Ra mắt
Ngày 7/10/2026, Liquid AI công bố trên Hugging Face trọng số của hai mô hình khác thường: d1-3B và d1-omni-600M. Đây là "mô hình ra quyết định": chúng không sinh văn bản. Bạn đưa vào một trạng thái (ticket hỗ trợ, JSON, ảnh hoặc tất cả) cùng các câu hỏi được đặt tên, và mô hình trả về câu trả lời đọc trực tiếp từ phân phối xác suất của nó. Bộ đếm sử dụng ghi 0 token đầu ra.
Ba loại câu hỏi
- Có/không: trả về xác suất "có", từ 0 đến 1.
- Lựa chọn: chọn một nhãn từ danh sách và trả về nhãn, độ tin cậy và xác suất của từng phương án.
- Thang đo: đặt trạng thái trên thang có thứ tự từ 2 đến 10 mức.
Nhiều câu hỏi về cùng một trạng thái được trả lời trong một lượt: theo Liquid, ba câu hỏi chỉ tốn khoảng 1,3 lần thời gian của một câu. Không sinh văn bản nên không có JSON hỏng, vòng lặp hay định dạng bịa đặt.
Hai mô hình
- d1-3B (3,12 tỷ tham số): phát triển từ LFM2.5-VL-3B, đọc văn bản và hình ảnh, ngữ cảnh 32.768 token và 16 ngôn ngữ.
- d1-omni-600M (587 triệu): một bộ mã hóa đọc văn bản, hình ảnh và tối đa 30 giây âm thanh bằng cùng một bộ trọng số. Được gắn nhãn bản nghiên cứu sơ khai.
Số liệu (do Liquid tự công bố)
- Decision Index 0.2.1: d1-3B đạt 48,57, cao nhất dưới 10B trong bảng của công ty và vượt một mô hình ra quyết định lớn gấp 12 lần. Điểm do Liquid tự tính, không nộp lên bảng xếp hạng công khai.
- Độ trễ: khoảng 8 ms mỗi câu hỏi trên RTX 4090 và 50 ms trên Jetson Orin Nano nhỏ nhất.
- Trong các bản demo, công ty phân loại linh kiện tốt và lỗi từ dây chuyền sản xuất với độ chính xác 85% đến 97% mà không cần huấn luyện riêng, và tuyên bố ngang hoặc vượt các mô hình hàng đầu ở 4/6 tác vụ với chi phí thấp hơn 19 đến 200 lần. Đây là các bài thử do nhà cung cấp tự chọn và tự chạy; chưa có kiểm chứng độc lập.
Chạy ở đâu
Hỗ trợ llama.cpp, bản GGUF và lượng tử hóa, cùng hệ sinh thái NVIDIA đến tận Jetson. Liquid cũng có API được lưu trữ chỉ tính phí token đầu vào. Giấy phép là giấy phép riêng của Liquid (không phải Apache hay MIT): hãy đọc điều khoản trước khi dùng thương mại.
Vì sao quan trọng
Nhiều tác vụ AI trong doanh nghiệp không cần văn bản: phân loại ticket, phê duyệt hay từ chối, phát hiện lỗi, chọn tuyến xử lý. Dùng LLM sinh văn bản cho việc này vừa tốn kém vừa dễ hỏng (phân tích JSON, trả lời sai định dạng). Một mô hình chỉ ra quyết định trong vài mili giây có thể làm bộ lọc rẻ trước lời gọi LLM đắt đỏ.
Cách thử nghiệm
- Chọn một tác vụ phân loại thật với nhãn rõ ràng.
- So sánh độ chính xác, độ trễ và chi phí với LLM bạn đang dùng.
- Dùng độ tin cậy trả về để chỉ chuyển các trường hợp chưa chắc chắn cho người hoặc mô hình lớn hơn.
Nguồn
- Hugging Face, LiquidAI/d1-3B: https://huggingface.co/LiquidAI/d1-3B
- Hugging Face, LiquidAI/d1-omni-600M: https://huggingface.co/LiquidAI/d1-omni-600M
- Phân tích của OrcaRouter (8/10/2026): https://www.orcarouter.ai/blog/liquid-ai-d1-open-weights-release
Bạn muốn tự động hóa quyết định và phân loại bằng AI một cách rẻ và tin cậy? KGA IT cung cấp tư vấn miễn phí: kga-it.com.