Ang paglulunsad
Noong Oktubre 7, 2026, inilathala ng Liquid AI sa Hugging Face ang weights ng dalawang kakaibang model: d1-3B at d1-omni-600M. Mga "decision model" ang mga ito: hindi sila gumagawa ng text. Bibigyan mo sila ng isang state (support ticket, JSON, larawan o lahat ng ito) at mga pinangalanang tanong, at ibinabalik ng model ang mga sagot na direktang binasa mula sa probability distribution nito. Ipinapakita ng usage counter ang 0 output tokens.
Tatlong uri ng tanong
- Oo/hindi: ibinabalik ang probability ng "oo", mula 0 hanggang 1.
- Pagpili: pumipili ng label mula sa listahan at ibinabalik ang label, confidence at probability ng bawat opsyon.
- Scale: inilalagay ang state sa ordered scale na 2 hanggang 10 antas.
Sinasagot nang sabay sa iisang pass ang ilang tanong tungkol sa parehong state: ayon sa Liquid, mga 1.3 beses lang ng oras ng isang tanong ang tatlong tanong. Dahil walang ginagawang text, walang sirang JSON, pag-ikot o imbentong format.
Ang dalawang model
- d1-3B (3.12B parameter): galing sa LFM2.5-VL-3B, nagbabasa ng text at larawan, 32,768-token na context at 16 na wika.
- d1-omni-600M (587M): isang encoder na nagbabasa ng text, larawan at hanggang 30 segundong audio gamit ang parehong weights. Minarkahan itong maagang research release.
Mga numero (mula sa Liquid mismo)
- Decision Index 0.2.1: nakakuha ang d1-3B ng 48.57, pinakamataas sa ilalim ng 10B sa talahanayan ng kumpanya at nauna sa decision model na 12 beses ang laki. Liquid mismo ang nag-compute ng score, hindi isinumite sa pampublikong leaderboard.
- Latency: mga 8 ms kada tanong sa RTX 4090 at 50 ms sa pinakamaliit na Jetson Orin Nano.
- Sa mga demo, inihiwalay ng kumpanya ang maayos at depektibong piyesa mula sa production lines nang may 85% hanggang 97% na katumpakan nang walang espesyal na training, at sinasabing kapantay o mas mahusay ito sa frontier models sa 4 sa 6 na gawain sa 19 hanggang 200 beses na mas mababang gastos. Mga test ito na pinili at pinatakbo ng vendor; wala pang independiyenteng reproduksyon.
Saan ito tumatakbo
May suporta para sa llama.cpp, GGUF at quantized na bersyon, at NVIDIA stack hanggang Jetson. Nag-aalok din ang Liquid ng hosted API na naniningil lang sa input tokens. Sariling lisensya ng Liquid ang gamit (hindi Apache o MIT): basahin ang mga tuntunin bago gamitin nang komersyal.
Bakit mahalaga
Maraming AI task sa negosyo ang hindi nangangailangan ng text: pag-classify ng tickets, pag-apruba o pagtanggi, pagtukoy ng depekto, pagpili ng ruta. Mahal at marupok ang paggamit ng generative LLM dito (JSON parsing, sagot na wala sa format). Ang model na nagdedesisyon lang, sa loob ng milliseconds, ay puwedeng maging murang filter bago ang mamahaling LLM call.
Paano subukan
- Pumili ng totoong classification task na malinaw ang labels.
- Ikumpara ang accuracy, latency at gastos sa LLM na gamit mo ngayon.
- Gamitin ang ibinalik na confidence para ipasa lang sa tao o sa mas malaking model ang mga kasong alanganin.
Mga pinagmulan
- Hugging Face, LiquidAI/d1-3B: https://huggingface.co/LiquidAI/d1-3B
- Hugging Face, LiquidAI/d1-omni-600M: https://huggingface.co/LiquidAI/d1-omni-600M
- Pagsusuri ng OrcaRouter (Okt 8, 2026): https://www.orcarouter.ai/blog/liquid-ai-d1-open-weights-release
Gusto mo bang i-automate ang mga desisyon at triage gamit ang AI nang mura at maaasahan? Nag-aalok ang KGA IT ng libreng konsultasyon: kga-it.com.