LiquidAI: d1 är en beslutsmodell från LiquidAI, släppt den 1 oktober 2026. Respan: Span-01 är en beslutsmodell från Respan, släppt den 26 september 2026. Båda tillhör samma kategori, vilket innebär att de är byggda för att returnera ett beslut som utdata snarare än fri prosa, och båda nås via samma gateway. De två leverantörerna är olika företag, så modell-id:na skiljer sig åt både i leverantörsprefixet och i modellnamnet.
Den tydligaste skillnaden mellan dem ligger i hanteringen av indata. LiquidAI: d1 accepterar text- och bildindata, så den kan titta på en skärmbild, ett diagram eller en skannad sida tillsammans med din prompt. Respan: Span-01 accepterar endast text. Kontextfönstret är där de publicerade uppgifterna tar slut: LiquidAI: d1 anger 65 536 tokens, medan Respan: Span-01 inte publicerar någon kontextlängd, så du bör betrakta dess gräns som okänd och testa med dina egna payloads innan du binder upp dig vid ett arbetsflöde för långa dokument. Ingen av modellerna exponerar några parametrar som stöds, och ingen av dem annonserar verktygsanvändning, strukturerad utdata eller resonemang som en särskiljande egenskap, så på dessa axlar finns inget som skiljer dem åt. Båda ger endast beslut som utdata, vilket innebär att ingen av dem är en allmän chatt- eller genereringsmodell.
För praktiskt val, börja med indatatypen. Om din uppgift innebär att läsa en bild, till exempel att klassificera ett formulär, kontrollera ett diagram eller dirigera en skärmbild, är LiquidAI: d1 den enda av de två som överhuvudtaget kan ta emot den indatan. Om din uppgift är helt och hållet text, till exempel att triagera en supportärende, märka ett meddelande eller fatta ett ja-eller-nej-beslut om ett stycke innehåll, är båda modellerna kandidater och beslutet handlar om pris och om hur mycket text du behöver mata in. Eftersom Respan: Span-01 inte anger någon kontextlängd, håll dess indata blygsamma eller verifiera beteendet själv innan du skickar något långt. Vad gäller pris ligger de två ungefär lika för indata, så kostnaden är sannolikt inte den avgörande faktorn på den sidan; prissättningen för utdata särskiljs inte i den tillgängliga informationen, så kontrollera den aktuella tabellen på den här sidan för de nuvarande siffrorna.
Att anropa endera modellen via api14 fungerar på samma sätt, eftersom API:et är OpenAI-kompatibelt. Du pekar din klient mot api14:s bas-URL, skickar din begäran till chat completions-endpointen med din api14-nyckel och anger fältet model. Den enda skillnaden mellan de två är den strängen: använd "liquid/d1" för LiquidAI: d1 och "respan/span-01" för Respan: Span-01. Din meddelandestruktur, dina headers och din svarsbearbetning förblir identiska, så du kan byta modell med en enradsändring, eller köra båda sida vid sida på samma indata för att jämföra deras beslut innan du bestämmer dig för en.
Det finns ett fall där Respan: Span-01 fortfarande är det bättre valet även om LiquidAI: d1 täcker fler indatatyper. Om din arbetsbelastning är helt och hållet text och du vill ha den smalare modellen med en enda modalitet, är Span-01 ett enkelt val, och dess något tidigare releasedatum innebär att den har varit tillgänglig lite längre. Den är också det förnuftiga standardvalet när du inte behöver bildindata och föredrar att hålla förfrågningsytan så enkel som möjligt. Ingen av modellerna stöder verktyg eller flaggor för strukturerad utdata, så om din pipeline är beroende av dessa bör du planera för att hantera parsningen på din sida oavsett vilket id du anropar.