室谷代表取締役決定モデルという新しいカテゴリで、また一つ大きな動きが出ました。Artificial Analysis（アーティフィシャル・アナリシス）が、Liquid AI（リキッド・エーアイ）の新しい決定モデル「d1-ultra（ディーワン・ウルトラ）」を評価した結果を公表したんですよね。
テキトー教師DotAI 認定講師d1-ultraは、Liquid AIが2026年10月15日に発表した決定モデルで、テキストや画像などの入力に対して、選択肢ごとの確率を1回の推論で返すモデルです。Artificial AnalysisのDecision Index v1.0で首位を獲得した、というのが今回のニュースの核心ですね。
室谷代表取締役しかも、幻覚率の低減がその首位の主因になっている。ここが面白いところなんですよ。
テキトー教師DotAI 認定講師まず整理しておきたいんですが、決定モデルって、普通の言語モデルとは全然別物なんですよ。文章を生成するんじゃなくて、与えられた状況と選択肢に対して、各選択肢の確率を返す。
トークンを生成しないから高速で低コスト、しかも確率の較正（キャリブレーション）が測れる。分類・ルーティング・スコアリングあたりが主な用途になります。
トークンを生成しないから高速で低コスト、しかも確率の較正（キャリブレーション）が測れる。分類・ルーティング・スコアリングあたりが主な用途になります。
室谷代表取締役MYUUUでも、問い合わせの振り分けみたいな処理をどうやるかは常に悩みどころで。生成モデルにやらせると遅いし高いし、たまに嘘をつく。
決定モデルはそこを狙ってきているわけですよね。
決定モデルはそこを狙ってきているわけですよね。
d1-ultraとは？Liquid AIが発表した決定モデルの正体
d1-ultraの基本情報
マルチモーダルな決定モデル
Liquid AIが2026年10月15日に発表。テキストと画像、あるいはその両方を同時に読み込み、質問に対する確率を返す
d1の後継
同月に発表されたd1の後継。公式ブログでは「世界最高の決定モデル」とうたわれる
d1より大きなベース
d1よりも大きなオープンウェイトモデルをベースに、Liquid独自のカスタマイズを重ねた
知識関連タスクで大きな改善
Liquid AIのトレーニングパイプラインと組み合わせ、112種類の評価でd1とJev 1.14と比較
生成AIの高性能版ではない
あくまで決定に特化したモデルで、出力は確率。使い方も発想も変える必要がある
テキトー教師DotAI 認定講師d1-ultraは、Liquid AIが2026年10月15日に発表したマルチモーダルな決定モデルです。テキストと画像、あるいはその両方を同時に読み込んで、質問に対する確率を返します。
室谷代表取締役Liquid AIは同月にd1をすでに出していて、d1-ultraはその後継という位置づけなんですよね。公式ブログでは「世界最高の決定モデル」とうたっていて、d1よりも大きなオープンウェイトモデルをベースに、Liquid独自のカスタマイズを重ねたと説明されています。
テキトー教師DotAI 認定講師ベースが大きくなったうえで、Liquid AIのトレーニングパイプラインと組み合わせることで、特に知識関連のタスクで大きな改善が出ている、というのが公式の説明です。112種類の評価でd1とJev 1.14と比較したと書かれていますね。
室谷代表取締役ここで大事なのは、d1-ultraが「生成AIの高性能版」ではないということなんですよ。あくまで決定に特化したモデルで、出力は確率。
だから使い方も発想も変えないといけない。
だから使い方も発想も変えないといけない。
テキトー教師DotAI 認定講師d1-ultraが答える質問の形式はd1と同じ3種類です。整理するとこうです。
- noul：はい／いいえの質問に、0〜1の確率で答える
- Choice：複数のラベルから1つを選び、ラベルごとの確率を返す
- Score：尺度上の位置を返す
室谷代表取締役この3種類だけで、かなり多くの業務が表現できるんですよね。ルーティングはChoice、緊急度判定はnoul、満足度はScore、みたいに。
d1-ultraでできること――決定モデルの仕組みと用途
d1-ultraの決定モデルとしての特徴
入力はテキスト・画像・両方
回路基板のカメラ画像と仕様テキストのように、画像とテキストを同時に扱える
1回のフォワードパスで確率を返す
トークンを生成せず、1回のAPIコールで固定された選択肢全体に対する確率を返すため速い
較正済みの確率
「80%と言ったら本当に80%当たる」に近い、信頼できる確率を出すよう訓練されている
用途は分類・ルーティング・スコアリング
公式モデル一覧でも classification, routing, and scoring と説明されている
OpenAI互換エンドポイント
Liquid APIの decisions/v1/systemone に model=d1-ultra を指定。既存パイプラインに組み込みやすい
テキトー教師DotAI 認定講師Liquid AIの公式ブログでは、d1-ultraの狙いがはっきり書かれています。多くの決定モデルは「簡単で一般的なタスク」は得意だけど、より難しく雑然とした実世界のユースケースでは不十分だ、という課題認識です。
室谷代表取締役具体例として挙げられているのが、回路基板の欠陥を仕様と照らし合わせて見つける、損害請求の写真を顧客の申告と照合する、といったケース。これ、まさに画像とテキストを同時に扱う必要がある場面ですよね。
テキトー教師DotAI 認定講師公式ブログには回路基板の例のコードも載っています。画像をbase64にして、状態として「生産ライン上の回路基板のカメラ画像」を渡し、質問として「この基板に欠陥はあるか」をnoul形式で投げる。
返ってくるのは確率です。
返ってくるのは確率です。
室谷代表取締役エンドポイントはLiquid APIのdecisions/v1/systemoneで、modelにd1-ultraを指定する形。OpenAI互換のエンドポイントから呼べるので、既存のパイプラインに組み込みやすいんですよね。
テキトー教師DotAI 認定講師入力はテキスト、画像、またはその両方。1回のフォワードパスで読み込んで、トークンを生成せずに確率を返します。
だから速い。ここが生成モデルとの決定的な違いです。
だから速い。ここが生成モデルとの決定的な違いです。
室谷代表取締役用途としては、分類、ルーティング、スコアリング。公式のモデル一覧でも「classification, routing, and scoring」と説明されています。
1回のAPIコールで、固定された選択肢全体に対する較正済みの確率が返る、というのが売り文句ですね。
1回のAPIコールで、固定された選択肢全体に対する較正済みの確率が返る、というのが売り文句ですね。
テキトー教師DotAI 認定講師較正というのは、モデルが出した確率が実際の正答率とどれだけ合っているか、という指標です。「80%と言ったら本当に80%当たる」に近いほど良い。
Liquid AIは、多くの決定モデルが回答に過信傾向があると指摘したうえで、d1-ultraはより信頼できる確率を出すように訓練したと説明しています。
Liquid AIは、多くの決定モデルが回答に過信傾向があると指摘したうえで、d1-ultraはより信頼できる確率を出すように訓練したと説明しています。
室谷代表取締役これは実務で効いてくるんですよ。確率が信用できないと、しきい値を切って人間にエスカレーションする、みたいな設計ができないので。
d1-ultraがDecision Index首位、幻覚率85%が意味するもの
まとめ
d1-ultraがDecision Index首位、幻覚率85%が意味するもの
- d1-ultraはArtificial Analysis Decision Index v1.0でスコア65を記録し首位。2位はJev 1.14の57、GLiDEとMicrosoft-Decision-1が54で続く
- Liquid AI公式ブログは「他のすべての決定モデルを8ポイント以上上回る」と記載
- スコア65を牽引するのはAA-Omniscience-Decisionでの幻覚率の低さ。非幻覚率は85%で、d1の2%から大幅に上昇
- 非幻覚率とは、正しく答えられなかった質問のうちモデルが「わからない」と答えた割合。知識の限界を正しく判断し、答えないべきときに答えない能力を測る
- 85%は2位のMicrosoft-Decision-1の40%の2倍以上で突出
- Decision Indexは4つの評価の加重平均：AA-Omniscience-Decision(正答率12.5%＋非幻覚率12.5%で25%)、HLE-MultiChoice(正答率25%)、When2Call(正答率25%)、WildGuardTest(平均F1で25%)
- 幻覚率だけでなく推論・ツール呼び出し・安全性分類も含めた総合で65を取っている点は公平に見ておきたい
- 個別評価：When2Callで93%の正答率で首位、WildGuardTestではGLiDEと同率首位で平均F1 95%、HLE-MultiChoiceではDecider V1.1 27Bと同率2位で正答率15%
- When2CallはNVIDIAのツール呼び出し評価。エージェント構築時にいつツールを呼ぶべきかを判断する能力で、93%は実務で大きい
テキトー教師DotAI 認定講師ここからが今回の評価の核心です。d1-ultraはArtificial Analysis Decision Index v1.0でスコア65を記録して首位。
2位はJev 1.14の57、GLiDEとMicrosoft-Decision-1が54で続きます。
2位はJev 1.14の57、GLiDEとMicrosoft-Decision-1が54で続きます。
室谷代表取締役Liquid AIの公式ブログでも「他のすべての決定モデルを8ポイント以上上回る」と書かれていますね。
テキトー教師DotAI 認定講師この65というスコアを牽引しているのが、AA-Omniscience-Decisionでの幻覚率の低さです。d1-ultraの非幻覚率は85%で、d1の2%から大幅に上昇しています。
室谷代表取締役2%から85%ですからね。これはもう別物ですよ。
テキトー教師DotAI 認定講師非幻覚率というのは、正しく答えられなかった質問のうち、モデルが「わからない」と答えた割合です。つまり、自分の知識の限界を正しく判断して、答えないべきときに答えない能力を測っています。
室谷代表取締役85%というのは、2位のMicrosoft-Decision-1の40%の2倍以上。ここは突出しているんですよね。
テキトー教師DotAI 認定講師そして、Decision Indexは4つの評価の加重平均でできています。整理するとこうです。
- AA-Omniscience-Decision：知識と幻覚。正答率12.5%＋非幻覚率12.5%で25%の重み
- HLE-MultiChoice：推論。正答率で25%
- When2Call：ツール呼び出し。正答率で25%
- WildGuardTest：分類。平均F1で25%
室谷代表取締役つまり幻覚率だけが高いモデルが1位になるわけじゃなくて、推論・ツール呼び出し・安全性分類も含めた総合で65を取っている。そこは公平に見ておきたいところです。
テキトー教師DotAI 認定講師個別の評価も見ておきましょう。d1-ultraはWhen2Callで93%の正答率で首位、WildGuardTestではGLiDEと同率首位で平均F1が95%、HLE-MultiChoiceではDecider V1.1 27Bと同率2位で正答率15%です。
室谷代表取締役When2CallはNVIDIAのツール呼び出し評価ですよね。エージェントを組むときに、いつツールを呼ぶべきかを判断する能力。
ここが93%というのは、実務ではかなり大きい。
ここが93%というのは、実務ではかなり大きい。
テキトー教師DotAI 認定講師決定モデルの評価指標そのものについては、Artificial Analysis Decision Indexとは？決定モデルを評価する新指標でも解説していますので、あわせて読むと全体像がつかみやすいです。
d1-ultraの料金と提供範囲――日本から使える？始め方は
室谷代表取締役ここからは実務目線で、料金と提供範囲を確認しておきたいです。
テキトー教師DotAI 認定講師d1-ultraは発表当日からLiquid APIで利用可能です。料金は入力100万トークンあたり0.042ドル。
前モデルのd1は同じく100万トークンあたり0.02ドルだったので、単価は上がっています。
前モデルのd1は同じく100万トークンあたり0.02ドルだったので、単価は上がっています。
室谷代表取締役ただし、d1と同じく課金は入力トークンのみ。出力トークンは生成しないので課金されない、というシンプルな構造なんですよね。
テキトー教師DotAI 認定講師画像も入力トークンとして同じレートでカウントされます。32×32ピクセルのパッチあたり1.5トークン。
つまり1024×1024の画像1枚で1,536トークンになる、と公式ブログに書かれています。
つまり1024×1024の画像1枚で1,536トークンになる、と公式ブログに書かれています。
室谷代表取締役画像を大量に投げるユースケースだと、ここがコスト計算の肝になりますね。
テキトー教師DotAI 認定講師もう一つ重要なのが、質問はそれぞれ独立したプロンプトとして課金されるという点です。1つの質問にはそのテキストとすべての画像が含まれる。
同じ状態に対して複数の質問を投げる場合、画像が毎回カウントされる点には注意が必要です。
同じ状態に対して複数の質問を投げる場合、画像が毎回カウントされる点には注意が必要です。
室谷代表取締役提供範囲ですが、まずはLiquid API。APIキーはLiquid Consoleで作って、すぐ始められます。
テキトー教師DotAI 認定講師公式ブログによると、まもなくVercelとOpenRouter経由でも利用可能になる予定です。日本からの利用可否についての地域制限は、今回のソースでは明らかにされていません。
室谷代表取締役始め方としては、Liquid Consoleで試すか、d1 Playgroundでデモを動かすか。公式ブログには「Try on Liquid Console」「Try on d1 Playground」の導線が用意されています。
テキトー教師DotAI 認定講師コードはPythonのrequestsで、AuthorizationヘッダーにLiquidのAPIキーを渡して、modelにd1-ultra、images、state、questionsをJSONで送る形です。既存のAPI連携の感覚があれば、そこまでハードルは高くないと思います。
室谷代表取締役講座でも、こういう決定モデル系のAPIを触ってみたいという受講生さんは増えていますよね。生成モデルと違って出力が確率なので、最初は戸惑うんですけど、慣れると逆に扱いやすい。
d1-ultraの性能は競合とどう違う？速度・コスト・正答率を比較
テキトー教師DotAI 認定講師競合との比較を整理しましょう。まず速度です。
d1-ultraはタスクあたり92msで、決定モデルの中では3番目に低いタイムです。
d1-ultraはタスクあたり92msで、決定モデルの中では3番目に低いタイムです。
室谷代表取締役1位がJev 1.14の78ms、2位がCeleris-1 Decisionの63ms。d1-ultraは92msで3番目。
最速ではないけれど、上位集団に入っているという位置づけですね。
最速ではないけれど、上位集団に入っているという位置づけですね。
テキトー教師DotAI 認定講師コストは100万タスクあたり32ドル。Celeris-1 Decisionの32ドル、Microsoft-Decision-1の31ドルと同水準です。
室谷代表取締役一方で、d1とMercury Decideは100万タスクあたり15ドルなので、d1-ultraはその2倍超。GPT-6 Luna (Decisions)は79ドルなので、その半分以下、という価格帯なんですよね。
テキトー教師DotAI 認定講師つまりd1-ultraは、d1から見ると単価が上がっているけれど、同価格帯のCeleris-1 DecisionやMicrosoft-Decision-1と比べると、Decision Indexのスコアは65で上。Liquid AIの公式ブログも「Jev 1.14をすべてのタスクで上回り、同じ価格でより較正された回答と高い正答率を提供する」と説明しています。
室谷代表取締役ここは誤解されやすいんですが、安さで選ぶならd1やMercury Decideが残る。精度と較正で選ぶならd1-ultra、という住み分けなんですよ。
テキトー教師DotAI 認定講師Decision Index v1.0には13モデル中11が掲載されています。Jev 1.14、GLiDE、Microsoft-Decision-1、Decider v1.1 27B、Mercury Decide、Celeris-1 Decision、d1、Clef、GPT-6 Luna (Decisions)、Clef-Omniといった顔ぶれです。
室谷代表取締役このカテゴリ、ここ数カ月で一気にモデルが増えましたよね。生成モデルの比較とは別の軸で見ないといけない。
テキトー教師DotAI 認定講師生成モデルとの比較に興味がある方は、ChatGPTとClaudeを徹底比較【2026年最新】：料金・性能・プログラミング・使い分けを完全解説も参考になります。ただし決定モデルは用途がまったく別なので、そこは切り分けて考えてください。
d1-ultraの課題――正答率32%低下が示すトレードオフ
室谷代表取締役ここが一番大事なところなんですけど、d1-ultraは幻覚率が下がった代わりに、正答率も下がっているんですよね。
テキトー教師DotAI 認定講師はい。d1-ultraの正答率は32%で、d1の41%から9ポイント低下しています。
非幻覚率が85%に上がった分、答えを控えるようになった結果です。
非幻覚率が85%に上がった分、答えを控えるようになった結果です。
室谷代表取締役「わからない」と言うようになったから、間違える確率は減る。でも当たる数も減る。
これはトレードオフであって、単純に「賢くなった」わけではないんですよ。
これはトレードオフであって、単純に「賢くなった」わけではないんですよ。
テキトー教師DotAI 認定講師ここは誤解を招きやすいポイントです。非幻覚率85%という数字だけを見ると「すごく賢い」と感じますが、実際には「自信がないときは答えない」という慎重な振る舞いを選んでいる。
用途によっては、これが最適とは限りません。
用途によっては、これが最適とは限りません。
室谷代表取締役たとえば、多少間違えてもいいから候補を出してほしい、というユースケースだと、d1-ultraの慎重さは逆に邪魔になる可能性がある。
テキトー教師DotAI 認定講師逆に、誤判定のコストが高い業務、たとえば回路基板の欠陥判定や損害請求の照合では、答えないでくれるほうが安全です。Liquid AIが「より難しく雑然とした実世界のユースケース」を狙うと書いているのは、まさにこの方向性ですね。
室谷代表取締役あと、Liquid AI自身が「多くの決定モデルは回答に過信傾向がある」と指摘して、較正を重視して訓練したと説明している点も見逃せない。過信しないモデルは、システムに組み込むときに設計しやすいんですよね。
テキトー教師DotAI 認定講師もう一つ、現時点での限界として、決定モデル全体に共通する評価の未整備があります。たとえば音声の決定ベンチマークはまだオープンな問題だと、Liquid AIはd1のオープンモデルのブログで述べています。
室谷代表取締役あと、d1-ultraのベースモデルの詳細なパラメータ数やアーキテクチャの細部は、今回のソースでは明らかにされていません。公式ブログでは「より大きなオープンウェイトモデルをベースにした」としか書かれていない。
テキトー教師DotAI 認定講師そこは推測せずに、公表を待つべきところですね。
d1-ultraに関するよくある質問
室谷代表取締役最後に、読者から出そうな質問を整理しておきましょう。
テキトー教師DotAI 認定講師まず「d1-ultraとは何か」ですが、Liquid AIが2026年10月15日に発表したマルチモーダルな決定モデルです。テキストと画像を入力に、選択肢ごとの確率を1回の推論で返します。
室谷代表取締役「料金はいくらか」は、入力100万トークンあたり0.042ドル。課金は入力トークンのみで、出力トークンはありません。
テキトー教師DotAI 認定講師「どこで使えるか」は、発表当日からLiquid APIで利用可能。まもなくVercelとOpenRouter経由でも提供予定です。
室谷代表取締役「日本から使えるか」については、今回のソースでは地域制限が明らかにされていません。Liquid APIの利用規約や提供条件を確認する必要があります。
テキトー教師DotAI 認定講師「幻覚率はどうなったか」は、AA-Omniscience-Decisionでの非幻覚率が85%。d1の2%から大幅に改善し、2位のMicrosoft-Decision-1の40%の2倍以上です。
室谷代表取締役「正答率はどうか」は32%で、d1の41%から9ポイント下がっています。これは幻覚を避けるために回答を控えるようになった結果で、トレードオフです。
テキトー教師DotAI 認定講師「速度は」は、タスクあたり92msで決定モデル中3番目に低いタイム。100万タスクあたりのコストは32ドルです。
室谷代表取締役「何ができるか」は、分類・ルーティング・スコアリング。noul（はい／いいえ）、Choice（多ラベルから1つ）、Score（尺度上の位置）の3種類の質問に答えます。
テキトー教師DotAI 認定講師「生成モデルと何が違うか」は、トークンを生成しない点です。1回のフォワードパスで確率を返すので高速・低コストで、確率の較正が測れます。
室谷代表取締役総じて、d1-ultraは「間違えないことを優先する」決定モデルなんですよね。何でも答えてほしい場面ではなく、誤りが許されない場面でこそ力を発揮する。
そこを理解して使うかどうかで、評価が変わってくると思います。
そこを理解して使うかどうかで、評価が変わってくると思います。
テキトー教師DotAI 認定講師講座でも、こういうモデルの選び方は「精度が高いから使う」ではなく「用途に合っているかで選ぶ」と伝えています。d1-ultraはまさにその好例ですね。
室谷代表取締役決定モデルというカテゴリ自体がまだ発展途上で、評価の枠組みも進化している最中です。今回の首位獲得は、その流れの中の一つのマイルストーンとして見ておくのがいいんじゃないでしょうか。
