere oppdrag enn å føre en samtale, og nettopp derfor kan formatet passe godt som en byggestein i en AI-agent.
Et kundesystem kan for eksempel lese meldingen og velge riktig kø, vurdere hvor mye saken haster og markere om et menneske bør kobles inn. Et produksjonssystem kan få et bilde av et kretskort sammen med spesifikasjonen og anslå sannsynligheten for en feil. Liquid AI trekker også fram vurdering av bilder i skadesaker som et mulig bruksområde.
Hvorfor ikke bare bruke en vanlig språkmodell?
En vanlig språkmodell kan klassifisere en tekst eller velge mellom alternativer, men den er bygget for å generere tekst token for token. Da må utvikleren ofte be om JSON, kontrollere at formatet faktisk er gyldig og hente selve avgjørelsen ut av svaret. d1-ultra er laget for å hoppe over dette mellomleddet og levere et fast beslutningsformat.
Den praktiske forskjellen er ikke bare hastighet og pris. Når modellen gir en sannsynlighet for hvert alternativ, kan systemet bruke ulike terskler etter risiko. En forespørsel med 99 prosent sannsynlighet kan sendes automatisk til teknisk support, mens en vurdering på 54 prosent kan havne hos et menneske eller en sterkere modell. Usikkerheten blir en del av arbeidsflyten i stedet for noe modellen forsøker å skjule bak et selvsikkert avsnitt.
Dette bygger videre på samme idé som den åpne modellfamilien jeg nylig skrev om i Decision 3.0 for raske valg uten tekstgenerering. Forskjellen er at d1-ultra foreløpig er en driftet toppmodell i Liquid API. Liquid AI skriver at modellen bygger på en større modell med åpne vekter og omfattende egne tilpasninger, men selskapet har ikke publisert d1-ultra-vektene i lanseringen.
Hva viser Artificial Analysis Decision Index?
d1-ultra fikk 65 på Artificial Analysis Decision Index og lå minst åtte poeng foran de andre beslutningsmodellene da Liquid AI lanserte den. Artificial Analysis beskriver indeksen som en likt vektet kombinasjon av fire tester for kunnskap og hallusinasjoner, resonnering, verktøykall og klassifisering.
Det gjør målingen mer interessant enn en løs leverandørpåstand. Artificial Analysis kjører testene uavhengig, og indeksen måler flere egenskaper som faktisk betyr noe i et beslutningslag. Den ser blant annet på kunnskap uten hallusinasjoner, resonnering, verktøykall og sikkerhetsklassifisering. Artificial Analysis viser kalibrering separat, ved å sammenligne sannsynligheten for modellens valgte svar med hvor ofte valget faktisk er riktig.
Men dette er en samlescore, ikke en prosentandel riktige beslutninger i din bedrift. En modell kan være sterk på sikkerhetsklassifisering og verktøykall uten å forstå dine produktkategorier, dokumenter eller gråsoner. Jeg har tidligere skrevet om hvorfor stadig bedre AI også er vanskeligere å måle. Her gjelder samme nøkterne regel: Resultatlisten hjelper deg å velge hva som er verdt å prøve, men den godkjenner ikke produksjonsbruken for deg.
Kalibrering er viktigere enn et selvsikkert svar
En godt kalibrert modell som sier 80 prosent, bør ha rett omtrent 80 prosent av gangene på sammenlignbare oppgaver. Hvis den bare treffer halvparten av gangene, er sannsynligheten pynt. Liquid AI sier at d1-ultra er trent spesielt for mer pålitelige sannsynligheter fordi mange beslutningsmodeller blir for sikre på egne svar.
Det er viktig i systemer der neste steg avhenger av risiko. Du kan sette en høy terskel for automatisk godkjenning, en lav terskel for automatisk avvisning og sende området mellom dem til manuell kontroll. Men en terskel på 0,9 er bare nyttig dersom kalibreringen holder på dine data. Endrer kundene språk, bildene kvalitet eller oppgavene karakter, kan sannsynlighetene flytte på seg.
Liquid AI sammenlignet også d1-ultra med sin tidligere d1-modell og Jev 1.14 i 112 egne evalueringer. Selskapet oppgir at d1-ultra slo Jev 1.14 i alle oppgavene, med bedre kalibrering og høyere nøyaktighet til samme pris. Det er lovende, men denne pakken er Liquid AIs egen måling og må ikke blandes sammen med den uavhengige Decision Index-målingen.
Prisen er lav – men hvert spørsmål teller
d1-ultra koster 0,042 dollar per million input-tokens i Liquid API. Med rundt 9,50 kroner per dollar er det cirka 40 øre. Det er ingen outputpris fordi modellen ikke genererer output-tokens. På papiret gjør dette selv store mengder enkle tekstavgjørelser svært billige.
Bilder regnes som input til samme pris. Liquid AI bruker 1,5 token per bildeblokk på 32 ganger 32 piksler, slik at et bilde på 1024 ganger 1024 piksler blir 1 536 tokens. Selve modellkostnaden for ett slikt bilde er dermed langt under ett øre. Nettverk, lagring, programkode og resten av systemet kommer selvsagt i tillegg.
Den viktige detaljen er at hvert spørsmål faktureres som sin egen prompt med både tekst og alle bilder. Sender du samme store bilde sammen med ti spørsmål, telles bildet ti ganger. API-et lar deg samle spørsmålene i ett kall, men det gjør ikke inputen gratis etter det første. For små tekster betyr det kanskje lite. For store dokumenter, mange bilder og lange spørsmålslister bør kostnaden regnes på den faktiske arbeidsflyten.
Hvordan brukes modellen i en AI-agent?
Liquid AI viser et enkelt API-kall til endepunktet https://api.liquid.ai/decisions/v1/systemone med modellnavnet d1-ultra. Forespørselen inneholder en tilstand, eventuelle bilder og en samling spørsmål. Svaret legger sannsynlighetene under hvert spørsmålsnavn, slik at resten av programmet kan bruke dem uten å tolke fri tekst.
En fornuftig første bruk er et smalt valg med tydelig fasit: hvilken av noen få køer en sak tilhører, om et dokument mangler en bestemt opplysning eller om en forespørsel bør sendes til en dyrere modell. Begynn med historiske saker der riktig utfall allerede er kjent. Da kan du måle både samlet treffsikkerhet, hvilke feil modellen gjør og om sannsynlighetene faktisk er kalibrert.
Deretter bør du velge terskler etter kostnaden ved feil, ikke etter hva som ser pent ut i en demo. En feilruting kan kanskje rettes på sekunder. En feil godkjenning av en erstatningssak kan koste langt mer. For viktige avgjørelser bør usikre saker eskaleres, og modellen bør overvåkes når dataene endrer seg. En beslutningsmodell er et kontrollag. Den er ikke et frikort til å fjerne kontrollen.
d1-ultra er tilgjengelig via Liquid API og OpenRouter
d1-ultra er tilgjengelig i Liquid API og selskapets egen konsoll. OpenRouter har nå også listet modellen som liquid/d1-ultra, med samme oppgitte inputpris og et eget System One-skjema for strukturerte beslutninger. Det er praktisk for utviklere som allerede samler modelltilgangen sin der.
Tilgangen er fortsatt driftet. Den tidligere d1-familien har åpne varianter, og Liquid AI beskriver grunnlaget for d1-ultra som en større modell med åpne vekter. Det er likevel ikke det samme som at akkurat denne modellen kan lastes ned og kjøres lokalt.
For meg er d1-ultra mest interessant som et tegn på at AI-systemer får flere spesialiserte lag. Den store språkmodellen trenger ikke være dørvakt, trafikkpoliti og saksbehandler samtidig. Hvis en billig beslutningsmodell kan ta de enkle, målbare valgene og sende resten videre, kan agentene bli både rimeligere og lettere å kontrollere. Nå må modellen bevise det på virkelige data, ikke bare på en pen tabell.
Ofte stilte spørsmål
Kan d1-ultra skrive et vanlig tekstsvar?
Nei. d1-ultra er laget for avgrensede beslutninger og returnerer sannsynligheter for ja eller nei, oppgitte valg eller en skala. Trenger brukeren en forklaring i vanlig språk, må et annet lag i systemet lage den.
Er d1-ultra en åpen modell som kan kjøres lokalt?
Ikke ifølge lanseringsinformasjonen. d1-ultra er tilgjengelig gjennom Liquid API. Selskapet sier at den bygger på en større modell med åpne vekter, men har ikke oppgitt at selve d1-ultra-vektene kan lastes ned.
Hva koster et bilde med d1-ultra?
Et bilde på 1024 ganger 1024 piksler teller som 1 536 input-tokens. Med lanseringsprisen på 0,042 dollar per million tokens blir selve modellkostnaden langt under ett øre per spørsmål, men samme bilde telles på nytt for hvert spørsmål.
Er en høy Decision Index-score god nok for produksjon?
Ikke alene. Scoren viser at d1-ultra gjorde det sterkt i fire uavhengige testområder. Før produksjonsbruk bør modellen måles på egne saker, med egne feilkonsekvenser, og usikre beslutninger bør sendes til en sterkere modell eller et menneske.
