출시
2026년 10월 7일, Liquid AI가 특이한 두 모델 d1-3B와 d1-omni-600M의 가중치를 Hugging Face에 공개했습니다. 이들은 **"의사결정 모델"**로, 텍스트를 생성하지 않습니다. 상태(지원 티켓, JSON, 사진 또는 모두)와 이름 붙은 질문을 주면, 모델은 자신의 확률 분포에서 바로 읽어낸 답을 돌려줍니다. 사용량 카운터에는 출력 토큰 0이 찍힙니다.
세 가지 질문 유형
- 예/아니오: "예"의 확률을 0~1로 반환
- 선택: 목록에서 라벨 하나를 고르고 라벨, 신뢰도, 각 선택지의 확률을 반환
- 척도: 상태를 2~10단계의 순서 척도 위에 배치
같은 상태에 대한 여러 질문을 한 번에 처리합니다. Liquid에 따르면 질문 3개가 1개의 약 1.3배 시간입니다. 텍스트를 생성하지 않으니 깨진 JSON, 반복, 엉뚱한 형식이 없습니다.
두 모델
- d1-3B(31.2억 파라미터): LFM2.5-VL-3B 기반, 텍스트와 이미지 처리, 32,768 토큰 컨텍스트, 16개 언어
- d1-omni-600M(5.87억): 같은 가중치로 텍스트, 이미지, 최대 30초 오디오를 읽는 인코더. 초기 연구 버전으로 분류됨
수치(Liquid 자체 발표)
- Decision Index 0.2.1: d1-3B는 48.57로, 회사 표에서 10B 미만 1위이며 12배 큰 의사결정 모델보다 앞섭니다. 점수는 공개 리더보드 제출이 아니라 Liquid가 직접 계산했습니다.
- 지연: RTX 4090에서 질문당 약 8ms, 가장 작은 Jetson Orin Nano에서 50ms
- 데모에서 회사는 별도 학습 없이 생산 라인의 양품과 불량품을 85
97% 정확도로 분류했고, 6개 과제 중 4개에서 최첨단 모델과 대등하거나 앞서면서 비용은 19200배 낮다고 주장합니다. 모두 벤더가 고르고 실행한 테스트이며 독립 재현은 아직 없습니다.
실행 환경
llama.cpp, GGUF 및 양자화 버전, Jetson까지의 NVIDIA 스택을 지원합니다. Liquid는 입력 토큰만 과금하는 호스팅 API도 제공합니다. 라이선스는 Liquid 자체 라이선스(Apache나 MIT 아님)이므로 상업적 이용 전 조건을 확인하세요.
왜 중요한가
기업의 많은 AI 작업은 텍스트가 필요 없습니다: 티켓 분류, 승인 또는 거절, 불량 탐지, 경로 결정. 이를 생성형 LLM으로 하면 비싸고 불안정합니다(JSON 파싱, 형식 이탈). 밀리초 단위로 판단만 하는 모델은 비싼 LLM 호출 앞단의 저렴한 필터가 될 수 있습니다.
시험 방법
- 라벨이 분명한 실제 분류 작업을 고르세요.
- 지금 쓰는 LLM과 정확도, 지연, 비용을 비교하세요.
- 반환되는 신뢰도를 이용해 애매한 경우만 사람이나 큰 모델로 보내세요.
출처
- Hugging Face, LiquidAI/d1-3B: https://huggingface.co/LiquidAI/d1-3B
- Hugging Face, LiquidAI/d1-omni-600M: https://huggingface.co/LiquidAI/d1-omni-600M
- OrcaRouter 분석(2026.10.8): https://www.orcarouter.ai/blog/liquid-ai-d1-open-weights-release
AI로 판단과 분류를 저렴하고 안정적으로 자동화하고 싶으신가요? KGA IT가 무료 상담을 제공합니다: kga-it.com