Liquid AI d1-ultra 全面解读：决策模型是什么、API 怎么用、价格与同类对比

Liquid AI d1-ultra 是什么：一款专攻“硬决策”的多模态模型

Liquid AI 于 2026 年 10 月 15 日发布了 d1-ultra，官方把它称为自家最强的一款决策模型。和市面上大量主打闲聊、写作、陪伴的通用大模型不同，Liquid AI 明确把 d1-ultra 定位为“为高难度决策问题而生”，也就是说它希望模型在信息不完整、选项互相冲突、需要权衡取舍的场景里给出可执行的判断，而不是仅仅生成一段流畅的文字。这一定位本身就决定了它的目标用户更偏向开发者、产品团队和需要自动化决策流程的企业。

从官方公布的信息看，d1-ultra 是一款多模态模型，能够处理不止文本一种输入形式，并且支持 44 种语言。多模态意味着它可以同时理解不同类型的信息，这在真实决策场景里很关键，因为很多判断需要结合文字描述、结构化数据甚至图像线索。44 种语言的支持则让它具备跨地区部署的潜力，对于面向多语言市场的团队来说，不必为每种语言单独寻找模型。

它最近之所以受到关注，核心原因是三项可以量化、可以直接引用的信息：在 Artificial Analysis 决策指数上拿到 65 分并位居第一，在 Liquid AI 自建的 112 项评测套件中领跑全部八个类别，以及输入价格低到每百万 token 约 0.042 美元、输出不计费。对开发者而言，一个公开榜单的第一名、一个清晰的“决策模型”标签，再加上一个极低的报价，构成了非常具体的评估起点。

• 决策模型而非聊天机器人

  Liquid AI 刻意避开通用助手的叙事，把 d1-ultra 包装成解决硬决策问题的工具，这会影响你评估它的方式：重点看判断质量，而不是对话是否自然。

• 多模态加 44 种语言

  官方称其支持多模态输入与 44 种语言，适合需要跨语言、跨信息形态做判断的业务场景，但具体支持哪些模态组合需以官网文档为准。

• 两个榜单要分开看

  决策指数 65 分来自公开的 Artificial Analysis 榜单，而“八个类别全领先”来自 Liquid AI 自己的评测套件，后者属于厂商自测，参考权重不同。

核心能力与规格：决策指数 65 分、112 项自测、极低输入价

官方公告里最醒目的数字是决策指数 65 分。这是一个公开指数，用来衡量模型在决策类任务上的表现，d1-ultra 在这个榜单上排名第一。对开发者来说，公开榜单的价值在于可对比、可复现，你可以拿它和其他模型放在同一把尺子下衡量。不过指数终究是聚合分数，它无法告诉你模型在你自己的业务数据上表现如何，因此它更适合当作初筛条件，而不是最终结论。

第二个数字来自 Liquid AI 自建的评测套件，共 112 项评测，官方称 d1-ultra 在其中全部八个类别都处于领先位置。这里需要特别提醒：这套评测由厂商自己设计并执行，测试集、评分标准、对比对象都由 Liquid AI 决定，因此它反映的是厂商希望强调的能力维度，不能直接等同于第三方独立验证的结果。把公开榜单和厂商自测分开引用，是评估这类新模型时最基本的谨慎。

第三个关键规格是价格。发布时流传的数字是输入每百万 token 约 0.042 美元，而输出 token 不计费。这种“只对输入收费、输出免费”的结构在大模型 API 里相当少见，通常厂商会对输入和输出分别计价，因此这个报价如果属实，会显著改变成本模型，尤其是那些输出很长、需要模型反复推演的任务。但由于计费结构不寻常，正式接入前一定要去 Liquid AI 官网核对最新定价与计费细则，避免按传闻做预算。

• 公开榜单第一

  Artificial Analysis 决策指数 65 分、排名第一，这是目前最容易被第三方复核的一项成绩。

• 自测套件八类领先

  112 项评测、八个类别全部领先，数据来自 Liquid AI 自身，适合了解厂商的能力主张而非独立结论。

• 输出不计费的计费结构

  输入约每百万 token 0.042 美元、输出不计费，若属实对长输出任务极有利，但必须以官网定价页为准。

怎么接入 d1-ultra：从获取 API 密钥到跑通第一次决策请求

目前 d1-ultra 没有独立的产品页面，官方提供的接入方式是 API。这意味着你无法像使用普通聊天应用那样打开网页就开始对话，而是需要先有一个能发起 HTTP 请求的开发环境，再用 API 密钥完成鉴权。对于熟悉大模型 API 的开发者来说，这套流程和接入其他厂商的模型基本一致，学习成本主要在于理解它的决策定位，而不是技术接入本身。

实际动手时，建议先用一个你真实遇到过的决策问题做测试，而不是用“你好”这类闲聊提示词。因为 d1-ultra 被设计来处理硬决策问题，只有把真实的约束条件、可选方案和取舍标准写进提示词，才能看出它是否真的比通用模型更有判断力。同时要注意，官方尚未公布完整的参数文档、上下文长度、速率限制等细节，这些都需要在官网文档里确认后再做工程规划。

成本验证是接入过程中不可跳过的一步。由于输入约每百万 token 0.042 美元、输出不计费的说法来自发布时的信息，而计费结构又比较特殊，建议先跑小批量请求，观察实际用量与账单，再决定是否扩大调用规模。如果你的应用输出量大，这种计费方式可能带来明显优势；如果输入量极大，则需要重新计算单位成本。

最后要提醒的是可用性。当前没有专门的 d1-ultra 产品页，官方站点是 liquid.ai，所有关于定价、配额、支持语言和模态能力的最终答案都应以该站点的文档为准。在官方补齐文档之前，任何第三方转述的数字都只能作为参考。

• 先确认接入资格

  前往 Liquid AI 官网 liquid.ai 查看是否开放 API 申请、是否需要等待名单，以及密钥获取流程。

• 用真实决策题做首测

  准备一个包含约束、选项和取舍标准的真实问题作为提示词，比闲聊式测试更能体现模型定位。

• 小批量验证计费

  先跑少量请求核对实际用量与费用，确认输入计价与输出不计费的结构后再扩大规模。

• 记录待确认项

  上下文长度、速率限制、模态组合等细节官方尚未完整公布，接入前应在官网文档中逐项确认。

适用场景、同类对比与需要留意的局限

从定位看，d1-ultra 最适合的场景是那些“答案不是一句话、而是一个判断”的任务，例如在多个方案之间做取舍、根据不完整信息给出建议、把复杂规则转化为可执行结论。多模态与 44 种语言的支持，让它也能用于需要跨语言、跨信息形态的决策流程。对于正在搭建自动化决策链路的团队，它提供的是一个可以替代人工初筛的候选组件，而不是一个全能助手。

和通用大模型相比，d1-ultra 的差异主要在叙事和评测口径上。通用模型通常强调对话体验、知识广度和创作能力，而 d1-ultra 强调的是决策指数排名和自建评测套件中的领先。这意味着如果你要做的是写作、客服或创意类任务，通用模型可能更合适；如果你的核心需求是让模型在复杂条件下给出稳定判断，那么 d1-ultra 的定位更贴近需求。但要注意，公开榜单第一并不自动等于在你的业务上第一。

局限同样明显。首先，官方尚未提供独立产品页面，文档、上下文长度、速率限制等关键工程参数不完整，这会增加接入的不确定性。其次，“八个类别全部领先”来自厂商自测，缺少第三方独立复现。第三，价格信息来自发布时的说法，且计费结构特殊，实际账单可能与预期不同。最后，决策类模型的输出往往需要人工复核，尤其是在高风险场景中，不能把判断责任完全交给模型。

因此，d1-ultra 更适合愿意做小规模验证、并且有能力评估模型输出质量的团队。如果你的项目对稳定性、合规性或可解释性要求极高，建议先把它放在辅助位置，用真实数据跑一段时间再决定是否扩大使用范围。

• 适合硬决策任务

  多方案取舍、信息不完整下的判断、规则到结论的转化，是它最对口的场景。

• 与通用模型的分工

  写作、客服、创意类任务交给通用模型，复杂条件下的稳定判断再考虑 d1-ultra。

• 厂商自测需谨慎

  八个类别领先来自 Liquid AI 自建评测，缺少独立复现，引用时应注明来源。

• 高风险场景要人工复核

  决策模型输出建议仍需人工把关，尤其在医疗、金融、法律等高风险领域。